DeepSeek V4 Flash vs V4 Pro: Welche Stufe solltest du nutzen?

The price card, side by side

Beide Modelle stehen auf einer einzigen Seite, was den Vergleich ungewöhnlich sauber macht. Gleicher Anbieter, gleiche Tabelle, gleicher Tag.

Zwei Dinge lohnen sich zu bemerken, bevor die Benchmarks kommen. Erstens ist das Verhältnis nicht einheitlich: Pro kostet 3,11-mal so viel wie Flash bei den Preisen, die man die meiste Zeit zahlt, aber nur 1,29-mal so viel bei Cache-Treffern. Dann ist da noch der Cache-Preis selbst. Flashs Cache-Treffer-Preis ist ein 50-facher Rabatt gegenüber dem eigenen Cache-Fehltreffer-Preis, und Caching ist standardmäßig aktiviert, ohne dass Code geändert werden muss. Artificial Analysis nannte das einen Cache-Treffer-Rabatt von ~98%, aggressiver als die 90%, die der Großteil der Branche bietet.

Der Haken ist, dass eine Anfrage nur zum Trefferpreis abgerechnet wird, wenn sie vollständig mit einer gespeicherten Cache-Präfix-Einheit übereinstimmt. Teilweise Überschneidung zählt nicht, was DeepSeek auf seine Sliding-Window-Attention zurückführt. Caching ist außerdem als Best-Effort dokumentiert, und ungenutzte Einträge verfallen innerhalb von Stunden bis Tagen. Den günstigen Preis sollte man also als Rabatt behandeln, den man manchmal bekommt, nicht als Preis, mit dem man planen kann.

Eine weitere Zeile auf der Tabelle verändert die Rechnung. DeepSeek sagt, dass die API bald eine Spitzenzeit-Preisgestaltung mit dem doppelten Normalpreis einführen wird, täglich von 9:00 bis 12:00 und von 14:00 bis 18:00 Uhr Pekinger Zeit. Ein Stichtag ist nirgendwo veröffentlicht. Die heutigen Zahlen sind die Normalpreise, kein Rabattfenster.

Same window, different brain

Die Spezifikationen, die üblicherweise eine günstige von einer teuren Stufe trennen, sind hier identisch.

Beide sind Mixture-of-Experts-Modelle, vortrainiert mit mehr als 32T Tokens. Sie teilen sich dasselbe hybride Attention-Design (Compressed Sparse Attention plus Heavily Compressed Attention) sowie dieselben Manifold-Constrained Hyper-Connections und den Muon-Optimizer. Das 1M-Fenster ist real in der Konfiguration und nicht nur im Marketing: max_position_embeddings steht auf 1048576, erreicht durch YaRN-Erweiterung eines mit 64K trainierten Fensters um das 16-Fache.

Also kauft man mit Pro kein größeres Fenster, sondern 3,8-mal so viele aktive Parameter. Der Unterschied ist hier wichtig, weil aktive Parameter vor allem Erinnerungsvermögen bringen, und genau dort unterscheiden sich die beiden. Falls die Vorstellung, dass ein kleineres Modell sich behauptet, für dich neu ist, deckt unser Erklärartikel zu kleinen Sprachmodellen den allgemeinen Fall ab.

Bildeingabe ist bei keinem der beiden Modelle dokumentiert. Das Pipeline-Tag in beiden Hugging-Face-Repos lautet Textgenerierung, die Konfiguration deklariert DeepseekV4ForCausalLM ohne jeglichen Vision-Encoder, und die Feature-Zeile auf der Preistabelle listet JSON-Ausgabe, Tool-Aufrufe und FIM ohne jede Vision-Zeile. DeepSeeks multimodale Arbeit liegt in einer separaten Modellreihe. Ein Entwickler, der einen Agenten baute, hat ein zweites Modell eingebunden, speziell um Vision und Websuche abzudecken.

Work out what each tier actually costs you

Dieses 3,11-fache Preisverhältnis gilt nur, wenn beide Modelle dieselbe Anzahl Tokens ausgeben, was nicht der Fall ist. Artificial Analysis markiert Flash als geschwätzig: Es erzeugte 210M Ausgabe-Tokens, um den Intelligence Index abzuschließen, gegenüber einem Klassenmedian von 100M. Reasoning-Tokens werden zum Ausgabepreis abgerechnet, sodass Geschwätzigkeit zu einem echten Kostenposten wird.

