DeepSeek V4.1 Flash: Was sich gegenüber V4 Flash und V4 Pro ändert

DeepSeek-V4.1-Flash ist ein am 10. September 2026 veröffentlichtes multimodales Modell mit offenen Gewichten. Entscheidend ist dabei nicht allein die Größe: DeepSeek kombiniert ein Mixture-of-Experts-System mit 552 Milliarden Basisparametern, sparsame Aktivierung und einen deutlich kleineren KV-Cache. Das soll Inferenz mit extrem langen Kontexten praktikabler machen. 1735

Was sich für API-Nutzer ändert

Für neue Integrationen ist deepseek-flash die aktuelle Modellkennung für V4.1 Flash. Das Modell verarbeitet neben Text auch Bilder nativ. 1517

Die älteren Modelle V4 Flash und V4 Flash Vision Exp hat DeepSeek eingestellt. Die bisherigen Kennungen deepseek-v4-flash und deepseek-v4-flash-vision-exp werden aus Kompatibilitätsgründen vorübergehend weiter akzeptiert. Anfragen landen jedoch bei V4.1 Flash und werden zum Flash-Tarif abgerechnet. 1523

Bei V4 Pro ist die Lage anders: Frühere Berichte zur Umstellung gingen davon aus, dass dessen Traffic bis zum Erscheinen von V4.1 Pro auf V4.1 Flash umgeleitet würde. Im späteren offiziellen API-Changelog erklärt DeepSeek jedoch, V4 Pro auf Wunsch von Nutzern auch nach dem 14. September 2026 weiter als API anzubieten – bei unveränderter Abrechnung. Wer reproduzierbares Verhalten benötigt, sollte deshalb die aktuell dokumentierten Modellkennungen verwenden und Regressionstests durchführen, statt sich auf eine bestimmte Weiterleitung alter Routen zu verlassen. 1523

552 Milliarden Parameter – aber nur ein Teil ist pro Token aktiv

V4.1 Flash ist ein Mixture-of-Experts-Modell (MoE) mit 552 Milliarden Basisparametern. Bei diesem Ansatz wird nicht für jeden Token das gesamte Modell ausgeführt. Stattdessen aktiviert das System jeweils nur ausgewählte „Experten“.

DeepSeek gibt an, beim Einlesen eines Prompts, dem sogenannten Prefill, 8 Milliarden Parameter zu aktivieren; bei der Generierung der Ausgabe, dem Decoding, sind es 16 Milliarden. Zum Einsatz kommt eine von DeepSeek als Causal Encoder–Decoder bezeichnete Architektur. Das ist relevant, weil sehr lange Eingaben und sehr lange Ausgaben unterschiedliche Kosten bei der Inferenz verursachen. 1735

Eine sparsame Aktivierung garantiert allerdings nicht automatisch niedrige Kosten oder hohe Geschwindigkeit in jeder Umgebung. Hardware, Batching, Quantisierung, Serving-Software, Kontextlänge und Anfrageprofil spielen ebenfalls eine Rolle. Für das Effizienzversprechen des Modells ist sie dennoch zentral.

Warum das Kontextfenster von 1 Million Token vor allem eine Speicherfrage ist

V4.1 Flash unterstützt Kontexte mit bis zu einer Million Token. 35

Die praktische Hürde bei solchen Größenordnungen ist der Key-Value-Cache (KV-Cache). Darin speichert ein Modell Zustände der Aufmerksamkeit, die es für jeden weiteren generierten Token benötigt. Mit wachsendem Prompt und wachsender Antwort kann dieser Speicherbedarf zum limitierenden Faktor werden.

Laut Model Card leitet die Causal-Encoder–Decoder-Architektur den globalen KV-Cache des Decoders aus den finalen Hidden States des Encoders ab, statt ihn getrennt aus den Hidden States jeder Decoderschicht zu erzeugen. Zusammen mit Compressed Sparse Attention 2 und FP4-KV-Caching soll das den globalen KV-Cache auf etwa 890 Byte pro Token senken – ungefähr ein Viertel des entsprechenden Werts von DeepSeek V4 Flash. 3539

Das bedeutet nicht, dass jede Aufgabe mit einer Million Token automatisch günstig oder zuverlässig lösbar ist. Maximale Kontextkapazität ist nicht gleichbedeutend mit sicherem Wiederfinden von Informationen, korrektem Schlussfolgern oder konsequentem Befolgen von Anweisungen über den gesamten Eingabetext. Teams mit großen Codebasen, Dokumentensammlungen oder langen Agentenverläufen sollten Abrufqualität, Latenz und Kosten mit realistischen Testfällen prüfen.

