Mithilfe der Pareto-Kurve definieren Großmodelle das Preis-Leistungs-Verhältnis neu?

DeepSeek hat offiziell die neue Version des großen Modells V4.1 Flash-1017 vorgestellt. Zuvor haben bereits öffentliche Daten seine technischen Indikatoren gezeigt. Diesmal veröffentlicht DeepSeek erstmals eigenständig die Pareto-Front-Kurve, um die umfassende Leistung des Modells in den Dimensionen Effizienz und Kosten anschaulich darzustellen.

V4.1 Flash-1017 erreicht in dieser Kurve ein branchenführendes Niveau: Die Gesamtkosten pro Aufgabe betragen nur ein Hundertstel bis ein Zwanzigstel der vergleichbaren Modelle wie Fable und Astra, und der Kostenvorteil übersteigt das Vierzig- bis Fünfzigfache.

Praktische Messungen zeigen, dass der Token-Verbrauch in den meisten Szenarien um mehr als 50 % gegenüber der Vorgängerversion gesunken ist, und das entsprechende TCO-Niveau wird ebenfalls synchron eine neue substanzielle Senkung erfahren.

Ein Update, das auf den ersten Blick wie eine kleine Versionsiteration aussieht, könnte die Art und Weise verändern, wie die gesamte Branche ihre Kosten berechnet.

Die Ära der Schnäppchenpreise ist vorbei, die Rechnungen sprechen jetzt

In den letzten zwei Jahren haben die inländischen großen Modelle einen extrem intensiven API-Preiskrieg erlebt.

Im Mai 2024 positionierte das Doubao-Großmodell seine Preisgestaltung auf „extremes Preis-Leistungs-Verhältnis“. Der Inferenz-Eingabepreis der Version des allgemeinen Modells pro-32k betrug 0,0008 Yuan pro Tausend Tokens, was 99,3 % unter dem Branchenpreis lag.

Anschließend veröffentlichte Alibaba Cloud eine Preissenkungsankündigung und senkte die Preise mehrerer kommerzieller und Open-Source-Modelle von Tongyi Qianwen drastisch. Darunter sank der API-Eingabepreis des kommerziellen Modells Qwen-Long, das mit GPT-4 vergleichbar ist, von 0,02 Yuan pro Tausend Tokens auf 0,0005 Yuan pro Tausend Tokens, was einem direkten Rückgang von 97 % entspricht; der Ausgabepreis sank von 0,02 Yuan pro Tausend Tokens auf 0,002 Yuan pro Tausend Tokens, was einem direkten Rückgang von 90 % entspricht.

Baidu Intelligent Cloud veröffentlichte ebenfalls eine Ankündigung, dass die beiden Hauptmodelle des Baidu-Wenxin-Großmodells, ENIRESpeed und ENIRELite, vollständig kostenlos sein werden, was sofort in Kraft tritt.

Die APIs der inländischen großen Modelle sind zeitweise in die „Cent-Ära“ eingetreten, und bei einigen leichtgewichtigen Modellen konnte man auf der Eingabeseite für 1 Yuan mehr als eine Million Tokens erwerben.

Es gibt jedoch starre Einschränkungen bei der grundlegenden Rechenleistung und den Inferenzkosten, sodass der Preis nicht unbegrenzt gegen Null konvergieren kann. Seit Mitte März hat der inländische Markt für Cloud- und KI-Rechenleistung eine strukturelle Preisvolatilität erlebt: Die Preise für Rechenleistungsinfrastruktur und einige Modell-APIs wurden angehoben, und die Preislogik der Branche beginnt sich zu differenzieren.

Am 18. März gab Alibaba Cloud bekannt, dass aufgrund des explosionsartigen Anstiegs der globalen KI-Nachfrage und der Preiserhöhungen in der Lieferkette die Beschaffungskosten für die Kernhardware der Branche deutlich gestiegen sind. Das Unternehmen beschloss, ab dem 18. April 2026 die Preise für Dienste wie KI-Rechenleistung und CPFS (Intelligent Computing Edition) anzupassen. Darunter stiegen die Rechenleistungskarten der XuanTie-Serie von Pingtouge um 5 % bis 34 %, und das Dateispeicherprodukt CPFS (Intelligent Computing Edition) stieg um 30 %.