Was die nützliche Frage aufwirft. Wie viel gesprächiger müsste Flash werden, bevor Pro die günstigere Wahl wird? Setze deine eigenen Zahlen ein.

Die Zahl, die man mitnehmen sollte, ist diese. Allein bei den Ausgabe-Tokens muss Flash mehr als 3,11-mal so geschwätzig sein wie Pro, bevor Pro günstiger herauskommt. Die von AA gemessene Lücke zum Klassenmedian liegt bei etwa dem 2,1-Fachen. Eingabe-Tokens machen es noch schwerer, da die meisten Workloads eingabelastig sind und Flashs Eingabepreis nur ein Drittel von Pro beträgt. In der Praxis gewinnt Flash bei den Kosten mit einem Abstand, den Geschwätzigkeit nicht aufholt.

Es lohnt sich trotzdem, einzuordnen, was das in geschäftlichen Begriffen bedeutet. Selbst Pros Preis ist ein Rundungsfehler neben einem Gehalt, und der interessante Vergleich für ein Support-Team ist KI gegen einen menschlichen Agenten, nicht Flash gegen Pro.

The benchmark inversion

Hier kommt der Teil, der überrascht hat. Am 2026-07-31 hat DeepSeek DeepSeek-V4-Flash-0731 veröffentlicht, das laut Angaben dieselbe Architektur und Größe beibehalten hat und nur neu nachtrainiert wurde. Also dieselben 284B/13B, aber neues Post-Training. Die veröffentlichte agentische Tabelle:

Flash 0731 schlägt den Pro-Build in allen neun Zeilen und liegt in allen neun hinter Claude Opus 4.8. Dieselbe Frage, ob die kleine Stufe die große schlägt, gibt es auch bei anderen Labors, das sollte man erwähnen, und meist löst es sich andersherum auf: Unser Vergleich Opus 5 gegen Sonnet 5 fand, dass die teure Stufe bei den Kosten pro Aufgabe gewann, nicht nur bei der Qualität.

Zwei Vorbehalte druckt DeepSeek selbst ab, und ich wiederhole sie hier. Die †-Zeilen sind interne Testsätze. Und die Code-Agent-Läufe nutzten DeepSeeks eigenes Harness, das nicht veröffentlicht ist, sodass es noch niemand unabhängig reproduzieren kann. Ein X-Analyst brachte die faire Einordnung auf den Punkt:

"DeepSeek is launching a very cheap, very capable coding-agent Flash model that looks surprisingly close to Claude Opus 4.8, especially considering it's the lightweight model. That said, this is DeepSeek's own benchmark selection, so it's naturally designed to highlight its strengths."

Dr. Tomislav Marinovic, X

Das unabhängige Ranking stimmt in der Richtung überein. Artificial Analysis bewertete Flash 0731 mit 50 Punkten im Intelligence Index, sechs Punkte vor DeepSeek V4 Pro mit 44. Kosten pro Aufgabe: $0.03 für Flash, $0.05 für Pro.

Ein DeepSWE-Sprung von 7,3 auf 54,4 bei unveränderter Gewichtsform weckt tatsächlich Verdacht, und mindestens ein prominenter japanischer KI-Account hat das direkt so gesagt. Der vorherige Wert war so schwach, dass der Rebound für sie wie Benchmark-Zielsetzung wirkt. Ein fairer Punkt, den man im Hinterkopf behalten sollte, und auch der Grund, warum die unabhängige Index-Zahl hier mehr zählt als die Tabelle des Anbieters.

Where Pro still wins

DeepSeeks Cross-Mode-Tabelle aus der Preview-Ära ist der einzige Ort, an dem beide Modelle mit demselben Reasoning-Aufwand gemessen werden, und dort liegt auch das Argument für Pro.

