Am Abend des 17. Oktober 2026 hat das chinesische Unternehmen DeepSeek eine aktualisierte Version seines neuronalen Netzes veröffentlicht — DeepSeek-V4.1-Flash-1017. Hierbei handelt es sich formal um ein „kleines“ Update des V4.1-Flash-Modells, das Anfang desselben Monats erschienen ist, doch angesichts des Umfangs der Änderungen und der beanspruchten Ergebnisse ist es durchaus beachtlich: Die Entwickler haben die Fähigkeiten des Modells beim Programmieren, bei logischen Schlussfolgerungen und bei der Ausführung mehrstufiger Agentenaufgaben gestärkt sowie die Antwortlängen und die Abfrageausführungszeiten verkürzt. Die Modellgewichte wurden unter einer offenen MIT-Lizenz veröffentlicht, und in DeepSeek's Preisliste verweist der Name deepseek-flash nun gezielt auf Version 1017 — frühere Namen wurden abgeschaltet, sodass das Update automatisch über bestehende Tarife ausgerollt wurde.

Was sich in Version 1017 geändert hat

Den von den Entwicklern veröffentlichten Daten zufolge lag der Hauptschwerpunkt der Überarbeitung auf der Optimierung für KI-Agenten: Das Modell wurde darauf trainiert, Code eigenständig auszuführen, Fehler darin zu finden und zu beheben sowie prägnanter zu antworten. Zu diesem Zweck hat DeepSeek das Reinforcement Learning verstärkt — das neuronale Netz wird für präzise Lösungen ohne unnötige Erklärungen belohnt. Weniger Token in der Antwort bedeuten potenziell schnellere und günstigere Abfragen. Wu Yu, Leiter des Bereichs Post-Training im Unternehmen, bezeichnete das Geschehen als den Beginn einer Ära des Programmierens für jedermann und betonte den Fokus auf Entwicklungsgeschwindigkeit und die Arbeit mit Code.

Ergebnisse in Benchmarks

Den von DeepSeek veröffentlichten Ergebnissen zufolge hat das kompakte Modell Claude Opus 5 in mehreren Tests übertroffen. Bei DeepSWE 1.1 erzielte die Neuheit 77 % gegenüber 74 % bei Opus 5.0 (GPT-5.6 Sol liegt bei 73 %). Bei AutomationBench betrug das Ergebnis 60,5 % gegenüber 50,3 % bei Opus 5 und 45,8 % bei GPT-5.6 Sol, während es beim Apex Bench 72,1 % gegenüber 65,8 % erreichte. In der ursprünglichen Veröffentlichung wird zudem die Überlegenheit gegenüber einer Reihe anderer Modelle, einschließlich OpenAI-Lösungen, beansprucht. Wichtig ist, dass all diese Zahlen in den Materialien des Unternehmens selbst genannt werden: Details zur Vergleichsmethode und eine unabhängige Bestätigung der Ergebnisse wurden von den Entwicklern nicht veröffentlicht.

Architektur und Training

Die architektonische Grundlage der vorherigen Version wurde beibehalten: Das Modell verwendet Causal Encoder-Decoder, Compressed Sparse Attention 2, FP4-Quantisierung und SWA Bounded Replay. Die Änderungen betreffen vor allem die Phase des Post-Trainings und der Zielfunktionen und nicht die fundamentale Netzwerkstruktur. Dieser Ansatz ermöglicht es, die Inferenzgeschwindigkeit und die niedrigen Ausgabekosten beizubehalten und gleichzeitig die Qualität bei Agenten- und Programmieraufgaben zu verbessern.

Preis und Verfügbarkeit

Das Modell ist über mehrere Kanäle gleichzeitig verfügbar: auf der offiziellen DeepSeek-Website, in der mobilen App und über die API. Seine Gewichte wurden auf Hugging Face unter einer offenen MIT-Lizenz veröffentlicht — jeder Entwickler kann sie ohne Erlaubnis oder Lizenzgebühren herunterladen, ausführen und in ein kommerzielles Produkt integrieren. Der Preisliste zufolge enthält das Modell 763,2 Milliarden Parameter (ca. 510 GB an Dateien), und der Tarif beträgt 15 Cent pro Million Eingabe-Token außerhalb der Stoßzeiten und 60 Cent pro Million Ausgabe-Token; zu Stoßzeiten ist der Preis doppelt so hoch. Gemäß denselben Preiskategorien ist dies etwa 4,1-mal günstiger als das Pro-Spitzenmodell desselben Anbieters. In den ersten anderthalb Tagen nach der Veröffentlichung wurde die Modellkarte über 1.100 Mal geliked und die Gewichte wurden über 10.000 Mal heruntergeladen.

Einschränkungen und unabhängige Überprüfung

Der wichtigste Vorbehalt gegenüber der Behauptung der Überlegenheit über Claude Opus 5 und GPT-5.6 Sol besteht darin, dass die Ergebnisse in internen Tests von DeepSeek erzielt wurden und bisher nicht von unabhängigen Labors bestätigt wurden. Die Vergleichsmethode, die Zusammensetzung der Prompts und die Testbedingungen werden in den offenen Materialien nicht offengelegt, sodass diese Zahlen als vom Entwickler beanspruchte und nicht als verifizierte Fakten betrachtet werden sollten. Wenn sich die Ergebnisse in der Praxis bestätigen, bedeutet dies für Entwickler die Möglichkeit, das Programmieren und Agentenaufgaben mit einem deutlich günstigeren offenen Modell zu automatisieren, was das Machtgefüge im Segment der erschwinglichen LLMs verändern könnte.