DeepSeek V4.1 Flash 1017: Gleicher Preis, kürzere Ausgaben. Sollten Sie wechseln?

Am Samstag, dem 17. Oktober 2026, hat DeepSeek das Modell hinter seinem API-Namen deepseek-flash durch einen neuen Checkpoint ersetzt, DeepSeek-V4.1-Flash-1017. Der Preis blieb unverändert, ebenso das Kontextfenster und die Aufrufmethode. Geändert hat sich das Modell: DeepSeek meldet zweistellige Zugewinne bei Terminal- und Programmierbenchmarks und gibt an, dass der neue Checkpoint Aufgaben schneller mit kürzeren Ausgaben abschließt.

Die kurze Antwort: Wenn Sie Coding-Agenten oder werkzeuglastige Workflows auf dem September-V4.1-Flash betreiben, sollten Sie wechseln. Sie zahlen pro Token denselben Preis und laut DeepSeeks eigenem Kostendiagramm deutlich weniger pro abgeschlossener Aufgabe. Wenn Ihr Workload wissensintensive Q&A-Anwendungen umfasst, ist der Fall schwächer, dort liegen Frontier-Modelle weiterhin vorne.

Auf AIHubMix hat der neue Checkpoint eine eigene ID, deepseek-v4.1-flash-1017. Ohne Änderung des Modellnamens bleibt Ihnen also alles unverändert.

Was sich geändert hat und was gleich geblieben ist

DeepSeeks Versionshinweis bezeichnet 1017 als „eine Pareto-Verbesserung bei Leistung und Kosten“, und die Hugging-Face-Modellkarte nennt es „ein kleines Update“. Beides trifft zu: Architektur und API-Oberfläche sind unverändert, das Post-Training dagegen ist neu (DeepSeek beschreibt „Reinforcement Learning mit Selbstfeedback zur Verbesserung der End-to-End-Projektentwicklung“).

Die alten Namen deepseek-v4-flash und deepseek-v4-flash-vision-exp funktionieren weiterhin über DeepSeeks API, und beide laufen nun auf 1017 zu Flash-Preisen. DeepSeek bietet keine Möglichkeit, den September-Checkpoint festzuschreiben. Wer deepseek-flash direkt aufruft, wurde daher bereits umgestellt.

Wo die Zugewinne liegen

Alle folgenden Zahlen stammen aus DeepSeeks Modellkarte und Changelog; unabhängig reproduziert wurden sie bisher von niemandem. The Decoder und Kingy.ai haben dieselbe Tabelle zusammengestellt und weisen auf denselben Vorbehalt hin.

Terminal-Bench 4.0 wurde im Claude-Code-Harness ausgeführt, DeepSWE im mini-SWE-v2.

Das Muster ist eindeutig: Die größten Sprünge zeigen sich bei langen Terminal-Sitzungen und beim Erstellen eines Programms von Grund auf, was dazu passt, wofür DeepSeek nach eigenen Angaben trainiert hat. Reparatur von Fehlern auf Repository-Ebene (DeepSWE, NL2Repo) und Vision haben sich um zwei bis drei Punkte verbessert.

Kürzere Ausgaben sind das eigentliche Upgrade

Der September-Checkpoint war für ein günstiges Modell teuer im Betrieb, weil er sehr viel redete. Als Artificial Analysis seinen Intelligence Index auf maximalem Aufwand auf ihm laufen ließ, erzeugte er rund 250M Ausgabe-Tokens, verglichen mit einem Median von 130M, und 62 % mehr als DeepSeeks eigenes V4 Pro 0813.

1017 zielt genau darauf ab. DeepSeeks DeepSWE-Diagramm (Kosten pro Aufgabe auf der x-Achse, wie The Decoder es ablas) verortet das September-Modell bei 74,2 % für etwa 0,50 $ pro Aufgabe, 1017 auf seiner höchsten Stufe bei 77,0 % für knapp unter 0,20 $ und 1017 auf der niedrigsten Stufe bei über 72 % für etwa 0,10 $. Da der Preis pro Token identisch ist, stammt nahezu die gesamte Einsparung daher, dass das Modell weniger Tokens verwendet und in weniger Schritten fertig wird.

Zwei Vorbehalte. DeepSeek hat nicht gesagt, wie viel kürzer die Ausgaben sind, und diese Kosten pro Aufgabe sind aus einem Diagramm des Anbieters abgelesen, nicht von einem Dritten gemessen. Testen Sie Ihren eigenen Workload, bevor Sie mit einer Einsparung von 60 % planen.

Wie nah es an die nächsthöhere Stufe herankommt

Innerhalb von DeepSeeks Produktpalette ist die nächsthöhere Stufe V4 Pro 0813, und 1017 hat diese bereits bei jedem agentischen Benchmark übertroffen, den DeepSeek für beide veröffentlicht (Terminal-Bench 4.0: 42,3 gegenüber 12,4; DeepSWE: 77,0 gegenüber 62,7). Dem widmet sich in dieser Reihe ein eigener Beitrag.