Die Erinnerungslücke ist diejenige, die etwas entscheiden sollte. Eine Differenz von 23,8 Punkten bei SimpleQA-Verified ist kein Rundungsfehler, sondern genau das, was 13B aktive Parameter kosten. DeepSeek sagt das mit eigenen Worten und beschreibt Flash als leicht im Rückstand bei reinen Wissensaufgaben und den komplexesten agentischen Workflows, und schränkt den Gleichwertigkeitsanspruch dann auf einfache Agentenaufgaben ein.

Die Suche in langem Kontext neigt in dieselbe Richtung. Beide Modelle bewerben 1M, aber MRCR 1M liegt bei Pro bei 83,5 gegenüber 78,7 bei Flash, das Fenster hat also dieselbe Größe, während das Finden der Nadel nicht gleich ist. Wenn deine Workload lautet "einen riesigen Korpus hineinstopfen und präzise Fragen dazu stellen", ist das Pros Terrain. Es ist auch die Workload, bei der RAG statt rohem Kontext meist klar gewinnt, und Finetuning ist die dritte Option, zu der Leute greifen, was unser Beitrag zu maßgeschneiderten KI-Modellen behandelt.

Zwei Sternchen sind bei dieser Tabelle wichtig. Diese Zahlen stammen vom Preview-Build von Flash, von vor dem 0731-Rebuild, und DeepSeek hat für 0731 keine Wissens-Benchmark-Tabelle erneut veröffentlicht, ich kann dir also nicht sagen, ob die SimpleQA-Lücke das überlebt hat. Bei der menschlichen Präferenz wiederum stuft LMArena deepseek-v4-pro weiterhin mit 1458±4 höher ein als deepseek-v4-flash mit 1436±4, bei jeweils rund 49.000 Stimmen. Der automatisierte Index und die menschlichen Stimmen zeigen hier in entgegengesetzte Richtungen, was ein guter Grund ist, kein Urteil auf Basis einer einzigen Zahl zu fällen.

The reasoning-effort trap

Wenn ich gerade Budget zwischen den beiden verschieben wollte, wäre das der Abschnitt, den ich zuerst lesen würde. Er ist nicht intuitiv, und er steht auch nicht auf der Preistabelle. DeepSeek veröffentlicht ein Mapping von angefragtem zu tatsächlichem Aufwand:

Lies die Pro-Spalte noch einmal. Bei Pro gibt es keine günstige Einstellung, da eine low-Anfrage als high bedient wird, du zahlst also den 3,11-fachen Token-Preis und kannst das Reasoning-Budget nicht herunterdrehen, um das auszugleichen. Flash hat die entgegengesetzte Eigenart: xhigh wird stillschweigend auf high heruntergestuft, sodass dieser Parameter über high hinaus nichts bringt. DeepSeek sagt, das Pro-Mapping werde Anfang August 2026 aktualisiert.

Der Denkmodus ist bei beiden standardmäßig aktiv, mit Aufwand high, und Reasoning-Tokens werden zum Ausgabepreis abgerechnet. Es gibt keinen separaten Modell-String -thinking, es ist ein Parameter auf demselben Alias. Ihn abzuschalten ist ebenfalls kein kleiner Kompromiss. Flash ohne Denkmodus erzielt 8,1 bei HLE und 1,0 bei Apex, gegenüber 34,8 und 33,0 bei max. Wer also die günstige Konfiguration will, wählt de facto ein deutlich anderes Modell, was auch die Lehre ist, bei der unser Leitfaden zur LLM-Optimierung immer wieder landet.

Zwei Sampling-Fallstricke, solange man schon dabei ist. Im Denkmodus sind temperature, top_p, presence_penalty und frequency_penalty allesamt nicht unterstützt, und sie zu setzen erzeugt keinen Fehler, sondern bewirkt schlicht gar nichts. Außerdem musst du, falls das Modell einen Tool-Aufruf gemacht hat, reasoning_content bei jeder folgenden Runde zurückgeben.

Operational differences that decide it

Preis und Benchmarks machen die Schlagzeilen. Diese Dinge entscheiden aber tatsächlich über die Wahl bei einem echten Einsatz.

