Die Kosten werden um das 100-fache gesenkt, Liang Wenfeng zieht Claude in die „Abschusslinie“

Laut einem exklusiven Bericht von Caijing hat DeepSeek die zweite Finanzierungsrunde wieder aufgenommen, plant eine Mittelbeschaffung von 500 Milliarden Yuan, eine Vorbewertung von etwa 5 Billionen Yuan und erwartet den Abschluss der Unterzeichnung Ende August.

Im Juni dieses Jahres hat DeepSeek gerade die erste Finanzierungsrunde von 500 Milliarden Yuan abgeschlossen, was den Rekord für die größte erste Finanzierungsrunde eines großen Modells im Land aufgestellt hat, mit einer Nachbewertung von über 3,5 Billionen Yuan. Nur zwei Monate später ist seine Vorbewertung um etwa 43 % gestiegen, und die kumulierte Summe nach Abschluss der beiden Finanzierungsrunden wird über 1 Billion Yuan überschreiten.

Die Zuversicht hinter dem sprunghaften Anstieg der Bewertung stammt von den Abrechnungsregeln von DeepSeek, die die Branchenregeln neu schreiben.

Die genaue Situation ist folgende: Das autoritative Modelltestmedium Artificial Analysis hat eine Reihe von gemessenen Daten veröffentlicht, bei denen mehrere gängige Modelle denselben Benchmark-Test durchlaufen wurden, um zu vergleichen, wer die niedrigsten durchschnittlichen Kosten hat.

Die Testergebnisse zeigen, dass DeepSeek V4-Flash den gesamten Benchmark-Test durchlaufen hat, und die durchschnittlichen Kosten für eine Aufgabe betragen nur 3 Cent.

Auf den ersten Blick mag diese Daten unbedeutend erscheinen, aber wenn man andere gängige Modelle zum Vergleich heranzieht, ändert sich alles. Denselben Benchmark entsprechend betragen die durchschnittlichen Kosten des Flaggschiffmodells Claude Fable 5 von Anthropic 3,15 USD, die von GPT-5.6 Sol 1,86 USD, und DeepSeek ist 100 Mal günstiger als Claude.

Und das sind nur die Geldkosten. Ein weiteres Merkmal von DeepSeek V4-Flash ist seine Geschwindigkeit. Nach den gemessenen Daten von Artificial Analysis beträgt die Ausgabegeschwindigkeit von DeepSeek V4 Flash (Modus Max Effort) etwa 113 Token pro Sekunde, während das gleichwertige Flaggschiffmodell Claude Opus 5 von Anthropic etwa 74 Token pro Sekunde erreicht, also etwa das 1,5-fache.

Das heißt, wenn DeepSeek alle Benchmark-Tests abgeschlossen hat, hat Claude erst die Hälfte geschafft.

Was ist der Preis dafür?

Um diese extreme Kosteneffizienz und Effizienz zu erreichen, hat DeepSeek V4-Flash bei dem Intelligenzniveau gewisse Kompromisse eingegangen. Die Daten von Artificial Analysis zeigen, dass V4-Flash bei dem Intelligenzindex 50 Punkte erreicht, was mit Googles Gemini 3.6 Flash gleichzieht und nur etwa 10 Punkte hinter den Flaggschiffmodellen liegt – Claude Opus 5 erreicht 61 Punkte und Fable 5 60 Punkte.

100 Mal günstiger, 2 Mal schneller und die Leistung ist um weniger als 20 % niedriger. Insbesondere für Unternehmen, die Modell-APIs beschaffen müssen, müssen diese Rechnungen möglicherweise neu berechnet werden.

1

In den letzten Jahren war die Preisgestaltung in der Branche großer Modelle einfach und grob: Man zahlt nach der Anzahl der durchlaufenen Token. Wie viel kostet eine Million Eingabetoken, wie viel kostet eine Million Ausgabetoken – die Hersteller legen den Preis fest, und die Nutzer zahlen entsprechend.

Aber diese Berechnungsmethode hat ein Problem: Sie vergleicht den „Preis des Rohmaterials“, nicht den „Preis des fertigen Produkts“.

Das ist wie im Restaurant essen zu gehen: Auf der Speisekarte steht „Reis 5 Yuan pro Pfund“, aber ich interessiere mich nur dafür, „wie viel eine Schüssel Reis kostet“. Token entsprechen dem Reis, die Aufgabe ist die Schüssel Reis. Selbst wenn der Reis sehr billig ist, beeinflusst die Technik zum Dämpfen des Reises immer noch den endgültigen Preis des Reises.