Tencent Cloud hat den Eingabepreis des Modells Tencent HY2.0 Instruct um bis zu 463 % angehoben. Außerdem kündigte das Unternehmen an, ab dem 9. Mai die Preise für Produkte im Zusammenhang mit KI-Rechenleistung, Containerdiensten und elastischem MapReduce einheitlich um 5 % zu erhöhen. Baidu Intelligent Cloud kündigte an, ab dem 18. April die Preise für Produkte und Dienste im Zusammenhang mit KI-Rechenleistung um etwa 5 % bis 30 % anzuheben.

Auf dem ausländischen Markt hat Amazon AWS eine Preiserhöhung von 15 % für EC2-Instanzen durchgeführt, die für das Training großer Modelle verwendet werden, und der Preisanstieg der Top-Instanzen mit H200-Chips erreichte 15 %; Google Cloud kündigte sogar an, die Preise für KI-Recheninstanzen um 20 % bis 50 % anzuheben, und der Preisanstieg der CDN-Ausgangsbandbreite in einigen Regionen betrug bis zu 100 %.

Hinter den Preiserhöhungen steht eine klare Geschäftslogik: Es ist schwierig, einen positiven Bruttogewinn zu erzielen, wenn man sich auf kontinuierliche Subventionen stützt; gleichzeitig hat sich die Positionierung großer Modelle bei Unternehmenskunden geändert: Sie sind nicht mehr nur Werkzeuge zum Testen und Ausprobieren, sondern schrittweise in die Geschäftsketten eingebettete Produktionsressourcen.

Was die Wettbewerbslogik der Branche wirklich verändert hat, ist die Iteration der Aufgabenformen, die große Modelle übernehmen.

Wenn sich das Modell von der Beantwortung von Fragen zur geschlossenen Ausführung vollständiger Projekte wendet, ändert sich die Kostenstruktur entsprechend: Der Programmier-Agent muss den gesamten Prozess von Anforderungsanalyse, Tool-Aufruf, Code-Umschreibung, Testvalidierung und zyklischer Reparatur durchlaufen.

Praktische Messdaten der Branche zeigen, dass unoptimierte native Prompts ohne Standardisierung einen ineffizienten Token-Verbrauch von 30 % bis 55 % aufweisen, und langfristige häufige Aufrufe zu einer großen Verschwendung von Rechenressourcen und Kapital führen.

Nachdem der Spielraum für die Senkung des Einzelpreises ausgereizt ist, ist die Art und Weise, wie Geld ausgegeben wird, wichtiger als nur der einfache Blick auf den Token-Einzelpreis. Die Grundlage für den Wechsel der Hauptachse des Wettbewerbs bildet sich allmählich heraus, und eine Pareto-Kurve beginnt ebenfalls, die Bewertungsstandards der Branche für das Preis-Leistungs-Verhältnis neu zu gestalten.

Die Pareto-Front ist kein neues Konzept. Im Volksmund ist sie die optimale Grenze zwischen Leistung und Kosten: Jeder Punkt auf der Grenze folgt der Logik des Kompromisses – wenn man die Leistung weiter verbessern möchte, muss man höhere Kosten tragen; wenn man die Ausgaben senken möchte, muss man Leistungseinbußen akzeptieren.

Lösungen, die innerhalb der Grenze liegen, haben noch Raum für Pareto-Verbesserungen: Man hat die Möglichkeit, die Kosten zu senken, ohne die Leistung zu opfern, oder die Kosten nicht zu senken, sondern nur die Leistung zu steigern. Die Aktualisierung von DeepSeek ist im Wesentlichen eine typische Pareto-Verbesserung: Die neue Version nähert sich der Frontkurve und erreicht gleichzeitig eine Leistungssteigerung und einen Rückgang der Kosten pro Aufgabe.

Die übliche Vorgehensweise früherer Hersteller bestand meist darin, die Indikatoren getrennt darzustellen: Einerseits wurden Benchmark-Ergebnisse veröffentlicht, andererseits wurde die API-Preisliste separat angezeigt, und selten wurden beide in demselben Koordinatensystem umfassend abgewogen.

Das Besondere an diesem Schritt von DeepSeek ist, dass das Unternehmen als Modellanbieter aktiv die Leistungs-Kosten-Pareto-Frontkurve für kommerzielle Szenarien veröffentlicht und die umfassende Abwägungsbeziehung des Modells in den beiden Dimensionen Effizienz und Kosten anschaulich darstellt.