• Concurrency. Flash erlaubt 2.500 gleichzeitige Anfragen, Pro erlaubt 500. DeepSeek veröffentlicht überhaupt kein RPM- oder TPM-Limit, Concurrency ist also das gesamte Rate-Limit-Modell, pro Account gezählt unabhängig vom Key, mit HTTP 429 oberhalb der Obergrenze. Für alles mit Fan-out-Charakter ist dieser 5-fache Unterschied entscheidend.
• Responses API. Nur bei Flash unterstützt, DeepSeek sagt, Pro-Unterstützung kommt Anfang August 2026. Der 0731-Build ist außerdem speziell für Codex angepasst.
• Offene Gewichte. Flash wird MIT-lizenziert mit ~167GB gemischtem FP4/FP8 ausgeliefert, mit 8 Finetunes und 57 Quantisierungen, die bereits veröffentlicht sind, sowie einem DSpark-Modul für spekulatives Decoding, das direkt in denselben Checkpoint eingebacken ist. Pro hat keinen eigenen öffentlichen Checkpoint. Wenn Lizenzierung der Grund ist, warum du hier bist, gibt Open-Source-Chatbot-Plattformen den breiteren Überblick.
• Versionierung. Der Flash-Alias folgt automatisch dem neuesten Build, was bedeutet, dass ein Benchmark, der "DeepSeek V4 Flash" zitiert, nicht das Modell sein muss, das du bekommst. Die Beschwerde eines Entwicklers über das Suffix ist hier beachtenswert: Fixiere -0731, wann immer du etwas zitierst.

What developers actually report

Die nützlichste Erklärung dafür, warum das kleine Modell bei agentischer Arbeit gewinnt, kam von einem Team, das beide getestet und dann nach dem Grund gesucht hat:

"DeepSeek V4 Flash is the most cost effective model we've tested. We had to really understand why it outperformed DeepSeek V4 Pro (although even on unreliable model cards, Flash was very close to Pro). Pro is slower and smarter in one-shot reasoning problems, but less effective with tools and therefore less performant in long horizon agentic tasks (especially with custom tools it was not trained on)."

gertlabs, Hacker News

Klüger im Ein-Schritt-Fall, schlechter mit Tools. Das passt fast genau zur Aufteilung der Benchmarks und ist das klarste gedankliche Modell, das ich für die Wahl zwischen den beiden gefunden habe.

Was Leute tatsächlich ausgeben, dazu zwei unaufgeforderte Belege aus dem Launch-Thread:

"I use deepseek for a lot of my personal day-to-day agent needs, and I will simply put this here and let this speak for itself, last 30 days:

Cost: $4.55USD

API requests: 3,467

Tokens: 323,183,886"

lionkor, Hacker News

Jemand, der beide Stufen zwei Wochen lang betrieben hat, berichtete, rund $1.50 pro Tag für Pro zu zahlen, und setzte den Abstand bei "~50% teurer als Flash" an. Das ist spürbar enger als das 3,11-Fache auf der Preistabelle, was starke Cache-Treffer plus eine niedrigere Pro-Token-Zahl mit einer echten Rechnung anstellen können. Die andere Anmerkung, die ich unterstreichen würde: Beide Stufen brauchen Betreuung, kleine Aufgaben, frische Sitzungen und manuelle Plausibilitätsprüfungen.

Die negativen Punkte sind konkret und wiederholen sich. Halluzination und verlorener Kontext kommen häufig vor:

"DeepSeek V4 hallucinates like crazy and often forgets explicitly mentioned parts of the context. I guess compressing tokens and cherry-picking attention comes at a cost."

storus, Hacker News

Artificial Analysis misst dasselbe von der anderen Seite. Flash 0731s AA-Omniscience-Halluzinationsrate liegt bei 84%, eine Verbesserung um 12 Punkte gegenüber seinem Vorgänger, getrieben von weniger Halluzinationen statt von höherer Genauigkeit. Und der Einwand, der jeden DeepSeek-Thread dominiert, hat überhaupt nichts mit Qualität zu tun:

"The model is fantastic. And costs almost nothing. The only problem I see is that they will train on your data. There are zero-data-retention providers of DeepSeek models, of which I have used openrouter (with zdr guardrails), and fireworks. But these are 3x to 5x more expensive than directly using DeepSeek, possibly due to poor caching."