Offene Gewichte und Self-Hosting

DeepSeek hat die Gewichte von V4.1 Flash auf Hugging Face unter der MIT-Lizenz veröffentlicht. Damit können Organisationen das Modell unter den Bedingungen dieser Lizenz herunterladen und selbst betreiben. 35

Das schafft eine Alternative zu reinen API-Modellen: Unternehmen können das Modell auf eigener Infrastruktur evaluieren und ihren Serving-Stack selbst kontrollieren. Die Bereitstellung wird dadurch nicht trivial – insbesondere bei einem Backbone mit 552 Milliarden Parametern. Sie eröffnet aber Spielraum für Self-Hosting und eigene Optimierungen.

Schlägt V4.1 Flash V4 Pro wirklich?

DeepSeek führt neue Pretraining-Verfahren und umfangreicheres Reinforcement-Learning-Post-Training als Gründe für bessere Benchmark-Ergebnisse an. Nach Angaben des Unternehmens liegt V4.1 Flash dabei vor Flaggschiffmodellen, einschließlich V4 Pro. DeepSeek verweist außerdem auf Tests mehrerer Parteien, die V4.1 Flash bei Leistung, Kosten, Geschwindigkeit und Gesamtlaufzeit vor V4 Pro sehen. 17

Das sind relevante Herstellerangaben, aber kein allgemeingültiges Urteil für jeden Einsatz. Benchmark-Ergebnisse hängen unter anderem von Aufgabenwahl, Prompting, Tool-Konfiguration, Bewertungsmethode und getesteter Modellversion ab. Vor einer Produktionsmigration sollten Teams beide Modelle mit den eigenen Erfolgskriterien vergleichen: anspruchsvolles Reasoning, Coding-Akzeptanzraten, Tool-Nutzung, multimodale Genauigkeit, Zuverlässigkeit, Sicherheitsmechanismen, Latenz und Gesamtkosten.

OpenRouter-Nutzung: starkes Signal, aber kein Weltmarktmaßstab

V4.1 Flash startet in einem Umfeld, in dem DeepSeek und andere chinesische Modellanbieter auf Routing-Plattformen bereits viel Nutzung verzeichneten. OpenRouter sortiert Modelle nach den über die eigene API verarbeiteten Prompt- und Completion-Token. In der Rangliste vom 13. September standen für DeepSeek V4.1 Flash 4,94 Billionen Token; DeepSeek V4 Flash 0731 lag bei 11,6 Billionen, V4 Flash 0423 bei 4,36 Billionen und Xiaomis MiMo-V2.5 bei 7,77 Billionen Token. 57

Frühere Momentaufnahmen zeigten zudem, wie schnell sich diese Ranglisten verschieben können: In einer August-Auswertung lag V4 Flash bei 7,1 Billionen wöchentlich verarbeiteten Token; neun der zehn meistgenutzten Modelle in dieser Rangliste stammten aus China. 50

Wichtig ist die Einordnung: Die Tokenzahlen von OpenRouter erfassen ausschließlich Traffic, der über OpenRouter läuft. Sie messen weder die weltweite KI-Nutzung noch Unternehmensinstallationen, Umsätze oder Modellqualität. Als Indikator für Nachfrage auf einer Entwicklerplattform sind sie nützlich – als Beleg für einen Sieg im Gesamtmarkt jedoch nicht.

Was Entwickler jetzt tun sollten

Der stärkste Grund, V4.1 Flash zu testen, ist die Kombination aus nativer Multimodalität, einem Kontextfenster von einer Million Token, offenen Gewichten und einer Architektur, die den Speicherbedarf langer Inferenzläufe reduzieren soll. 1735

Ein sinnvoller Migrationsweg:

1. Neue Flash-Integrationen auf deepseek-flash umstellen.
2. Alte Flash- und Vision-Exp-Kennungen nur als Kompatibilitätsrouten betrachten, nicht als stabile Modell-Pins.
3. V4.1 Flash und V4 Pro mit den eigenen Prompts und Erfolgskriterien vergleichen.
4. Langkontext-Abruf und Ende-zu-Ende-Latenz getrennt von der bloßen maximalen Kontextfenstergröße messen.
5. OpenRouter-Rankings als Nachfragesignal nutzen, nicht als Ersatz für Produktionsvalidierung.

Die technischen Angaben zu V4.1 Flash sind ambitioniert – insbesondere die 890 Byte globaler KV-Cache pro Token und das Design mit sparsamer Aktivierung. Wie relevant das Modell langfristig wird, entscheidet sich daran, ob sich diese Vorteile bei echten Entwickler-Workloads zuverlässig und wirtschaftlich zeigen.