Es stellt sich heraus, dass dieses kleine Update von DeepSeek zwei mächtige Killerfeatures in sich birgt.

Heute hat mir eine KI-Forscherin eine Nachricht geschickt und gesagt, dass dies der beste Sommer seit ihrem Einstieg in die Branche ist.

Die offizielle Version von DeepSeek-V4-Flash wurde veröffentlicht, ihre Leistung übertrifft die vorherige V4-Pro-Preview.

Die Benchmark-Ergebnisse lassen sich sogar in derselben Tabelle mit Claude Fable 5 vergleichen.

Ein "leichtgewichtiges" Modell mit insgesamt 284 Milliarden Parametern und nur 13 Milliarden aktiven Parametern hat in mehreren Aufgaben das einst unerreichbare Opus 4.8 eingeholt.

Noch unglaublicher ist der Preis: Die Flash-Version ist unverschämt günstig, für 100 Millionen Tokens zahlt man nur 2 Yuan. Sie hat alle ihre laufenden Projekte optimiert und am Ende nicht einmal so viel ausgegeben wie für ein Milchtee-Getränk.

Gestern in der Entwicklergruppe hörten plötzlich alle auf, was sie gerade taten,

und fingen an, Screenshots von Bewertungen weiterzuleiten. Sie sagte, sie sei überglücklich

und habe das Gefühl, sich in einem goldenen Zeitalter der Menschheit zu befinden.

Niemand hätte erwartet, dass DeepSeek dieses Mal wieder eine große Überraschung parat hatte: Am Ende des Juli wurde die offizielle Version von DeepSeek V4 Flash veröffentlicht.

Ehrlich gesagt hat sich Shichao anfangs nicht allzu sehr für dieses Update interessiert...

Immerhin handelte es sich nur um ein Modell-Update unter dem Namen Flash, die Hauptreihe Pro wurde überhaupt nicht berührt.

Der letzte große Modellhersteller, der nur das Flash-Modell aktualisiert und das Pro-Modell unberührt gelassen hat, war Google – und inzwischen ist das zu einem beliebten Witz unter den Leuten geworden.

Wie soll ein weiteres Update des Flash-Modells jemals die Leistung des Pro-Modells übertreffen...?

?

??

Moment mal Kumpel, warum sind die Benchmark-Werte deines Flash-Modells sogar besser als die des Pro-Modells???

Ist das überhaupt noch ein Flash-Modell?

So funktioniert das nicht, DeepSeek. Große Sprachmodelle werden nicht so gespielt. Du solltest zuerst ein Flash-Modell veröffentlichen und sagen, dass es nur etwas schneller ist. Wie kommt es, dass dein Flash-Modell direkt das eigene Pro-Modell einholt, der Preis nur 2 Yuan pro Million Tokens beträgt und es zudem manchmal einen Rabatt von 10 % bei Cache-Treffern gibt? Am vergangenen Wochenende habe ich 100 Millionen Tokens genutzt und nur 5 Yuan ausgegeben.

Shichao hat die veröffentlichten Benchmark-Werte von V4 Flash zusammengestellt und festgestellt, dass die Fähigkeiten dieses Flash-Modells absolut beeindruckend sind.

Es übertrifft das eigene größere Modell Pro, auch wenn es noch nicht mit den Top-Modellen wie Claude Opus5, GPT-5.6 Sol und Kimi K3 mithalten kann.

Aber die offizielle Version von V4 Flash ist praktisch nur noch weniger leistungsfähig als diese wenigen Modelle.

Ein Netznutzer hat die Leistungen und Preise verschiedener großer Modelle gesammelt und in einer Tabelle zusammengefasst:

Jedes große Modell ist ein Punkt in der Tabelle: Je weiter links der Punkt liegt, desto günstiger ist das Modell; je weiter oben der Punkt liegt, desto besser ist seine Leistung.

Auf diese Weise erkennt man sofort, dass die allermeisten Modelle auf dem Markt eine ziemlich peinliche Position einnehmen.

Ihre Leistung ist nicht so gut wie die von DeepSeek, und ihr Preis ist sogar höher als der von DeepSeek.

Und die Modelle mit besserer Leistung als DeepSeek sind in einer nicht viel besseren Situation.

Denn ihre Preise sind einfach zu hoch.

Vielleicht haben unsere Freunde es nicht bemerkt: Die horizontale Achse in dem obigen Bild ist keine lineare Achse, sondern eine logarithmische Achse.

Aber wenn wir Geld für Modelle ausgeben, rechnen wir nicht so.

Also hat Shichao wieder das lange nicht genutzte Photoshop geöffnet, das Bild auf eine lineare Achse umgestellt und festgestellt, dass das tatsächliche Verhältnis so aussieht...

Das heißt, in Bezug auf die Leistung haben Modelle wie Claude Fable 5 und GPT-5.6 Sol gegenüber V4 Flash vielleicht eine Verbesserung von etwa 20 %.

Aber die Preise dieser Modelle sind möglicherweise um zwei Nullen höher als bei V4 Flash.

Übertrieben ausgedrückt kann man sagen, dass DeepSeek erneut die Grenzen für die Wettbewerbsfähigkeit von Modellen neu definiert hat.