Gegenüber Frontier-Modellen ist das Bild gemischt. DeepSeeks Tabelle schlägt Claude Opus 5 bei DeepSWE, Automation-Bench, Agents' Last Exam und Apex, doch Opus 5 führt weiterhin bei Terminal-Bench 4.0 (51,8), ProgramBench (37,0), NL2Repo (75,3) und HLE (56,3). DeepSeek hat auch mit älteren Modellen verglichen: Opus 5.5, Sonnet 5.5 und die GPT-6-Generation fehlen in der Tabelle, und Google gibt separat für Opus 5.5 bei Terminal-Bench 4.0 einen Wert von 66,4 an.

Preis und tatsächliche Kosten

Spitzenpreise pro 1M Tokens, Cache-Miss. Spitzenzeiten sind werktags 01:00–04:00 und 06:00–10:00 UTC; alle anderen Stunden, Wochenenden und chinesische Feiertage sind außerhalb der Spitzenzeit zum halben Preis. Flash-Cache-Treffer kosten zur Spitzenzeit 0,006 $ bei DeepSeek und 0,0062 $ bei AIHubMix. AIHubMix bietet derzeit einen zeitlich begrenzten Rabatt von 30 % auf 1017; die hier genannten Zahlen verwenden Listenpreise.

Eine Agenten-Sitzung, durchgerechnet. Kein veröffentlichter Test liefert Token-Zahlen pro Aufgabe für 1017, daher verwendet dieses Beispiel angegebene Annahmen: eine Bug-Fix-Sitzung mit 40 Modellaufrufen, insgesamt 1,2M Eingabe-Tokens, von denen 90 % aus dem Cache bedient werden, und 60K Ausgabe-Tokens einschließlich Denken. Zu AIHubMix-Listenpreisen:

Rechnung für 1017 zur Spitzenzeit: 0,12M × 0,3098 $ + 1,08M × 0,0062 $ + 0,06M × 1,2392 $ = 0,118 $.

Dieselben Token-Mengen kosten beim September-Modell gleich viel, da der Preis identisch ist. Der Unterschied zeigt sich in den Token-Mengen selbst: Wenn 1017 für dieselbe Korrektur weniger Schritte und kürzere Antworten braucht, sinkt die Rechnung entsprechend. Batch-Arbeit außerhalb der Spitzenzeiten zu planen halbiert sie noch einmal.

Der Aufwand ist der andere Hebel. DeepSeeks V4.1-Flash-Paper ordnet die Stufen low, high und max der API internen Aufwandswerten 50, 75 und 100 zu und berichtet, dass der letzte Schritt zu max „Agenten-Trajektorien um das 1,6- bis 1,8-Fache verlängert für nur marginale Verbesserungen“. Starten Sie Agenten mit high, dem Standard, und reservieren Sie max für die schwierigsten Aufgaben.

Wo es nicht die beste Wahl ist

• Wissensintensive Fragen. HLE ohne Tools liegt bei 42,6, deutlich hinter Opus 5 (56,3) und unter Claude Haiku 5.5 (45,9, laut Anthropic). Reines Faktenwissen bleibt die Schwachstelle der Flash-Linie.
• Lange, schwierige Shell-Sitzungen. Terminal-Bench 4.0 mit 42,3 ist ein großer Sprung, doch Sonnet 5.5 (70,6) und Opus 5.5 (66,4) spielen bei diesem Benchmark in einer anderen Liga.
• Workloads, die ein eingefrorenes Modell brauchen. Bei DeepSeeks eigener API ist deepseek-flash ein rollierender Alias, und der September-Checkpoint lässt sich nicht festschreiben. Wenn Sie reproduzierbares Verhalten benötigen, rufen Sie eine datierte Modell-ID auf.
• Traffic, der komplett in die Spitzenzeiten fällt. Die Preise außerhalb der Spitzenzeit betragen die Hälfte der Spitzenpreise; ein Workload, der im Werktagsfenster 01:00–10:00 UTC liegt, zahlt den vollen Satz.

Wer sollte wechseln, wer sollte warten

• Jetzt wechseln: Coding-Agenten, Terminal-Automatisierung und Tool-Calling-Pipelines auf dem September-Flash. Gleicher Preis, bessere Ergebnisse und laut DeepSeeks Messung weniger Tokens pro Aufgabe.
• Nach einem Regressionstest wechseln: Produktions-Prompts mit strengen Ausgabeformaten oder Evaluierungssuiten. Kürzere Ausgaben können Parser brechen, die die bisherige Ausführlichkeit erwarten.
• Dabei bleiben oder sich anderweitig umsehen: wissensintensive Q&A und schwieriges Debugging, das ohnehin ein Frontier-Modell braucht. 1017 ändert daran nichts.

