DeepSeek V4.1 Flash kostet 36-mal weniger als Claude Opus 5 und zieht bei SWE-Benchmarks gleich
Eine Hacker-News-Diskussion fragt, warum die Branche kaum reagiert. Eine Rechnung zeigt: Bei bestimmten Workloads ist der Preisvorsprung tatsächlich relevant, bei anderen jedoch nicht.
Ein Beitrag mit dem Titel "Why isn't the industry freaking out about DeepSeek 4.1 Flash?" erreichte diese Woche auf Hacker News 715 Punkte und knapp 600 Kommentare. Eine berechtigte Frage. Rechnen wir es durch und schauen, ob die Aufregung gerechtfertigt ist.
Die Kurzfassung: Ja, sie ist gerechtfertigt, allerdings nur für eine bestimmte Art von Workload. Und nicht aus dem Grund, den die meisten denken.
DeepSeek V4.1 Flash ist am 10. September 2026 auf der offiziellen API live gegangen. Der API-Modellname lautet deepseek-flash.
Diese KV-Cache-Zahl ist der eigentliche Knüller. Long-Context-Agenten scheitern am Speicher, nicht an den FLOPs. Ein rund 4x kleinerer Cache ist es, was 1M-Token-Sitzungen wirtschaftlich sinnvoll macht.
Die Spitzenlast liegt zwischen 01:00 und 04:00 sowie zwischen 06:00 und 10:00 UTC, Montag bis Freitag. Plant eure Batch-Jobs entsprechend.
Vergleichen wir das nun mit Claude Opus 5 bei 5 Dollar Eingabe und 25 Dollar Ausgabe pro Million Tokens. Nehmen wir einen realistischen Agent-Lauf: 10M Eingabe-Tokens, 1M Ausgabe-Tokens.
Opus 5: 10 * 5 Dollar + 1 * 25 Dollar = 75,00 Dollar. V4.1 Flash (außerhalb der Spitzenzeit): 10 * 0,15 Dollar + 1 * 0,60 Dollar = 2,10 Dollar. Das ist rund 36x günstiger, bevor man Cache-Treffer einrechnet, die bei Agent-Loops den Großteil der Eingabe ausmachen und nur einen Rundungsfehler an den Kosten darstellen.
Lest diese Tabelle genau. Flash zieht bei agentischem Programmieren mit den Frontier-Modellen gleich. Bei anspruchsvollem Reasoning (HLE) und bei ProgramBench wird es dagegen deutlich geschlagen. Es ist kein besseres Modell. Es ist ein Modell, das in genau einer Schleife sehr gut ist: Code lesen, Tools aufrufen, editieren, Tests ausführen, wiederholen.
Und genau in dieser Schleife fließt der Großteil eurer Token-Ausgaben hin.
Die unter der MIT-Lizenz veröffentlichten Gewichte sind wichtig, weil sie begrenzen, was ein Hosting-Anbieter maximal verlangen kann, und weil sie euch einen Ausweg offenhalten. Sie bedeuten nicht "kostenlos". Für die meisten Teams lautet die Strategie: die gehostete API oder einen Drittanbieter nutzen (das Modell ist bereits auf OpenRouter verfügbar) und die Gewichte als Rückfalloption behalten.
from openai import OpenAI cheap = OpenAI ( base_url = " https://api.deepseek.com ", api_key = "... " ) def pick ( task ): # Long, tool-heavy, verifiable loops -> Flash if task. kind in { " fix_failing_tests ", " refactor ", " triage_logs ", " codegen_with_ci " }: return cheap, " deepseek-flash " # Ambiguous, high-stakes, or reasoning-heavy -> frontier return frontier_client, " claude-opus-5 " Faustregeln:
Weil es längst passiert ist. Alle sind gegenüber der Meldung "billiges chinesisches Modell erreicht Frontier-Niveau bei Benchmark X" taub geworden, nach den letzten Runden. Die Reaktionskurve hat sich abgeflacht, während die Preiskurve weiter gefallen ist.
