Nach DeepSeek V4 Flash beginnen die großen KI-Modelle, sich im „Intelligenz-Effizienz-Verhältnis“ gegenseitig zu überbieten.

In der KI-Branche waren die Menschen bei der Auswahl von Modellen in der Vergangenheit etwas „oberflächlich“: man achtete nur darauf, wer einen höheren Intelligenzquotienten hat und wer den SOTA-Standard erreicht, selbst wenn es sich um einen „Player“ handelt, der dein gesamtes Guthaben an einem Tag aufbraucht – man stürzt sich sofort darauf.

Mit dem Aufkommen von Agenten hat sich die Situation komplett geändert. Sie müssen selbst Informationen suchen, Dokumente lesen, Code schreiben, Tests durchführen und bei Fehlern neu anfangen. Wenn du einen einfachen Befehl gibst, kann es sein, dass sie im Hintergrund hunderte von API-Aufrufen ausführen.

Aber KI arbeitet nicht kostenlos Überstunden für dich: Sie beginnt erst zu arbeiten, wenn das Geld eingegangen ist, und streikt, wenn du auch nur einen Cent zu wenig zahlst oder eine Sekunde zu spät kommst.

Zu diesem Zeitpunkt merkt man endlich, dass man nicht nur auf die „Oberflächlichkeit“ achten darf, sondern auch darauf, ob das Modell zuverlässig funktioniert. Es soll nicht nur die Arbeit hervorragend erledigen, sondern auch stabil und ausdauernd sein. Am wichtigsten ist, dass du mit ihm langfristig und vertrauensvoll zusammenarbeiten kannst.

Bei dem früher weit verbreiteten „Token-Maxxing“ ermutigten viele Unternehmen ihre Mitarbeiter, KI uneingeschränkt zu nutzen: Wer mehr Token verbraucht, erhielt eine bessere Leistungsbewertung. Aber wenn ein Agent zehntausende Runden pro Tag durchläuft, können selbst große Konzerne wie Microsoft das nicht mehr aushalten.

Vor einiger Zeit nach der Veröffentlichung von DeepSeek V4 Flash fingen die Menschen an, zu berechnen, wie viel KI-Leistung man für einen Euro bekommt. Kürzlich hat ein Nutzer mit V4 Flash für einen Euro ein komplettes Raumschiff generiert, was sofort zum Top-Thema in den sozialen Medien wurde.

DeepSeek V4 Flash wird als „Trennlinie der großen Modelle“ bezeichnet: Es ist nicht unbedingt das Stärkste in jedem Test, aber seine Fähigkeiten decken eine große Anzahl realer Aufgaben ab, und der Preis ist ausreichend niedrig.

Das lässt sich nicht einfach mit „Preis-Leistungs-Verhältnis“ zusammenfassen, wir nennen es lieber das Intelligenz-Effizienz-Verhältnis.

Wenn man es als Formel ausdrückt, ist der Zähler die tatsächliche Fähigkeit des Modells, Probleme zu lösen, und der Nenner die aktivierten Parameter, Token, Zeit und Kosten, die dafür aufgewendet werden.

APPSO hat bereits viele praktische Tests mit Modellen durchgeführt, bei denen immer die langsamsten Prompts verwendet wurden, um die Obergrenze der Fähigkeiten zu prüfen. Dieses Mal wollten wir einen anderen Weg ausprobieren: Wir geben der KI einen Euro und schauen, was sie damit für uns erledigen kann und ob sie langfristig für uns arbeiten kann.

Wie viel Arbeit kann KI für einen Euro erledigen

In diesen Tagen ist die Veröffentlichung von V4 Pro das am meisten beachtete Ereignis in der KI-Branche. Wir haben sein Schwestermodell DeepSeek V4 Flash Max verwendet, um eine inoffizielle Statusüberwachungsseite für die DeepSeek-API zu erstellen.

Das bedeutet nicht nur, eine Seite zu schreiben, die man öffnen kann: Ich habe verlangt, dass die KI selbst Informationen sucht, die Seitenstruktur festlegt, die Darstellung der Statusinformationen gestaltet und auch ein originelles zweidimensionales Maskottchen erstellt.