Die offizielle Preisgestaltung von DeepSeek V4-Flash beträgt 0,14 USD pro Million Eingabetoken und 0,28 USD pro Million Ausgabetoken. Bei der Preisgestaltung in RMB beträgt sie 1 Yuan pro Million Eingaben bei nicht getroffenem Eingabecache, 0,02 Yuan pro Million bei getroffenem Eingabecache und 2 Yuan pro Million Ausgaben.

Dieser Preis selbst gehört bereits zur niedrigsten Preisklasse der Branche. Aber das Problem ist: Niedrige Token-Preise bedeuten nicht niedrige Aufgabekosten. Wenn ein Modell mehr Token generieren muss, um dieselbe Aufgabe zu erledigen, kann ein niedriger Token-Einheitspreis zu einer teuren Rechnung führen.

Was Artificial Analysis getan hat, ist diese „Übersetzung“ durchzuführen. Sie vergleichen, „wie viel es kostet, denselben Benchmark-Test durchzulaufen“. Dieser Maßstab wird als „Kosten pro Aufgabe“ (Cost per Task) bezeichnet, der alle Variablen wie Token-Verbrauch, Inferenztiefe, Cache-Trefferquote und Denkzeit zusammenfasst und direkt eine endgültige Antwort gibt: Wie viel kostet es wirklich, eine Sache zu erledigen.

Aber das Problem taucht auf: Warum kann DeepSeek so billig sein?

Das V4-Flash-Modell hat insgesamt 284 Milliarden Parameter, aber bei jeder Inferenz werden tatsächlich nur 13 Milliarden aktiviert, weniger als 5 % der gesamten Parameteranzahl.

Aber das allein reicht nicht aus. V4 hat große Anstrengungen auf den Aufmerksamkeitsmechanismus verwendet und eine gemischte Architektur entworfen, bei der CSA (Compressed Sparse Attention) und HCA (Heavyweight Compressed Attention) abwechselnd angeordnet sind.

Der Kern dieser beiden Mechanismen besteht darin, Informationen unterschiedlicher Entfernung mit unterschiedlicher Genauigkeit zu speichern.

Zum Beispiel erinnert man sich sehr genau an Dinge, die vor wenigen Minuten passiert sind, und kann jedes Detail nennen; bei Dingen, die vor einigen Tagen passiert sind, erinnert man sich im Allgemeinen nur daran, was passiert ist, und die Details sind verschwommen; bei Dingen, die vor Monaten passiert sind, erinnert man sich möglicherweise nur an einen allgemeinen Eindruck.

CSA und HCA simulieren dieses Erinnerungsgesetz „nah klar, fern verschwommen“. Mit zunehmendem Kontext werden wichtige Informationen behalten und unwichtige Informationen vollständig gelöscht.

Bei einem Kontext von einer Million Token beträgt der Berechnungsaufwand pro Token von V4 Flash nur 10 % von V3.2, und der KV-Cache benötigt sogar nur 7 %. Je länger der Kontext ist, desto größer ist dieser Vorteil.

Aber die Architektur ist nur die Hälfte der Geschichte. V4-Flash hat von der Vorschauversion zur offiziellen Version eine „Vor-Ort-Aktualisierung“ durchgeführt.

Die Modelle dieser beiden Versionen haben keinen einzigen Parameter geändert, der einzige Unterschied liegt im Nachtraining.

Dahinter steckt eine einzigartige zweistufige Nachtrainingsmethode von DeepSeek.

Die erste Stufe heißt „fächerspezifische Ausbildung“. In Bereichen wie Mathematik, Code, Agent und Befehlsfolge werden jeweils separate Expertenmodelle trainiert. Jeder Experte legt zuerst mit überwachtem Fine-Tuning (SFT) den Grundstein und wird dann mit GRPO-Reinforcement Learning wiederholt verfeinert. GRPO ist ein Konzept, das Guo Daya während seiner Zeit bei DeepSeek in der Arbeit DeepSeekMath erstmals vorgestellt hat.

Der herkömmliche PPO-Algorithmus erfordert das zusätzliche Training eines Wertfunktionsmodells, was sowohl Videospeicher als auch Rechenleistung verbraucht. GRPO entfernt diesen Schritt direkt, indem es das Modell dazu bringt, mehrere Antworten auf dieselbe Frage zu generieren, und die relative Rangfolge innerhalb der Gruppe zur Bewertung des absoluten Werts verwendet, sodass das Modell mit sich selbst konkurriert und von sich selbst lernt. Das spart nicht nur die Trainingskosten, sondern verbessert auch die Ergebnisse.

