3 Cent vs. 3 Dollar pro Aufgabe: Gleichstand an der Spitze
Am 31. Juli 2026 ordnete die unabhängige Benchmark-Organisation Artificial Analysis das neueste Modell von DeepSeek in ihr „Frontier“-Ranking ein – direkt neben US-Spitzenmodellen, die ein Vielfaches kosten. Das Erstaunlichste an dieser Platzierung: Es ist mit Abstand das günstigste Modell in der gesamten Spitzengruppe. Vor ihm liegen Claude Opus 5 (61 Punkte) und GPT-5.6 Sol (59 Punkte), die jeweils 2 bis 3 US-Dollar pro Aufgabe berechnen. Das neue DeepSeek-Modell erreichte 50 Punkte bei Kosten von lediglich 3 Cent pro Aufgabe.
Zur Einordnung: Der Intelligence Index ist ein unabhängiges Benchmark-Verfahren, das reale Workloads auf KI-Modellen ausführt und dabei tatsächliche API-Kosten verursacht – allein für die Evaluierung dieses Modells fielen 72 US-Dollar an API-Gebühren an. Getestet werden anspruchsvolle Aufgaben wie das Schreiben von Produktionscode, Computerbedienung und komplexe mathematische Logik. Ein Wert von 50 Punkten platziert das Modell in der Spitzengruppe, gleichauf mit Gemini 3.6 Flash und auf Platz drei unter allen Open-Weights-Modellen.
Die Angabe „3 Cent pro Aufgabe“ basiert auf den durchschnittlichen Kosten für den Durchlauf des standardisierten Testsets. Für dieselben Aufgaben fielen bei Claude Opus 5 2,34 US-Dollar und bei Claude Fable 5 3,15 US-Dollar an. Das entspricht einem Kostenunterschied von mehr als zwei Größenordnungen (Faktor 100).
Abbildung: Vergleich des Artificial Analysis Intelligence Index. Der blaue Balken zeigt das neue DeepSeek-Modell, das mit 50 Punkten in die Spitzengruppe aufrückt. Quelle: artificialanalysis.ai
Dies ist kein kleines Update. Die Vorgängerversion vom April erreichte 40 Punkte; dieses Update bringt einen Sprung um 10 Punkte. Auf einer 100-Punkte-Skala, auf der oft Bruchteile von Punkten über Platzierungen entscheiden, ist ein Plus von 10 Punkten ein enormer Fortschritt.
Neben den Benchmark-Werten stechen zwei Spezifikationen hervor: Ein Kontextfenster von 1 Million Token (entspricht etwa 1.500 DIN-A4-Seiten), mit dem ganze Finanzberichte oder Code-Repositories verarbeitet werden können, sowie die vollständige Veröffentlichung der Modellgewichte unter der Open-Source-Lizenz MIT. Ein Modell, das gleichzeitig extrem günstig, quelloffen und leistungsstark ist, stellt eine seltene Kombination im Markt dar.
Warum es günstig und leistungsfähig ist: Drei architektonische Gründe
Der erste Grund liegt in der Neugestaltung des Post-Trainings. Die Entwicklung großer Sprachmodelle unterteilt sich in zwei Phasen: das Pre-Training auf riesigen Datenmengen zur Vermittlung von Basiswissen und das anschließende Post-Training mit kuratierten Daten zur Verfeinerung von Antwortstrategien und Befehlstreue.
DeepSeek behielt die Parameteranzahl und die Grundarchitektur unverändert bei und gestaltete ausschließlich das Post-Training neu. Durch den Verzicht auf die kostenintensive Pre-Training-Phase entfiel der größte Ausgabenblock. Dieser Ansatz ermöglichte den Leistungszuwachs um 10 Punkte bei minimalen Zusatzkosten.
Abbildung: Durchschnittliche Kosten pro standardisierter Aufgabe. Das neue DeepSeek-Modell kostet nur 3 Cent und ist damit 100-mal günstiger als die teuerste Alternative. Quelle: artificialanalysis.ai
Der zweite Grund ist die Sparse Mixture-of-Experts (MoE) Architektur. Das Modell umfasst insgesamt 284 Milliarden Parameter, aktiviert jedoch pro Anfrage nur 13 Milliarden Parameter. Anstatt bei jeder Inferenz das gesamte Modell zu durchlaufen, wählt der Routing-Mechanismus gezielt die jeweils relevanten Experten-Subnetzwerke aus.
Dies bietet einen zweifachen Vorteil: Das Gesamtwissen bleibt gewaltig, während der aktive Rechenaufwand und der Stromverbrauch pro Anfrage gering bleiben. DeepSeek nutzt und verfeinert diese MoE-Architektur seit mehreren Modellgenerationen.
Der dritte Grund ist das offene Ökosystem. Dank der MIT-Lizenz können Cloud-Anbieter und Reseller weltweit das Modell auf eigener Infrastruktur betreiben. Durch den weltweiten Betrieb auf unterschiedlichen Plattformen sinken die Infrastrukturkosten pro Anfrage durch Skaleneffekte weiter.
