DeepSeek vergleicht V4 Flash mit Opus 4.8 und verliert jede Zeile

DeepSeek hat am 31. Juli 2026 die offizielle Version von V4 Flash veröffentlicht [1], und die Launch-Grafik tut etwas Ungewöhnliches: Sie vergleicht das Modell in neun Benchmarks mit Claude Opus 4.8 und verliert jede einzelne Zeile [2]. Die Aufregung kommt trotzdem, und zwar über den Preis: 0,14 Dollar pro Million Input-Tokens und 0,28 Dollar pro Million Output [3], gegenüber 5 und 25 Dollar bei Opus 4.8 [4].

Das Modell ist drei Tage alt, während ich das schreibe, also ist nichts hier ein Praxisurteil. Stattdessen habe ich DeepSeeks Launch-Material, Anthropics eigene Zahlen zu Opus 4.8, die öffentlichen Ranglisten und die ersten unabhängigen Messungen durchgearbeitet, mit zwei Fragen im Kopf. Wie nah ist “nah an Opus 4.8”, wenn man die Fußnoten liest? Und was kostet dich ein Rabatt von 97 bis 99 Prozent tatsächlich?

Was genau ist am 31. Juli erschienen?

DeepSeek-V4-Flash-0731 ist die offizielle Version eines Modells, das seit dem 24. April 2026 in öffentlicher Preview lief [1]. DeepSeek erklärt, dass der neue Build Architektur und Größe der Preview beibehält und nur neu nachtrainiert wurde. Das Basismodell ist also unverändert, lediglich die letzten Trainingsphasen wurden wiederholt [1]. Technisch ist V4 Flash ein Mixture-of-Experts-Modell mit 284 Milliarden Parametern insgesamt, von denen 13 Milliarden pro Token aktiv sind, und es nimmt einen Kontext von einer Million Tokens an [5].

Die Gewichte liegen unter MIT-Lizenz auf Hugging Face, kommerzielle Nutzung und Selbsthosting sind damit uneingeschränkt möglich [2]. Auf der API-Seite hat DeepSeek den Build stillschweigend ausgetauscht: Der Modellname heißt weiter deepseek-v4-flash, und bestehende Integrationen liefen ohne Konfigurationsänderung auf die neue Version um [1]. Für Nutzer ist das bequem, für alle, die Ergebnisse zitieren, ist es lästig, denn “V4 Flash” bezeichnet jetzt je nach Messdatum zwei verschiedene Builds. Das Modell bietet einen Parameter für den Reasoning-Effort mit drei Stufen, low, high und max, statt eine separate Reasoning-Variante auszuliefern [2].

Und dann ist da die Preisliste, der Grund, warum dieser Release weit über die Modell-Beobachterszene hinaus Lärm gemacht hat. Nikkei Asia ordnete ihn in einen eskalierenden Preiskrieg bei KI-Modellen ein und berichtete, dass DeepSeek später Stoßzeiten-Preise einführen will [6]. DeepSeeks eigene Preisseite bestätigt den Plan: Sobald die Regelung greift, verdoppeln sich die Preise während der Stoßzeiten, was bislang nicht passiert ist [3]. Das größere Schwestermodell V4 Pro bleibt vorerst in der Preview, zu 0,435 Dollar für Input und 0,87 für Output, die offizielle Version ist als demnächst angekündigt [1] [3].

Input-Preis, Cache-Miss

0,14 $/MTok

Opus 4.8: 5 $

Output-Preis

0,28 $/MTok

Opus 4.8: 25 $

Kontextfenster

1M

max. Output 384K Tokens

aktive Parameter

13B

von 284B gesamt, MIT-Lizenz

Pro Million Output-Tokens kostet Opus 4.8 das 89-Fache von V4 Flash. Ob dieses Verhältnis eine Rolle spielt, hängt allein davon ab, wie viel Fähigkeit auf der anderen Seite steht, und genau das soll die Launch-Tabelle klären.

Wie nah ist es an Opus 4.8?

Nicht so nah, wie die kursierenden Zusammenfassungen nahelegen. Die Model Card auf Hugging Face vergleicht V4-Flash-0731 in neun Agenten- und Coding-Benchmarks mit Claude Opus 4.8, und Opus 4.8 führt jede Zeile [2]. Zwei der Abstände sind wirklich klein: ein halber Punkt bei Agents’ Last Exam und 2,3 Punkte bei Terminal-Bench 2.1. Andere sind groß: 15,5 Punkte bei NL2Repo und 12,1 bei DSBench-Hard.