Die zweite Stufe heißt „Vernetztes Beherrschen“. Mit On-Policy-Distillation werden die Fähigkeiten mehrerer Bereichsexperten wieder in dasselbe Modell zusammengeführt. Bei der Destillation werden die Ausgaben nicht einfach kopiert, sondern das Zielmodell generiert Daten unter seiner eigenen Policy-Verteilung und wird dann mit den Ausgaben des Expertenmodells korrigiert, um sicherzustellen, dass das zusammengeführte Modell nicht „das eine lernt und das andere vergisst“.

Früher sagte man, dass Modelldestillation bedeutet, zuerst ein Hochleistungsmodell Antworten generieren zu lassen und dann ein Niedrigleistungsmodell lernen zu lassen. Aber On-Policy-Destillation kehrt das um: Der Schüler löst zuerst selbst die Aufgaben, der Lehrer schaut zu und leitet ihn an. Der Schüler passt seine Denkweise sofort nach dem Feedback der verschiedenen Lehrer an und macht weiter. Nach dem Lösen einer Aufgabe geht er zur nächsten über und lernt während der Ausführung.

„On-Policy“ bedeutet, dass Schüler und Lehrer synchron sind und der Lehrer dem Schüler Echtzeit-Feedback gibt. „Policy“ bedeutet, dass er nicht die Antworten auf bestimmte Aufgaben lernt, sondern die Denkmethode „wie man denkt, wenn man auf Probleme stößt“.

Das Ergebnis ist, dass Terminal Bench 2.1 von 61,8 Punkten auf 82,7 Punkte gestiegen ist. Dieser Test misst die Fähigkeit des Modells, komplexe Befehlszeilenaufgaben in einer echten Terminalumgebung zu erledigen. Die Punktzahl übertrifft direkt die 72,1 Punkte der Vorschauversion des älteren Bruders V4-Pro und nähert sich den 85,0 Punkten des Anthropic-Flaggschiffs Opus 4.8.

Noch beeindruckender ist DeepSWE, ein Benchmark, der speziell die Fähigkeit zur Lösung echter GitHub-Issues testet. DeepSeek V4-Flash ist von 7,3 Punkten auf 54,4 Punkte gestiegen, was einem Anstieg von 645 % entspricht. Ein leichtes Modell der Flash-Klasse übertrifft in 9 Agent-Benchmark-Tests durchweg die Vorschauversion des hauseigenen Flaggschiffs Pro.

2

Der Preisunterschied von 100 Mal wird wahrscheinlich die Beschaffungslogik von Unternehmen für Modell-APIs verändern.

In den letzten Jahren war der Prozess der Modellauswahl durch Unternehmen wie die Auswahl von Lieferanten: Man vergleicht Parameter, Benchmark-Ergebnisse und Preise und wählt schließlich das „allgemein optimale“ aus. Die Voraussetzung für diese Denkweise ist, dass der Preisunterschied zwischen den Modellen nicht groß ist und alle in derselben Größenordnung liegen – natürlich wählt jeder das leistungsstärkste aus.

Aber nachdem Artificial Analysis die „Kosten pro Aufgabe“ vorgeschlagen hat, ist diese Voraussetzung zusammengebrochen.

Angenommen, ein Unternehmen verarbeitet täglich 1 Million API-Aufrufe. Mit Claude betragen die täglichen Kosten 31.500 USD, mit DeepSeek nur 300 USD. Nach einem Jahr beträgt der Unterschied 11,3 Millionen USD. Das ist nicht mehr nur eine Frage des Geldsparens, sondern eine Frage des Überlebens.

Insbesondere für Unternehmen, deren tägliche Betriebsabläufe Szenarien wie E-Commerce-Kundenservice, Code-Prüfung und Datenbereinigung umfassen, sind täglich 1 Million API-Aufrufe sehr üblich.

Daher ist das Kernproblem von Unternehmen nicht mehr „welches Modell wir verwenden“, sondern „wie man die Aufgaben dem am besten geeigneten Modell zuweist“. Diese Denkweise hat in der Branche einen Namen: Modell-Routing (Model Routing).

Die Logik des Modell-Routings ist einfach: Komplexe Aufgaben mit hohem Wert und hohen Kosten bei Fehlschlägen werden an Modelle mit hohem Oberlimit wie Claude Opus 5 oder GPT-5.6 übergeben, z. B. Architekturdesign in der automatischen Programmierung, kritische Analyse von Finanzberichten, Überprüfung von Klauseln in Rechtsdokumenten usw. Unternehmen zahlen für das Intelligenzniveau und die Erfolgsrate des Modells.