Was die etablierten Anbieter aber eigentlich beunruhigen sollte, ist nicht der Score in der Schlagzeile. Es ist die Tatsache, dass die Kosten einer Einheit agentischer Programmierarbeit um mehr als eine Größenordnung gefallen sind und der Preisunterschied sich bei den automatisch überprüfbaren Aufgaben nicht mehr in einem Qualitätsunterschied niederschlägt.
Die Frontier-Labore gewinnen weiterhin dort, wo die Aufgabe schwer zu spezifizieren und schwer zu prüfen ist. Das ist ein echter Burggraben. Es ist aber auch ein schrumpfender Anteil der Tokens, die ihr kauft.
Messt eure eigene Workload. Und trefft die Entscheidung anhand eurer Rechnung, nicht eures Bauchgefühls.
Die Zahlen in diesem Beitrag stammen aus den Launch-Materialien von DeepSeek und aus früher Berichterstattung Dritter, Stand 9. Oktober 2026. Die Benchmarks sind vom Hersteller selbst angegeben und nicht verifiziert. Führt eure eigenen Evaluierungen durch.
Automatisch übersetzt. Das Original auf Englisch ist unten aufklappbar.
Original (Englisch) anzeigen
A post titled "Why isn't the industry freaking out about DeepSeek 4.1 Flash?" hit 715 points and nearly 600 comments on Hacker News this week. Fair question. Let's do the math and see if the freak-out is warranted.
Short version: it is, for one specific kind of workload. And not for the reason most people think.
DeepSeek V4.1 Flash went live on the official API on September 10, 2026. API model name: deepseek-flash.
That KV cache number is the sleeper. Long-context agents die on memory, not FLOPs. A ~4x smaller cache is what makes 1M-token sessions economically sane.
Peak is 01:00-04:00 and 06:00-10:00 UTC, Mon-Fri. Schedule your batch jobs accordingly.
Now compare with Claude Opus 5 at $5 in / $25 out per million tokens. Take a realistic agent run: 10M input tokens, 1M output.
Opus 5: 10 * $5 + 1 * $25 = $75.00 V4.1 Flash (off): 10 * $0.15 + 1 * $0.60 = $2.10 Enter fullscreen mode Exit fullscreen mode That is ~36x cheaper, before you count cache hits, which on agent loops are the majority of your input and cost a rounding error.
Read that table carefully. Flash ties the frontier on agentic coding. It gets crushed on hard reasoning (HLE) and on ProgramBench. It is not a better model. It is a model that is very good at one loop: read code, call tools, edit, run tests, repeat.
And that loop is where most of your token spend goes.
MIT-licensed weights matter because they cap what any hosting provider can charge and give you an exit route. They do not mean "free". For most teams the play is: use the hosted API, or a third-party host (it's already on OpenRouter), and keep the weights as your escape hatch.
from openai import OpenAI cheap = OpenAI ( base_url = " https://api.deepseek.com ", api_key = "... " ) def pick ( task ): # Long, tool-heavy, verifiable loops -> Flash if task. kind in { " fix_failing_tests ", " refactor ", " triage_logs ", " codegen_with_ci " }: return cheap, " deepseek-flash " # Ambiguous, high-stakes, or reasoning-heavy -> frontier return frontier_client, " claude-opus-5 " Enter fullscreen mode Exit fullscreen mode Rules of thumb:
Because it already happened. Everyone got numb to "cheap Chinese model matches frontier on benchmark X" after the last few rounds. The reaction curve flattened while the price curve kept dropping.
But the part that should bother the incumbents isn't the headline score. It's that the cost of a unit of agentic coding work just fell by more than an order of magnitude, and the gap in what you pay no longer maps to a gap in what you get on the tasks you can verify automatically.
The frontier labs still win where the task is hard to specify and hard to check. That's a real moat. It's also a shrinking share of the tokens you buy.
Measure your own workload. Then make the call with your invoice, not your vibes.
Numbers in this post come from DeepSeek's launch materials and early third-party coverage as of Oct 9, 2026. Benchmarks are vendor-reported and unverified. Run your own evals.