Benchmark	V4 Flash 0731	Opus 4.8	GLM-5.2
Terminal-Bench 2.1	82,7	85,0 (Bester Wert der Zeile)	81,0
NL2Repo	54,2	69,7 (Bester Wert der Zeile)	48,9
Cybergym	76,7	83,1 (Bester Wert der Zeile)	-
DeepSWE	54,4	58,0 (Bester Wert der Zeile)	46,2
Toolathlon Verified	70,3	76,2 (Bester Wert der Zeile)	59,9
Agents' Last Exam	25,2	25,7 (Bester Wert der Zeile)	23,8
AutomationBench Public	25,1	27,2 (Bester Wert der Zeile)	12,9
DSBench FullStack	68,7	71,6 (Bester Wert der Zeile)	61,8
DSBench Hard	59,6	71,7 (Bester Wert der Zeile)	54,5

Die Tabelle zeigt ein durchgängiges Muster: V4 Flash liegt bei den Terminal-Aufgaben nah an Opus 4.8 und fällt deutlich zurück, sobald die Arbeit verlangt, ein Repository zu verstehen oder auszubauen. Gegen GLM-5.2, das andere chinesische Modell in der Grafik, gewinnt V4 Flash alle acht gemeinsamen Zeilen.

Fairerweise: DeepSeeks eigene Darstellung ist bescheidener als die Berichterstattung. Die Kernaussage der Card lautet, dass der neue Build die größere V4-Pro-Preview übertrifft, obwohl er weit weniger Parameter aktiviert [2]. Und einen Vergleich zu drucken, den man in jeder Zeile verliert, ist ehrlicher als die übliche Launch-Praxis, nur die Siege zu zeigen.

Der gewählte Gegner hat allerdings ein leises Problem. Opus 4.8 war Anthropics bestes verfügbares Modell, als es am 28. Mai 2026 erschien [7], aber zehn Wochen später steht es im Legacy-Abschnitt von Anthropics Modellliste [8]. Opus 5 kam am 24. Juli zum selben Preis von 5 und 25 Dollar, Anthropic verweist neue Projekte inzwischen dorthin, und Fable 5 steht über beiden [9]. Wer im August 2026 nah an Opus 4.8 herankommt, kommt nah an die Frontier vom Mai heran, und dasselbe Geld kauft heute ein stärkeres Claude-Modell.

Welchem Opus-4.8-Wert soll man glauben?

Das hängt davon ab, wer den Benchmark ausgeführt hat, und die Streuung ist groß genug, um den ganzen Vergleich zu verschlucken. DeepSeeks Harness misst für Opus 4.8 einen Wert von 85,0 auf Terminal-Bench 2.1 [2]. Die öffentliche Terminal-Bench-Rangliste führt Opus 4.8 in Claude Code mit 78,9 Prozent [10]. Anthropics eigene System Card meldet 74,6 Prozent, gemessen mit Effort high auf dem Terminus-2-Harness [7].

Daten als Tabelle anzeigen

Quelle	Wert
DeepSeek Harness, Effort max	85,0 %
Terminal-Bench-Rangliste, Claude Code	78,9 %
Anthropic System Card, Terminus-2, Effort high	74,6 %

Das ist eine Streuung von 10,4 Punkten für ein einziges Modell in einem einzigen Benchmark, und die 82,7 von V4 Flash liegen mittendrin. Je nachdem, welchen Opus-Wert du daneben legst, ist DeepSeeks Modell 2,3 Punkte dahinter, 3,8 davor oder 8,1 davor. Ein Vergleich, der alle drei Schlüsse gleichzeitig hergibt, ist kein Vergleich.

Die Streuung ist kein Hinweis auf Betrug. Jede Quelle nutzte einen anderen Aufbau: einen anderen Agenten-Harness, eine andere Effort-Stufe, andere Zeitlimits. Anthropics System Card merkt sogar an, dass Terminal-Bench langsame Endpoints bestraft, weil die Aufgaben gegen feste Zeitbudgets laufen [7]. Und auffällig: DeepSeeks Harness gab Opus 4.8 einen höheren Wert als Anthropics eigene Messung, DeepSeek hat den Konkurrenten also nicht kleingerechnet. Die Zahlen stammen schlicht aus Aufbauten, die sich nicht direkt vergleichen lassen.

Klären würde das erst ein Dritter, der beide Modelle durch denselben Harness schickt. DeepSeeks Zahlen stammen aus dem eigenen DeepSeek Harness, von dem ich keine veröffentlichte Version finden konnte, und bis zum 3. August 2026 habe ich keine unabhängige Reproduktion auch nur einer der neun Zeilen gefunden. Bis es eine gibt, ist die Launch-Tabelle eine Behauptung, keine Messung.