Allerdings sind die Anzahl dieser Aufgaben nicht sehr groß. Hauptsächlich führen fehlgeschlagene Aufgaben zu enormen Kosten für Unternehmen, sodass die Verwendung teurer Modelle eine vollkommen sinnvolle Investition ist.

„Arbeitsaufgaben“ wie die Stapelklassifizierung, die erste Code-Prüfung, die Datenbereinigung und risikoarme Agent-Aufgaben machen oft 80 % des Betriebs eines Unternehmens aus. Wenn man all diese also DeepSeek übergibt, ist jeder eingesparte Cent reiner Gewinn.

Laut der Unternehmens-KI-Umfrage von Menlo Ventures verwenden 37 % der Unternehmen bereits mehr als 5 Modelle in der Produktivumgebung. In der Wissenschaft gibt es ähnliche Schlussfolgerungen: Die RouteLLM-Studie des LMSYS-Teams (UC Berkeley, Anyscale), die auf der ICLR 2025 veröffentlicht wurde, fand heraus, dass intelligentes Routing die Kosten um 85 % senken kann, während 95 % der Qualität von GPT-4 beibehalten werden.

In den bereits veröffentlichten Branchenpraktiken liegt der Kostensenkungsgrad bei unterschiedlichen Aufgabenverteilungen und Routing-Strategien normalerweise zwischen 40 % und 85 %.

Die Qualität des Routings bestimmt direkt die KI-Kosten des Unternehmens. Ein Unternehmen mit einer groben Routing-Strategie kann 80 % der Aufgaben an Flaggschiffmodelle senden; während ein Unternehmen mit ausgefeiltem Routing möglicherweise nur 20 % der Aufgaben an Flaggschiffmodelle übergeben muss, und die restlichen 80 % an Modelle mit hoher Kosteneffizienz umgeleitet werden.

Zwei Unternehmen, die dieselben Dinge tun, können einen Unterschied der KI-Kosten um das 5- bis 10-fache haben.

Das ursprünglichste Routing ist die „statische Regel“. Zum Beispiel: Aufgaben der Kundenserviceabteilung verwenden billige Modelle; Aufgaben der Algorithmusabteilung verwenden teure Modelle. Oder Keyword-Matching: Wenn „Code“ erwähnt wird, wird ein mittelniedriges Modell verwendet, wenn „Analyse“ erwähnt wird, wird ein Flaggschiffmodell verwendet.

Diese Methode ist einfach und grob, aber ungenau. Oft kommt es zu Fehlzuordnungen: Einfache Aufgaben werden an teure Modelle übergeben, komplexe Aufgaben an billige Modelle, die sie nicht gut erledigen können und wiederholt werden müssen – was am Ende noch teurer ist.

Etwas fortgeschrittener ist die Verwendung eines Klassifikators. Zuerst wird ein kleines Modell trainiert, das speziell beurteilt, „welches Modell für diese Anfrage verwendet werden soll“. Wenn eine Anfrage eintrifft, durchläuft sie zuerst den Klassifikator. Wenn der Klassifikator sagt, dass sie einfach ist, wird sie an ein billiges Modell übergeben; wenn der Klassifikator sagt, dass sie schwierig ist, wird sie an ein teures Modell übergeben.

Diese Methode ist genauer als statische Regeln, hat aber immer noch Probleme. Der Klassifikator selbst kann Fehler machen, und er kann nur nach dem wörtlichen Inhalt der Anfrage beurteilen, ohne zu wissen, wie gut das Modell das Ergebnis tatsächlich liefert.

Noch fortgeschrittener heißt es „zuerst ausprobieren, dann aufstufen“. Egal welche Anfrage es ist, man lässt zuerst das billigste Modell ausprobieren. Wenn die Ergebnisqualität gut genug ist, wird es direkt verwendet; wenn die Qualität nicht ausreicht, wird es automatisch auf ein teureres Modell hochgestuft und neu ausgeführt.

Zum Beispiel kostet eine Aufgabe direkt mit Claude 3 USD. Mit DeepSeek zuerst ausprobieren kostet 3 Cent – wenn es erfolgreich ist, gewinnt man; wenn es fehlschlägt, verwendet man Claude, insgesamt 3,03 USD, was nur 1 % mehr kostet als die direkte Verwendung von Claude.