Die offizielle API-Preisgestaltung von DeepSeek liegt bei 0,14 US-Dollar pro Million Eingabe-Token (bzw. 0,003 US-Dollar bei Cache-Hits). Dieser Preispunkt wird durch zeitgleiche Optimierungen in Architektur, Trainingsmethodik und Open-Source-Ökosystem erreicht.
Der Schlagabtausch mit den US-Branchengrößen
Die Ankündigung löste auf Hacker News eine intensive Diskussion aus, verstärkt durch eine bemerkenswerte zeitliche Überschneidung. Nur einen Tag zuvor hatte OpenAI eine offizielle Grafik veröffentlicht, die den eigenen Anspruch unterstrich, die „Preis-Leistungs-Grenze“ im KI-Sektor anzuführen. Bereits am Folgetag trugen Entwickler die Datenpunkte des neuen DeepSeek-Modells in diese Grafik ein: Es landete exakt auf der von OpenAI definierten Leistungskurve.
Abbildung: Von der Community ergänzter Datenpunkt des neuen DeepSeek-Modells in der offiziellen „Price-Performance Frontier“-Grafik von OpenAI. Quelle: files.parasmittal.com
Der Begriff „Frontier“ bezeichnet im KI-Bereich die leistungsfähigste Modellklasse, die bisher überwiegend von US-Unternehmen dominiert wurde. Während die Preise für Spitzenmodelle in den letzten zwei Jahren hoch blieben, demonstriert der Neueinsteiger, dass vergleichbare Leistungen zu einem Bruchteil der Kosten angeboten werden können.
Der entsprechende Thread auf Hacker News erzielte innerhalb kurzer Zeit über 500 Punkte und fast 300 Kommentare. Für Entwickler bedeutet ein Kostenunterschied vom Faktor 100, dass komplexe agentische Workloads ohne drastische API-Budgetbeschränkungen ausgeführt werden können.
Extrem günstig, aber die Gesamtrechnung bleibt komplex
In den Entwicklerforen berichteten Nutzer von ihren Praxiserfahrungen: Ganztägige Programmiersitzungen über die direkte DeepSeek-API verursachten Kosten von nur wenigen Cent. Ein drastisch reduzierter Token-Preis verändert das Nutzungsverhalten grundlegend, da Entwickler experimentierfreudiger vorgehen können.
Allerdings wurden auch Einschränkungen diskutiert. Bei der Nutzung über Hosting-Plattformen wie Fireworks oder OpenRouter, die explizite Garantien zur Vermeidung von Datenspeicherung („Zero Data Retention“) bieten, fallen die Kosten durch abweichende Caching- und Abrechnungsmodelle höher aus. Datenschutzkonforme und isolierte Infrastrukturen verursachen zusätzlichen Aufwand.
Zudem wird in der Fachwelt darüber debattiert, inwieweit die niedrigen API-Preise des Herstellers durch strategische Faktoren beeinflusst sind. Während die geringen Betriebskosten unbestritten sind, bleiben Diskussionen über langfristige Margen und Geschäftsmodelle bestehen.
Was der Preiskampf für Entwickler und Anwender bedeutet
Auch Anwender, die keine direkten API-Schnittstellen nutzen, spüren die Auswirkungen im Software-Ökosystem. KI-Assistenten in Smartphones, Office-Anwendungen und Werkzeuge zur Dokumentenanalyse setzen im Hintergrund zunehmend auf kosteneffiziente Modelle.
Dass viele Anwendungsanbieter im vergangenen Jahr Nutzungslimits gelockert haben, ist primär auf sinkende Inferenzkosten im Backend zurückzuführen. Wenn die Modellbereitstellung günstiger wird, können Entwickler den Endnutzern höhere Kontingente und größere Kontextfenster zur Verfügung stellen.
Für Entwickler und Unternehmen ergibt sich daraus die klare Empfehlung, die Modellauswahl stetig zu hinterfragen. Für alltägliche Recherche- und Programmieraufgaben bietet ein Modell mit Kosten von 3 Cent pro Aufgabe eine Leistung, die der von 3-Dollar-Spitzenmodellen in vielen Szenarien nahekommt. Der Wettbewerb um maximale Kosteneffizienz in der KI-Branche bleibt weiterhin dynamisch.
Weiterführende Links:
- Artificial Analysis: DeepSeek V4 Flash 0731 Intelligenz-, Leistungs- und Preisanalyse
- HN-Diskussion: Veröffentlichung der DeepSeek V4 Flash 0731 Benchmarks (511 Punkte / 282 Kommentare)
- OpenAI Offizieller Blog: Pushing the Price-Performance Frontier (Veröffentlicht am 30. Juli)
- OfficeChai: DeepSeek V4 Flash 0731 bietet Opus 4.8-Leistung zu einem Bruchteil der Kosten