Schauen wir uns zuerst das Testergebnis an.

V4 Flash Max hat 25 Modellaufrufe durchgeführt, die Eingabemenge betrug 1,22 Millionen Token, die Ausgabemenge 66.995 Token – die Gesamtkosten beliefen sich auf 0,0758 US-Dollar, was wirklich schnell, gut und kostengünstig ist.

Kürzlich waren die Vorpremieren von Nolans „Odyssee“ restlos ausverkauft, und man muss viele Nachforschungen anstellen, um das passende Kino auszuwählen. Also haben wir diese Aufgabe erneut an DeepSeek V4 Flash übergeben.

Das Ergebnis von DeepSeek V4 Flash war sehr detailliert und bereits sehr aussagekräftig, aber das Design wirkte noch etwas unausgereift.

Dann haben wir Claude Sonnet 4.6 verwendet: Dieses Mal entsprach das Design tatsächlich besser zum Filmstil von „Odyssee“, aber aufgrund des höheren Stückpreises beliefen sich die Gesamtkosten auf 2,5 US-Dollar, was unser ursprüngliches Budget von einem Euro weit überstieg.

Also suchten wir weiter nach einem Modell, das bessere Ergebnisse liefert als V4 Flash und gleichzeitig günstiger ist als Sonnet 4.6.

Auf der „Intelligence Index“-Rangliste, die von der unabhängigen Modellbewertungsstelle Artificial Analysis veröffentlicht wurde, entdeckte APPSO, dass es neben V4 Flash noch viele neue Modelle gibt, die ein hervorragendes Kosten-Nutzen-Verhältnis aufweisen. Darunter befindet sich das Modell Ling-3.0-Flash, dessen Leistung die gleichwertigen Flash-Modelle mit 10B bis 15B aktivierten Parametern deutlich übertrifft.

Dieses Modell von Ant Group ist sehr unauffällig, sodass ich es kaum beachtet habe. Aber Ling-3.0-Flash erreicht im Intelligence Index eine Gesamtpunktzahl von 38 Punkten und liegt damit auf dem Niveau von MiMo-V2.5 (38 Punkte) und Qwen3.6 27B (38 Punkte).

Obwohl die Gesamtzahl der Parameter von Ling-3.0-Flash 124B beträgt, werden bei der Inferenz nur 5,1B Parameter aktiviert. Im Vergleich zu Qwen3.6 122B mit ähnlicher Größe beträgt die Anzahl der aktivierten Parameter nur die Hälfte.

Wenn man diese Punktzahl als „Arbeitsfähigkeit“ betrachtet, sind die aktivierten Parameter die Anzahl der Mitarbeiter, die die KI für jede Arbeit einstellen muss. Je näher das Modell in diesem Koordinatensystem an der oberen linken Ecke liegt, desto besser kann es „mit wenig Geld große Dinge erledigen“.

Aber Benchmark-Ergebnisse stellen nicht vollständig die tatsächliche Leistung dar, also haben wir Ling-3.0-Flash direkt die vorherigen Aufgaben noch einmal ausführen lassen.

Bei dem Test der inoffiziellen Statusüberwachungsseite für die DeepSeek-API hat Ling-3.0-Flash ebenfalls 25 Modellaufrufe durchgeführt, aber die Kosten sind deutlich niedriger: Ling-3.0-Flash kostete 0,0402 US-Dollar, was 40 % günstiger ist als DeepSeek.

Die Eingabemenge von DeepSeek betrug 1,22 Millionen Token, etwa 30 % mehr als die 940.000 Token von Ling-3.0-Flash. Die Ausgabemenge von DeepSeek betrug 66.995 Token, das 4,5-fache von Ling-3.0-Flash (14.752 Token).

Dieses Ergebnis hat uns etwas überrascht: Diese Art von Aufgaben zeigt sehr deutlich, wie empfindlich Hochfrequenz-Agenten auf die Antwortgeschwindigkeit von Modellen reagieren. Dass Ling-3.0-Flash V4 Flash Max übertreffen kann, wirkt fast wie ein Überraschungssieger.