In dem von DeepSeek veröffentlichten Bewertungsdiagramm von DeepSWE v1.1 erreicht die neue Version eine maximale Erfolgsrate (Pass@1) von 77,0 %. Im Vergleich dazu liegt der Höchstpunkt der Vorgängerversion DeepSeek V4.1 Flash bei etwa 74 %. Die höchste Leistung der neuen Version tritt an der Stelle auf, an der die durchschnittlichen Kosten pro Aufgabe etwa 1,3 Yuan betragen, was deutlich niedriger ist als bei vielen ausländischen Modellen im Diagramm mit ähnlicher Leistung.

Die geschäftliche Bedeutung dieses Vorgangs geht weit über die günstigere Modellaufrufung hinaus. Die Festlegung der Kosten pro Aufgabe als Maßstab für den horizontalen Vergleich bedeutet im Wesentlichen, dass ein neues Bewertungsframework vorgelegt wird: Bei früheren B2B-Auswahlen wurde eher die Leistung in öffentlichen Benchmark-Listen bevorzugt, und dieses neue Framework wird die Einkäufer dazu anregen, die tatsächlichen Ausgaben für die Erreichung desselben Geschäftsziels zu vergleichen.

Diese Kurve wird jedoch vom Hersteller selbst gezeichnet: Der zugehörige Aufgabensatz, das Bewertungsframework DeepSeek Harness und die Regeln für die Inferenzstufen sind alle intern definiert. Ob der modellübergreifende Vergleich gültig ist und ob Dritte außerhalb des Unternehmens den Kostenunterschied von 1/100 bis 1/20 reproduzieren können, muss noch weiter validiert werden.

Zumindest derzeit ist sie eher eine offizielle Angabe des Herstellers als eine Schlussfolgerung, die von einer unabhängigen dritten Partei auditiert wurde.

Der Preis bleibt unverändert, die Rechnung schrumpft: Eine flexible Kostensenkung

Das interessanteste Design der Iteration von DeepSeek V4.1 Flash-1017 besteht darin, dass die externe API-Aufrufweise und das öffentliche Preissystem vollständig unverändert bleiben und keine Senkungen vorgenommen wurden.

Die Kostenvorteile, die das Modell bringt, wurden nicht durch die direkte Änderung der Preisliste freigesetzt, sondern sind in der grundlegenden Neugestaltung der Effizienz der Token-Nutzung verborgen.

In der Erklärung für kommerzielle Kunden fasst diese Iteration die Token-Optimierung in drei Mechanismen zusammen: aufgabenbewusste Kompression, dynamische Kontextkürzung und adaptive Dekodierungsstrategie; darunter liegen eine Reihe von technischen Kombinationen wie KV-Cache-Kompression, Kontextverwaltung und Dekodierungsplanung.

Praktische Messungen zeigen, dass der Token-Verbrauch in den meisten Szenarien um mehr als 50 % gegenüber der Vorgängerversion gesunken ist, und das entsprechende TCO-Niveau wird ebenfalls synchron eine neue substanzielle Senkung erfahren.

Dieses Modell kann als eine flexible Preissenkungsstrategie im Bereich der großen Modelldienste betrachtet werden: Der öffentlich angegebene Preis bleibt unverändert, aber die tatsächliche Aufrufrechnung, die Kunden für die Erledigung gleicher Aufgaben erhalten, kann schrumpfen. Im Vergleich zur direkten Senkung des API-Einzelpreises umgeht diese Strategie geschickt die mehrfachen Risiken, die mit einem direkten Preiskrieg einhergehen.

Erstens löst sie nicht direkt einen neuen öffentlichen Preiskrieg aus. Die direkte Senkung des API-Einzelpreises erzeugt einen transparenten Zahlenanker, der leicht nachvollzogen werden kann. Konkurrenten können schnell vergleichbare Preissenkungen vornehmen, und am Ende gerät die Branche leicht in eine Konkurrenz um niedrige Einzelpreise, was den Bruttogewinnsraum für alle zusammendrückt.

Die durch Effizienzoptimierung erzielte Kostensenkung hingegen liegt in der Aufgabenausführungskette verborgen und ist ein impliziter Vorteil auf der Ebene der Modelltechnik. Die Hürden für Konkurrenten, dies zu reproduzieren und zu verifizieren, sind höher.

Zweitens wird das bestehende Vertragspreissystem der Bestandskunden nicht beeinträchtigt. Für unterzeichnete Unternehmenskunden bleibt der öffentliche API-Einzelpreis unverändert, sodass die ursprünglichen Geschäftsbedingungen und Budgetberechnungsframeworks nicht neu angepasst werden müssen; die Kunden erzielen niedrigere tatsächliche Aufgabenkosten, ohne dies fast zu bemerken, was zur Stabilisierung der Kundenbindung beiträgt.