bwfan123, Hacker News

Dieser letzte Punkt schreibt den gesamten Vergleich still um für alle, die Kundendaten verarbeiten. Bei einem Zero-Data-Retention-Anbieter wird aus Flashs Ausgabepreis von $0.28 etwa $0.84–1.40, was über Pros First-Party-Preis liegt. Die Preislücke zwischen Flash und Pro existiert nur bei der First-Party-API, und genau diese First-Party-API ist diejenige, die man nicht auf einen Support-Posteingang richten kann. Das ist der Punkt, an dem die meisten Teams aufhören, Token-Preise zu vergleichen, und stattdessen anfangen, nach Kundenservice-Automatisierung zu suchen, die die Frage der Datenaufbewahrung für sie löst.

What this changes if you point it at a support queue

Ich baue bei eesel Integrationen und Modell-Infrastruktur, deshalb ist das die Frage, die man mir am häufigsten stellt. Welches Modell sollte hinter dem KI-Agenten stehen? Nach mehr als drei Jahren, in denen wir KI in echten Support-Warteschlangen betrieben haben, lautet meine ehrliche Antwort, dass die Wahl der Stufe irgendwo auf Platz fünf der Liste der Dinge steht, die darüber entscheiden, ob es funktioniert.

Hier ist ein Beleg aus unseren eigenen Daten statt aus einem Benchmark. In einem kreuzvalidierten Test mit echtem Zendesk-Traffic, 284 Chats plus einer manuellen Prüfung von 100 Tickets bei einem europäischen E-Commerce-Team, erreichte die KI 93% Triage-Genauigkeit und 100% Spam-Erkennung ohne Fehlalarme bei den 22% des Posteingangs, die Spam waren. Die Entwurfsqualität war in 88% der Fälle in die richtige Richtung. Aber nur 12% der Entwürfe gingen unverändert raus, bei einer Fehlerquote von 7% bei Fakten. Als wir nachforschten, warum Agenten den Rest umschrieben: rund 65% waren Länge und Tonalität, rund 20% brauchten Daten, mit denen die KI nicht verbunden war, und nur rund 5% lagen daran, dass das Modell falschlag.

Diese 65/20/5-Aufteilung ist das ganze Argument. Vier Fünftel der Qualitätslücke ließen sich beheben, indem man mehr Systeme anbindet und mit den eigenen versendeten Antworten des Teams trainiert, und ein größeres Modell tut keines von beidem für dich. Auch die schlimmsten Fehler, die wir gesehen haben, waren überhaupt keine Intelligenzfehler. Wir hatten zahlende Kunden, deren Bot Antworten erfand, wenn die Wissensdatenbank-Suche nichts zurückgab, einer davon erfand Abo-Details für einen echten Kunden. Die Lösung dort war ein harter Fallback bei Retrieval-Fehlern, was eine Pipeline-Entscheidung ist und keine Frage der Parameterzahl.

Wenn die Wahl zwischen diesen beiden also für die Automatisierung von Support-Tickets getroffen wird: Nimm Flash, gib das gesparte Geld dafür aus, deine echten Datenquellen anzubinden, und lege dahinter einen ordentlichen Eskalationspfad.

Ein paar Dinge bewegen die Lösungsrate stärker als jedes Stufen-Upgrade, ungefähr in dieser Reihenfolge. Zuerst die Ticket-Klassifizierung richtig hinbekommen, sodass die KI nur das beantwortet, was sie soll. Dann einen echten Übergabepfad an einen Agenten für alles andere aufbauen. Und mit den eigenen Daten trainieren, insbesondere mit den versendeten Antworten des eigenen Teams, was laut unseren Testdaten die Übernahmequote unveränderter Entwürfe von 12% Richtung 30–40% bringen würde, ganz allein.