Wie hat DeepSeek das dieses Mal geschafft? Architektur und Parameter des Modells haben sich kaum verändert, warum haben sich die Fähigkeiten des Modells plötzlich so stark verbessert?

Shichao hat die wissenschaftlichen Arbeiten und öffentlichen Materialien von DeepSeek durchgesehen und zwei Richtungen mit der höchsten Wahrscheinlichkeit gefunden.

Der allerwichtigste Punkt ist das Post-Training.

Das ist auch der Punkt, den das Unternehmen selbst als größten Unterschied zwischen der Preview-Version und der offiziellen Version nennt.

Für unsere Freunde, die sich nicht so gut mit großen Modellen auskennen, eine kurze Erklärung: Im Allgemeinen wird das Training großer Modelle in zwei Phasen unterteilt.

Die erste Phase heißt Vortraining.

Dabei füttert man das Modell mit riesigen Mengen an Text, Code und anderen Daten, damit es die grundlegende Fähigkeit erlernt, Fragen zu beantworten.

Der ganze Prozess ähnelt der Ausbildung eines Schülers der Oberstufe: Egal ob Mathematik, Sprachen, Naturwissenschaften, Gesellschaftswissenschaften, Musik, Kunst, Sport oder Informatik – Wissen aus allen Bereichen wird ihm vermittelt, um die grundlegenden Fähigkeiten des Modells zu verbessern.

Die zweite Phase, das Post-Training, dient dazu, die Fähigkeit zur praktischen Problemlösung zu trainieren.

In dieser Phase geht es hauptsächlich um das Üben von Aufgaben: Das Modell lernt durch wiederholtes Üben, seine Fähigkeiten für standardisierte Tests zu verbessern und Probleme zu lösen.

Forscher nutzen überwachtes Fine-Tuning, Reinforcement Learning und große Mengen an Aufgabendaten, damit das Modell Anweisungen versteht, Probleme zerlegt, Werkzeuge nutzt und Antworten gibt, die den Präferenzen der Menschen entsprechen.

Zwei Modelle, die nach demselben Vortraining erstellt wurden, können nach unterschiedlichen Post-Training-Übungen völlig unterschiedliche Leistungen zeigen.

In der früheren Arbeit zu DeepSeek R1 wurde erwähnt, dass sie V3 mit GRPO (Group Relative Policy Optimization) trainiert haben. Danach verbesserte sich die mathematische Fähigkeit des Modells drastisch, die Trefferquote im Testdatensatz AIME 2024 stieg direkt von anfänglichen 15,6 % auf 71 %.

Genauso war es auch bei OpenAIs InstructGPT damals.

Nach überwachtem Fine-Tuning und RLHF konnte ein Modell mit nur 1,3 Milliarden Parametern in blinden Bewertungen durch echte Menschen sogar GPT-3 schlagen, das mehr als 100 Mal so viele Parameter hat.

Wenn das Vortraining bestimmt, ob das Modell das entsprechende Wissen in seinem "Kopf" hat, dann bestimmt das Post-Training, ob das Modell die Fähigkeit beherrscht, dieses Wissen abzurufen.

Natürlich reicht das Post-Training allein vielleicht nicht aus, um die beeindruckenden Ergebnisse von V4 Flash vollständig zu erklären.

Wenn man die Veröffentlichungsmitteilung von DeepSeek genau durchliest, fällt noch etwas auf:

Ein Teil der veröffentlichten Benchmark-Ergebnisse wurde nicht direkt von dem "nackten" Modell erzielt.

Dafür wurde ein noch nicht veröffentlichtes Werkzeug namens DeepSeek Harness verwendet.

Das Wort "Harness" hat man in den letzten sechs Monaten schon oft gehört. Die derzeit beliebten Tools wie Claude Code, Codex und OpenClaw sind alle eine Art von Harness bzw. Agent-Tool.

Sogar Tools wie Workbuddy, Qoder und Trae, die man momentan oft sieht, zählen dazu.

Und jetzt steigt DeepSeek mit seinem eigenen Agent-Tool in den Wettbewerb ein.

Dieses Ereignis ist möglicherweise noch viel wichtiger als ein einfaches Modell-Update.

Denn im heutigen Zeitalter der Agenten hängt die Leistung eines Modells nicht mehr nur davon ab, wie intelligent das Modell selbst ist, sondern auch davon, welche Werkzeuge es umgeben.

Ein nacktes Modell ist wie ein Schüler im Prüfungsraum, der komplexe Probleme nur mit seinem eigenen Verstand berechnen kann.

Aber ein Agent stattet das Modell mit einer Suchmaschine aus, stellt ihm eine Ausführungsumgebung für Code zur Verfügung, verwaltet den gesamten Kontext des Projekts, überprüft die Ergebnisse der Projektausführung und kann sogar den Vorgang neu starten, wenn etwas schiefgeht.

Durch diese externen Werkzeuge, die dem Modell zusätzliche Fähigkeiten verleihen, kann die praktische Arbeitsfähigkeit der KI extrem gesteigert werden.

Anfang dieses Jahres hat