Aus einer tieferen Perspektive wechselt auch die Wettbewerbserzählung der Hersteller. Der Wettbewerbsvorteil ist nicht mehr auf das intuitive Label „Wie viel kostet jedes Tausend Tokens“ beschränkt, sondern wird zu einem zusammengesetzten Indikator, der sich aus der Aufgabenabschlussrate und den Kosten pro Aufgabe zusammensetzt. Der Schwerpunkt des Preisvergleichs in der Branche verlagert sich langsam vom Token-Einzelpreis zu den tatsächlichen Ausgaben, die letztendlich für die Erreichung gleicher Geschäftsziele getragen werden müssen.

Szenarien mit häufigen Aufrufen, Agent-Arbeitsabläufen, stapelweisen automatisierten Aufgaben und Diensten wie RAG (Retrieval-Augmented Generation) sind oft Bereiche mit hohem ineffizientem Token-Verbrauch. Das wiederholte Zurücksenden des Kontexts und die redundanten, ausführlichen Modellausgaben treiben die Gesamtkosten langfristiger Aufrufe ständig in die Höhe.

Der deutliche Rückgang des Token-Verbrauchs diesmal kann die Kostenstruktur solcher Geschäfte optimieren, die Umsetzungsgrenzen von Agent-Arbeitsabläufen erweitern und vielen automatisierten Geschäften die Möglichkeit geben, im Hinblick auf das Budget umgesetzt zu werden.

Als V4.1 Flash erstmals vorgestellt wurde, entschied sich DeepSeek damals, die API-Preise direkt zu senken und gleichzeitig ein Spitzen-Tarifsystem einzuführen, bei dem Aufrufe in Nebenzeiten zum halben Preis genutzt werden können. Bei der 1017-Version, die mehr als einen Monat später aktualisiert wurde, passt der Hersteller die öffentlichen Preise nicht mehr an, sondern gibt die Vorteile frei, indem er sich auf die technische Optimierung der Inferenzschicht und der Token-Kette stützt.

Diese Veränderung sendet ein bemerkenswertes Signal aus: Der Grenznutzen des direkten Preissenkungspfades nimmt ab, und der Schwerpunkt des Branchenwettbewerbs verlagert sich langsam von der Zahlenauseinandersetzung auf der Preisliste zu grundlegenden technischen Fähigkeiten wie Inferenzeffizienz und Token-Kettenoptimierung.

Das Geld, das man durch das Einsparen von Tokens spart, ist nicht umsonst

Die Kostenvorteile, die durch die Token-Effizienzoptimierung freigesetzt werden, haben klare Anwendungsgrenzen.

Szenarien mit relativ deutlichen Vorteilen konzentrieren sich auf Geschäfte mit häufigen Aufrufen, kurzem Kontext und strukturierter Ausgabe wie Programmier-Agenten, Agent-Arbeitsabläufe, RAG und Online-Kundenservice.

Der Kostenengpass solcher Szenarien liegt oft nicht an den grundlegenden Inferenzkosten des Modells selbst, sondern am ineffizienten Token-Verbrauch, der durch redundante Ausgaben und das wiederholte Zurücksenden des historischen Kontexts in mehrrundigen Dialogen entsteht. Technische Maßnahmen wie aufgabenbewusste Kompression und dynamische Kontextkürzung zielen genau auf dieses Problem ab, und der Hebeleffekt der Kostensenkung wird ausgeprägter sein.

Die Branche muss jedoch eine Realität erkennen: Die Kosteneinsparungen durch die Token-Kompression sind niemals kostenlos.

Wenn die vereinfachte Modellausgabe und die Kompression der Inferenzkette auf komplexe Inferenz, die Analyse extrem langer Dokumente und mehrstufige kettenlogische Aufgaben angewendet werden, treten potenzielle Risiken auf: Ist es möglich, dass die Kompressionsstrategie wichtige Details verliert und zu inkonsistenten Inferenzergebnissen führt?

Es ist schwierig, solche versteckten Gefahren durch die durchschnittliche Aufgabenabschlussrate abzudecken, die aus offiziellen Benchmark-Bewertungen stammt. Dass man in Testdatensätzen eine vereinfachte Ausgabe erzielen kann, bedeutet nicht,