DeepSeek V4.1-Flash: ein Viertel Speicherbedarf für Agenten mit langen Kontexten
DeepSeeks neues Modell braucht im GPU-Speicher etwa ein Viertel des Vorgängers. Der API-Preis bleibt gleich, die Gewichte stehen unter MIT-Lizenz.
DeepSeek hat am 10. September 2026 mit V4.1-Flash eine neue Fassung seines schnellen Modells veröffentlicht. Die Ankündigung dreht sich nicht um einen höheren Benchmark-Wert, sondern um eine Zahl aus dem Betrieb: Das Modell belegt im GPU-Speicher für denselben Kontext nur noch etwa ein Viertel dessen, was der Vorgänger V4-Flash benötigte. Ausgelagert auf langsameren Speicher sind es rund ein Achtel.
Die Gewichte stehen auf Hugging Face unter MIT-Lizenz, das Modell lässt sich also selbst betreiben. Über die Schnittstelle von DeepSeek kostet es dasselbe wie die Vorversion.
Zwei Teile statt einem Block
V4.1-Flash hat 552 Milliarden Parameter, von denen jeweils nur ein kleiner Teil rechnet: 8 Milliarden beim Einlesen der Eingabe, 16 Milliarden bei der Ausgabe. Das Modell ist dafür zweigeteilt aufgebaut. Der erste Teil verarbeitet die Eingabe, der zweite baut auf diesem Ergebnis auf, statt den Text noch einmal von vorn durchzurechnen. Das Kontextfenster fasst bis zu einer Million Token, trainiert wurde auf 45 Billionen Token aus Text und Bildern.
Der Speichergewinn kommt aus zwei Richtungen. Zum einen speichert das Modell die Zwischenergebnisse bereits gelesener Textteile kompakter ab, zum anderen legt es sie im Format FP4 statt FP8 ab, was den Platzbedarf noch einmal halbiert. Gegenüber der ersten DeepSeek-Generation gibt der Anbieter den Speicherbedarf pro Token um den Faktor 437 reduziert an.
Warum dieser Zwischenspeicher die Rechnung bestimmt
Beim Verarbeiten eines langen Textes merkt sich ein Sprachmodell zu jedem bereits gelesenen Token Zwischenergebnisse, damit es sie nicht erneut berechnen muss. Dieser Zwischenspeicher liegt im teuersten Bauteil des Systems, dem Grafikspeicher, und er wächst mit der Länge des Kontexts.
Für Anwendungen mit kurzen Anfragen spielt das kaum eine Rolle. Sobald ein Agent aber über viele Schritte hinweg mitliest, ein ganzes Vertragswerk im Kontext hält oder eine Codebasis durchgeht, wird dieser Puffer zum begrenzenden Faktor. Er entscheidet, wie viele Vorgänge gleichzeitig auf einer Karte laufen, und damit über die Kosten pro Vorgang.
Nicht der Preis pro Million Token begrenzt lange Agentenläufe, sondern wie viele davon gleichzeitig in den Speicher einer Karte passen.
Für den Selbstbetrieb ist das die praktisch relevantere Größe. Wer bisher für lange Kontexte mehrere Karten zusammenschalten musste, kommt bei gleichem Kontext rechnerisch mit deutlich weniger Hardware aus.
Was die Messwerte hergeben
Im Programmiertest DeepSWE v1.1 erreicht V4.1-Flash 74,2 Prozent und liegt damit knapp vor Opus 5 von Anthropic und GPT-5.6 Sol von OpenAI. Auf dem Benchmark ProgramBench fällt das Ergebnis dagegen deutlich schwächer aus. Lücken zeigen sich außerdem bei wissenschaftlichen Aufgaben und bei der Bildanalyse.
Der Aufwand für das Nachdenken lässt sich in Stufen einstellen. Die höchste Stufe verbessert die Ergebnisse, kostet nach Angaben des Anbieters aber das 2,5-Fache an Token. Wie bei allen Herstellerangaben gilt: Die Werte stammen aus Testreihen, nicht aus dem eigenen Betrieb.
Was das für Ihr Unternehmen heißt
- Prüfen Sie zuerst, ob lange Kontexte Ihr Kostentreiber sind. Bei kurzen Anfragen ändert das Modell wenig. Bei Dokumentenverarbeitung, Recherche über viele Quellen oder mehrstufigen Agenten liegt genau dort der größte Posten.
- Selbstbetrieb wird für mehr Fälle rechenbar. Offene Gewichte unter MIT-Lizenz und ein geringerer Speicherbedarf senken die Einstiegshürde für den Betrieb im eigenen Rechenzentrum oder bei einem europäischen Anbieter.
- Messen Sie mit den eigenen Aufgaben nach. Ein starker Wert im Programmiertest sagt nichts über Ihre Belegverarbeitung. Eine Sammlung von fünfzig bis hundert typischen Fällen zeigt in wenigen Stunden, ob das Modell trägt.
- Trennen Sie Kosten- und Standortfrage. DeepSeek ist ein chinesischer Anbieter. Über die dortige Schnittstelle gelten andere Voraussetzungen als beim Betrieb der offenen Gewichte auf eigener Infrastruktur, und nur die zweite Variante lässt sich datenschutzrechtlich sauber gestalten.
Für Unternehmen, die KI bislang nur über fremde Schnittstellen einsetzen, verschiebt sich damit vor allem eine Größe: Der Punkt, ab dem sich ein eigener Betrieb rechnet, rückt näher. Wenn Sie wissen möchten, was Ihre Dokumenten- oder Agenten-Automatisierung heute pro Vorgang kostet und was ein selbst betriebenes Modell daran ändern würde, rechne ich das gern mit Ihnen durch.