Was zeigen die ersten unabhängigen Zahlen?

Bislang existiert genau eine standardisierte Auswertung von dritter Seite. Artificial Analysis hat V4-Flash-0731 am 31. Juli mit 50 im eigenen Intelligence Index gemessen, zehn Punkte über der April-Preview und einen Punkt hinter GPT-5.6 Luna bei Effort max [11]. Auf derselben Rangliste standen am 3. August Gemini 3.6 Flash ebenfalls bei 50, GLM-5.2 bei 51, GPT-5.6 Terra bei 55 und Kimi K3 bei 57 [12]. Die unabhängige Einordnung lautet also Spitze der Budget-Klasse, nicht Frontier. Und weil Opus 4.8 in diesem Index nicht auftaucht, gibt es für den Opus-Vergleich überhaupt keine unabhängige Zahl.

Interessant werden die unabhängigen Daten auf der Kostenseite. Den kompletten Index durchlaufen zu lassen kostete Artificial Analysis 72,02 Dollar mit V4 Flash [13], gegenüber 176,34 Dollar mit DeepSeeks eigenem, größerem V4 Pro, das mit 44 sechs Punkte schlechter abschnitt [14]. Dass das kleine Modell sein großes Schwestermodell schlägt, war DeepSeeks zentrale Launch-Behauptung, und hier wird sie auf einem unabhängigen Harness bestätigt: bessere Ergebnisse bei 40 Prozent der Kosten.

Der Token-Verbrauch verdient einen eigenen Satz, weil der billige Tarif ihn versteckt. V4 Flash brauchte rund 206 Millionen Output-Tokens für den Index, 12 Prozent weniger als der April-Build [11], aber immer noch mehr als die 180 Millionen von V4 Pro [14]. Das Modell ist billig pro Token, nicht sparsam mit Tokens. Budgetschätzungen auf Basis der Token-Zahlen eines anderen Modells fallen also zu niedrig aus.

Zwei weitere unabhängige Messwerte runden das Bild ab. Auf GDPval-AA v2, einem Vergleich von Arbeitsaufgaben mit Präferenzabstimmung, erreichte der neue Build ein Elo von 1559, nach 1189 für die April-Preview [11], und die Halluzinationsrate im AA-Omniscience-Test verbesserte sich um 12 Punkte auf 84 Prozent, was ein Fortschritt von einem schlechten Ausgangspunkt ist, kein gutes Ergebnis [11]. Auf Arenas WebDev-Rangliste, wo Menschen über generierte Web-Apps abstimmen, hielt V4 Flash mit Effort high am 3. August Platz sieben mit einem Elo von 1577, gegenüber 1705 für Opus 5 Max an der Spitze [15]. Und eine Zahl fehlt schlicht: Als ich nachgesehen habe, existierte keine unabhängige Geschwindigkeitsmessung des 0731-Builds, jede kursierende Tokens-pro-Sekunde-Angabe gehört also zu einem älteren Build [16].

Was kaufen 0,28 Dollar pro Million Tokens in der Praxis?

Der Listenpreis ist nur der Anfang der Kostenrechnung. Gecachter Input kostet 0,0028 Dollar pro Million Tokens, ein Fünfzigstel des Cache-Miss-Tarifs [3], und Agenten-Workflows schicken in jedem Zug fast unveränderten Kontext erneut, sodass der Cache-Tarif die echte Rechnung dominiert. In die andere Richtung wirkt die angekündigte Stoßzeiten-Regelung: Sobald sie aktiv ist, verdoppeln sich die Preise während der Pekinger Geschäftszeiten [3]. Reseller machen das Bild noch unübersichtlicher: Zum Launch listete OpenRouter V4 Flash mit 38 Prozent Rabatt, rund 0,09 Dollar für Input und 0,17 für Output [17]. Falls dir 0,17 oder 0,18 Dollar als Output-Preis des Modells begegnet sind: Das ist die Reseller-Aktion, nicht DeepSeeks Liste.

Ein Vorbehalt gilt für jeden Token-Preisvergleich zwischen Anbietern in diesem Artikel. Anthropics Preisdokumentation erklärt, dass Claude-Modelle ab 4.7 einen Tokenizer verwenden, der für denselben Text rund 30 Prozent mehr Tokens erzeugt [4]. Preisverhältnisse pro Token zwischen Anbietern sind deshalb Näherungen. Ein Faktor 89 beim Output übersteht eine 30-Prozent-Korrektur mit reichlich Luft.