Bei dem Beispiel des Kinoführers für „Odyssee“ hat Ling-3.0-Flash insgesamt 17 Minuten und 55 Sekunden gebraucht, im Hintergrund wurden 137 Anfragen protokolliert, insgesamt wurden 3,26 Millionen Token verbraucht, was 0,483 US-Dollar kostete.

Im Vergleich dazu hat Claude Sonnet 4.6 etwas weniger Zeit in Anspruch genommen, nämlich 16,1 Minuten, mit 14 Tool-Aufrufen und 1,1 Millionen verbrauchten Token – das scheint weniger zu sein, aber aufgrund des höheren Stückpreises beliefen sich die Gesamtkosten auf 2,5 US-Dollar, also das Sechsfache von Ling-3.0-Flash.

Aber Ling-3.0-Flash hat Sonnet 4.6 nicht vollständig übertroffen: In einigen Kinoempfehlungen gab es Fehler, zum Beispiel wurde das IMAX-70mm-Format empfohlen, das auf dem chinesischen Festland nicht verfügbar ist.

Aber zum Glück ist der Preis niedrig genug, sodass man die Aufgabe zwei- oder dreimal wiederholen kann, um die Probleme zu beheben – insgesamt ist es immer noch deutlich kostengünstiger.

Nach allen durchgeführten Tests stellen wir fest, dass Ling-3.0-Flash nicht das Modell mit der höchsten Intelligenzobergrenze ist, aber es eignet sich sehr gut für Stapelverarbeitung mit kurzen Eingaben und festen Feldern sowie für Agenten-Szenarien, die häufige API-Aufrufe erfordern.

Je größer die Anzahl der Aufrufe ist, desto deutlicher wird sein Vorteil. In der Ausführungsebene von Hochfrequenz-Agenten ist es definitiv ein Überraschungssieger.

Wie Jensen Huang sagte: „The more you buy, the more you save…“

Wie man im Agenten-Zeitalter Modelle mit hohem Intelligenz-Effizienz-Verhältnis auswählt

Nachdem du die vorherigen Tests gelesen hast, denkst du vielleicht: Lohnt sich dieser ganze Aufwand nur, um ein paar Euro zu sparen? Aber was passiert, wenn man diese Zahl mit Tausenden und Abertausenden multipliziert? Genau das ist der Alltag im Agenten-Zeitalter.

Die Einheit der KI-Leistung hat sich von einzelnen Dialogen zu vollständigen Arbeitsaufgaben gewandelt.

Daten von OpenAI zeigen, dass im Mai 2026 bereits 70,2 % der Nutzer mindestens eine Codex-Aufgabe eingereicht haben, die mindestens eine menschliche Arbeitsstunde erfordert, und 25,6 % der Nutzer haben mindestens eine Aufgabe eingereicht, die voraussichtlich mehr als acht menschliche Arbeitsstunden in Anspruch nimmt.

Die aktivsten 1 % der Nutzer erzeugen sogar täglich eine Codex-Agent-Laufzeit von über 60 Stunden. Ein Tag hat natürlich immer nur 24 Stunden – das bedeutet nur, dass mehrere Agenten gleichzeitig Überstunden machen.

Eine Aufgabe wird in Planung, Suche, Ausführung, Überprüfung und Nachbesprechung unterteilt. Ein einzelner Agent führt hundert aufeinanderfolgende Aufrufe durch, fünf Agenten arbeiten gleichzeitig.

Das ist auch der Grund, warum DeepSeek V4 Flash ein „Erdbeben“ im Silicon Valley ausgelöst hat: Clem, Mitbegründer von Hugging Face, gab an, dass die Kosten pro Aufgabe bei verschiedenen Modellen um etwa das 800-fache auseinanderliegen. Führende Flaggschiff-Modelle kosten durchschnittlich über 31 US-Dollar pro Aufgabe, während V4 Flash Max nur 0,04 US-Dollar kostet – das macht Open-Source-Modelle zur ersten Wahl für ein gutes Preis-Leistungs-Verhältnis.