Dann gibt es die Einschränkung, die über all dem steht. DeepSeeks First-Party-API ist der Ort, an dem die günstigen Preise liegen, aber auch der Ort, an dem deine Tickets zu Trainingsdaten werden. Für Kundengespräche kalkuliert man realistisch also stattdessen mit einem Zero-Data-Retention-Anbieter. Das ändert die engere Auswahl, und unser Überblick zu KI-Kundenservice-Lösungen ist ein besserer Ausgangspunkt als eine Token-Preistabelle. Egal welchen Weg du gehst: Die Lösungsrate zu verbessern bleibt lange ein Datenproblem, bevor es überhaupt zu einem Modellproblem wird.

Try eesel

Willst du die Ökonomie des günstigen Modells, ohne deinen Posteingang auf den Benchmark von irgendjemandem zu verwetten? eesel klinkt sich in das Helpdesk ein, das du bereits nutzt, und lernt aus deinen bisherigen Tickets und deinem Hilfe-Center. Der Teil, der für diesen Beitrag zählt: Es lässt dich den Agenten gegen deine eigenen historischen Tickets simulieren, bevor ihn auch nur ein Kunde sieht. Du bekommst eine echte Lösungsrate zurück, plus eine echte Liste dessen, was er falsch gemacht hätte, mit deinen Daten und in deinem Ton, egal welches Modell gerade diesen Monat vorne liegt. Kostenlos zum Testen, und mit Preis pro gelöstem Ticket statt pro Sitzplatz.

Diese Simulationsgewohnheit gibt es wegen Narben, nicht wegen Marketing. Wir haben zugesehen, wie selbstbewusst klingende Bots falsche Antworten gaben, und den Rollout erst gegen historische Tickets laufen zu lassen, ist das Einzige, das es abfängt, bevor ein Kunde es tut. Wenn du vor der Entscheidung den breiteren Überblick willst, sind unser Überblick zu den besten KI-Agenten und die Liste der besten KI-Helpdesk-Software zwei gute Ausgangspunkte.

Which one I would pick

Für agentische Arbeit und Coding im August 2026: Flash, ohne zu zögern. Es ist 3,11-mal günstiger bei den Preisen, die man tatsächlich zahlt. Es schlägt Pro in jeder agentischen Zeile, die DeepSeek veröffentlicht, erzielt sechs Punkte mehr im unabhängigen Index, hat die 5-fache Concurrency, und ist von beiden das einzige mit offenen Gewichten plus Responses-API-Unterstützung. Es gibt heute keine Version dieses Vergleichs, in der Pro bei agentischer Arbeit gewinnt.

Für faktisches Erinnerungsvermögen, präzises Retrieval über einen sehr großen Kontext oder alles, bei dem selbstbewusstes Falschliegen teuer wird: Pro, und prüfe, ob du stattdessen auf Claude Opus 5 oder GPT-5.6 setzen solltest. Diese SimpleQA-Lücke ist groß genug, dass "nimm einfach das günstige" bei Wissensarbeit ein schlechter Rat ist, und Pros eigener Vorsprung gegenüber den westlichen Frontier-Modellen auf dieser Achse ist nicht offensichtlich.

Das Timing ist der Unsicherheitsfaktor. DeepSeek sagt, das V4-Pro-Update kommt, und dasselbe erneute Post-Training, das Flashs DeepSWE-Score von 7,3 auf 54,4 gehoben hat, wurde auf Pro noch nicht angewendet. Ein Kommentator hat die naheliegende Frage laut gestellt. Wenn das ein Zwölf-Monats-Commitment ist und keine Sprint-Entscheidung, ist das das Ereignis, auf das man achten sollte.

Es lohnt sich, das hier gleich mit dem Rest des Feldes zu vergleichen. Qwen 3.8 Max liegt bei $2/$6 und Kimi K3 bei $3/$15, beide liegen also bei jedem Maßstab deutlich über DeepSeek.

Wenn du direkte Duelle statt Preistabellen willst: Ich habe Qwen gegen Flash direkt gegenübergestellt, dazu Qwen gegen Kimi und Qwen gegen GPT-5.6.

Wer von der vorherigen Generation kommt: Unser Beitrag zu DeepSeek V3.2 liefert den Upgrade-Kontext, und Qwen 3.7 Flash ist der nächstliegende günstige Konkurrent dazu. Für die Harness-Schicht, die über jedem gewählten Modell liegt, sieh dir die besten KI-Coding-Assistenten an.