Die ersten Praxisberichte passen zur Preisrechnung. Auf Hacker News veröffentlichte ein Entwickler sein 30-Tage-Dashboard: 4,55 Dollar für 3.467 API-Anfragen mit 323 Millionen Tokens, mit dem Urteil, das Modell habe “bei Coding- und Review-Aufgaben überhaupt nicht enttäuscht. Für alles andere: nimm ein anderes Modell” [18]. Das ergibt im Schnitt etwa 0,014 Dollar pro Million Tokens, weniger als jeder Listentarif außer dem Cache-Treffer, der Großteil dieses Verkehrs muss also gecachter Input gewesen sein. Derselbe Nutzer beschreibt die Arbeitsweise, die das tragfähig macht: Das Modell ist schwach in Prosa, wird mit präzisen Anweisungen und Selbst-Review-Tooling deutlich besser, und “du musst trotzdem 100 % des Codes prüfen, als wollte es dir eine Versicherung verkaufen” [19].

Auch die Reibungsberichte decken sich. Ein anderer Kommentator stieß über OpenRouter auf ein enges Output-Token-Limit: Verrennt sich das Modell in eine lange Reasoning-Schleife, geht ihm der Platz aus, bevor es fertig wird. Sein Fazit trotzdem: Es habe “die Kimi-Modelle für mich ersetzt” [20]. Simon Willisons Test vom selben Tag zeigt auf die Einstellung hinter diesem Verhalten: Mit dem Standard-Reasoning-Effort war sein Ergebnis deutlich schlechter als mit high [21]. Die praktische Konfiguration nach drei Tagen an Berichten: mit Effort high laufen lassen, Aufgaben eng zuschneiden und ein stärkeres Modell oder einen Menschen auf dem Review-Platz behalten.

Das Kleingedruckte zum Rabatt

Der Benchmark-Vorbehalt zieht sich durch alles oben: Alle neun Zeilen der Launch-Tabelle hat der Anbieter selbst gemessen, auf einem unveröffentlichten Harness, und zwei der neun Benchmarks sind DeepSeeks eigene interne Testsets. Das ist ein Grund, auf unabhängige Agenten-Auswertungen zu warten, kein Grund, das Modell abzuschreiben.

Ein Vorbehalt anderer Art ist gemessen statt vermutet. CTGT, eine Forschungsfirma für Modellverhalten, stellte fest, dass V4 Flash bei China-sensiblen Fragen 45,45 Punkte stärker zensiert antwortet als bei strukturell identischen Kontrollfragen, getestet an selbst gehosteten Gewichten, um Filter des API-Anbieters auszuschließen [22]. Dieselbe Studie fand, dass ein aus V4-Flash-Ausgaben destilliertes Modell keine signifikante Spur dieses Verhaltens zeigte [22]. Wenn dein Produkt Fragen auch nur in der Nähe politisch heikler Themen beantwortet, gehört diese Messung in deine Evaluation, und sie ist eine Eigenschaft der Gewichte, nicht von DeepSeeks Hosting.

Zwei praktische Grenzen schließen die Liste ab. Das Modell nimmt Text an und gibt Text aus, ohne Bildeingabe [11], womit die screenshotgetriebenen Frontend-Schleifen wegfallen, auf die multimodale Agenten-Setups bauen. Und die offizielle API ist nur einer von mehreren Wegen: Dank der MIT-Gewichte [2] servieren OpenRouter und andere westliche Anbieter das Modell bereits [17]. DeepSeeks Endpoint, seine Datenjurisdiktion und die kommenden Stoßzeiten-Preise sind damit optional und kein Teil des Deals.

Die wirklich neue Information vom 31. Juli ist nicht, dass V4 Flash Claude schlägt; DeepSeeks eigene Tabelle sagt das Gegenteil. Es ist der Preis, zu dem das Modell verliert. Rund ein Prozent der Opus-Tarife für ein Modell dieser Klasse zu zahlen verändert, welche Aufgaben sich überhaupt zu automatisieren lohnen, noch bevor die Benchmark-Streitfragen geklärt sind. Mein nächster Schritt: das Modell mit Reasoning-Effort high auf mein übliches Test-Repository loslassen, ein stärkeres Modell auf dem Review-Platz behalten, und zur Herstellergrafik zurückkehren, falls irgendwann ein unabhängiger Harness alle diese Modelle unter denselben Bedingungen laufen lässt.