Auf AIHubMix ausprobieren

AIHubMix stellt 1017 über Chat Completions, die Responses API und Anthropic Messages bereit. Erstellen Sie einen Schlüssel und folgen Sie der Schnellstartanleitung, dann rufen Sie das Modell mit dem openai-SDK auf:

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ["AIHUBMIX_API_KEY"],
    base_url="https://aihubmix.com/v1",
)

resp = client.chat.completions.create(
    model="deepseek-v4.1-flash-1017",
    messages=[{"role": "user", "content": "Write a Python function that merges overlapping intervals."}],
    reasoning_effort="high",
    max_tokens=32000,
)
print(resp.choices[0].message.content)

In einem Testlauf am 19. Oktober akzeptierte AIHubMix low, high und max für reasoning_effort, und das Feld model jeder Antwort lautete deepseek-v4-1-flash-261017. So lässt sich bestätigen, dass der 1017-Checkpoint geantwortet hat. Das Denken ist standardmäßig aktiviert, und die Denk-Tokens zählen auf max_tokens, daher sollte der Wert großzügig sein; die Modellkarte empfiehlt mindestens 256K für lange Agentenläufe. Um beide Checkpoints nebeneinander zu sehen, öffnen Sie die AIHubMix-Vergleichsseite.

FAQ

Ist DeepSeek V4.1 Flash 1017 ein neues Modell oder ein Update?
Es ist ein aktualisierter Checkpoint von V4.1 Flash mit derselben Architektur, demselben Kontextfenster und derselben API-Oberfläche. DeepSeek nennt es ein kleines Update; die Zugewinne bei den Benchmarks stammen aus neuem Post-Training.

Hat sich der Preis mit 1017 geändert?
Nein. DeepSeek hat den Flash-Preis von 0,30 $ Eingabe und 1,20 $ Ausgabe pro 1M Tokens zur Spitzenzeit beibehalten, außerhalb der Spitzenzeit beträgt er die Hälfte davon. AIHubMix listet ihn zur Spitzenzeit mit 0,3098 $ und 1,2392 $, derzeit mit einem zeitlich begrenzten Rabatt von 30 %.

Welche Modell-ID verwende ich auf AIHubMix?
Verwenden Sie deepseek-v4.1-flash-1017. Der Name deepseek-flash gehört zur eigenen API von DeepSeek, wo er jetzt auf 1017 zeigt.

Kann ich auf DeepSeeks API weiterhin den September-Checkpoint verwenden?
Nein. DeepSeek hat deepseek-flash und die älteren Flash-Namen auf 1017 umgestellt und bietet keinen festgeschriebenen Namen für die September-Version an.

Wie viel kürzer sind die Ausgaben?
DeepSeek hat keine Zahl veröffentlicht. Sein DeepSWE-Diagramm legt nahe, dass die Kosten pro Aufgabe bei gleichem Preis pro Token von etwa 0,50 $ auf unter 0,20 $ gesunken sind, was auf deutlich kürzere Läufe hindeutet. Das ist jedoch eine Angabe des Anbieters.

Welchen Denkaufwand sollte ich verwenden?
Beginnen Sie mit high, dem Standard. Verwenden Sie low für einfache, latenzkritische Aufrufe und max nur für die schwierigsten Aufgaben, denn DeepSeeks eigenes Paper besagt, dass max Agentenläufe um das 1,6- bis 1,8-Fache verlängert, bei kleinen Gewinnen.

Ist 1017 besser als Claude Opus 5?
Bei einigen agentischen Benchmarks sieht DeepSeek es vorne, etwa bei DeepSWE und Automation-Bench. Opus 5 führt weiterhin bei Terminal-Bench 4.0, ProgramBench, NL2Repo und HLE, und neuere Frontier-Modelle waren nicht Teil von DeepSeeks Vergleich.

Weiterlesen: die Reihe zu DeepSeek V4.1 Flash 1017

• Eine bestehende Integration umstellen? Der Migrationsleitfaden behandelt den 400er-Fehler bei reasoning_content, den stillen Alias-Wechsel, die Abrechnung zur Spitzenzeit und die Einrichtung von Coding-Tools: Migration zu DeepSeek V4.1 Flash 1017: der reasoning_content-400-Fehler, der stille Alias-Wechsel und die Abrechnung zur Spitzenzeit
• Wollen Sie es mit Anthropics günstigstem Modell für Agenten-Aufgaben vergleichen? Der direkte Vergleich lässt beide Modelle an einer Terminal-Coding-Aufgabe antreten: DeepSeek V4.1 Flash 1017 vs. Claude Haiku 5.5: Welches günstige Modell eignet sich für Terminal-Coding-Agenten?
• Zahlen Sie noch für V4 Pro? Dieser Beitrag prüft, ob Flash es inzwischen überflüssig gemacht hat: DeepSeek V4.1 Flash 1017 vs. V4 Pro: Reicht Flash inzwischen aus?

Quellen

• DeepSeek-V4.1-Flash-1017 Release Note (DeepSeek)
• DeepSeek-V4.1-Flash-1017 Model Card (Hugging Face)
• DeepSeek V4.1 Flash 1017 auf AIHubMix (AIHubMix)
• Deepseek V4.1 Flash 1017 schlägt größere Konkurrenten bei agentischen Aufgaben (The Decoder)
• DeepSeek V4.1 Flash 1017 im Test: Spezifikationen, Benchmarks & Preis (Kingy.ai)