Nur eine Woche nach Beginn des Monats August 2026 machte ein KI-Testergebnis in der Entwickler-Community die Runde. Das leichtgewichtige Open-Weight-Modell V4 Flash des chinesischen Unternehmens DeepSeek erzielte beim ARC Prize – dem branchenweit als anspruchsvollst geltenden KI-Schlussfolgerungs-Benchmark – 365 Punkte und belegte damit den ersten Platz auf der Effizienz-Bestenliste. Während US-amerikanische Flaggschiff-Modelle rund 2,00 US-Dollar pro Aufgabe verbrauchen, löste DeepSeek diese für gerade einmal 4 Cent.
Kurz nach Veröffentlichung der Ergebnisse verzeichnete der Beitrag auf Hacker News innerhalb von nur fünf Stunden 382 Upvotes und 233 Kommentare. Einer der am höchsten bewerteten Kommentare brachte es direkt auf den Punkt: „US-amerikanische KI-Labore stecken in großen Schwierigkeiten.“
Abbildung: Offizielle Verifizierungskarte des ARC Prize für DeepSeek V4 Flash 0731. Quelle: arcprize.org
Was dieser Test wirklich misst
Um die Tragweite zu verstehen, muss zunächst geklärt werden, was der ARC Prize ist und warum er in der Branche als „KI-Abitur“ bezeichnet wird. Die Aufgabenstellungen sind optisch schlicht: Es handelt sich um visuelle Rätselelemente aus farbigen Rasterquadraten. Anhand von drei Beispiel-Transformationen muss das Modell das zugrunde liegende Muster ableiten und das vierte Raster korrekt zeichnen. Ein erwachsener Mensch versteht die Logik auf den ersten Blick und erreicht im Schnitt etwa 85 von 100 Punkten.
Künstliche Intelligenzen bissen sich an dieser Art von Aufgaben jedoch jahrelang die Zähne aus. Im Jahr 2024 erreichten selbst die stärksten US-Modelle lediglich 30 bis 40 Punkte. Für diesen Test gibt es keinen Aufgabenkatalog zum Auswendiglernen; die Regeln verändern sich ständig, und das Verfolgen ähnlicher Aufgaben im Training hilft kaum weiter. Der Entwickler des Benchmarks wettete auf eine Grundannahme: Eine KI, die Antworten nur auswendig lernt, wird hier scheitern – nur wer wirklich „denken“ kann, besteht.
Abbildung: Die Leistungslücke zwischen Mensch und KI laut der offiziellen ARC-Prize-Website. Quelle: arcprize.org
DeepSeek trat beim aktualisierten Testset ARC-AGI-2 an, das noch anspruchsvoller ist als die Vorgängerversion. Bei maximal 100 Erreichbaren Punkten erzielte das Modell 61,4 Punkte. Das ist zwar nicht der absolute Höchstwert, doch in Kombination mit dem Preis bekommt dieser Wert ein völlig neues Gewicht.
Zwei Bestenlisten, zwei verschiedene Spiele
Der ARC Prize führt genau genommen zwei Bestenlisten: Eine misst die reine Punktzahl, die andere die Wirtschaftlichkeit – letztere wird offiziell als Effizienz-Bestenliste (Efficiency Leaderboard) bezeichnet. Auf der Website heißt es unmissverständlich: Wahre Intelligenz besteht nicht nur darin, schwere Aufgaben zu lösen, sondern sie mit dem geringstmöglichen Ressourceneinsatz zu bewältigen.
Ein Vergleich der beiden Listen zeigt eine drastische Diskrepanz. Das US-Flaggschiff Claude Opus 5 von Anthropic erreicht auf dem neuen Testset 90,4 Punkte, kostet aber 2,06 US-Dollar pro Aufgabe. DeepSeek erzielt 61,4 Punkte für nur 4 Cent pro Aufgabe – ein Kostenunterschied von etwa dem 50-fachen. Noch unangenehmer ist die Lage für OpenAIs Topmodell GPT-5.6 Luna: Mit 59.6 Punkten liegt es sogar hinter DeepSeek, kostet aber mehr als das Vierfache.
Abbildung: Streudiagramm der Bestenliste auf der ARC-Prize-Startseite. Die horizontale Achse zeigt die Kosten pro Aufgabe, die vertikale Achse die Punktzahl. Modelle oben links sind am wirtschaftlichsten. Quelle: arcprize.org
Das bedeutet die Auszeichnung „Spitzenreiter mit 365 Punkten“: Auf der Effizienz-Bestenliste hat DeepSeek V4 Flash 0731 die gesamte US-Konkurrenz hinter sich gelassen. Bei der reinen Punktzahl führen US-Modelle weiterhin; doch „leistungsfähigst“ und „wirtschaftlichst“ gehören nun zwei unterschiedlichen Lagern an.
Während US-Firmen die absolute Genauigkeitsliste dominieren, ist der Wechsel an der Spitze der Effizienzliste für die Geschäftswelt das weitaus stärkere Signal. Unternehmen bezahlen KI nach API-Aufrufvolumen, nicht nach Rängen in Benchmark-Tabellen.
Das Geheimnis der geringen Kosten: Länger nachdenken während der Inferenz
Woher kommt dieser extrem niedrige Preis? Zunächst muss eine Grundregel dieses Tests verstanden werden: Das Modell darf vor der Antwortabgabe „länger nachdenken“. Es kann Lösungswege iterativ durchdenken und Entwürfe erstellen – in der Fachwelt als „Inferenzzeit-Berechnung“ (Inference-time compute) bekannt. Man muss vor der Prüfung kein Genie sein; wer während der Prüfung Zeit in Entwürfe investiert, kann hervorragende Ergebnisse erzielen. Allerdings verbraucht das Durchdenken Strom – wer die Kosten für diesen Prozess minimiert, gewinnt.
DeepSeek hat diesen Ansatz der „kleinen Modelle mit intensiver Inferenz“ auf die Spitze getrieben. V4 Flash verfügt insgesamt über 284 Milliarden Parameter, aktiviert pro generiertem Token jedoch nur 13 Milliarden – vergleichbar mit einer großen Armee, die nur bei Bedarf Spezialeinheiten entsendet. Da die Modellgewichte vollständig Open Source sind, kann jeder das Modell herunterladen und selbst hosten, wodurch Zwischenhändleraufschläge entfallen. Die offizielle API liegt bei 0,14 US-Dollar pro Million Input-Token und 0,28 US-Dollar pro Million Output-Token – um ein bis zwei Größenordnungen günstiger als US-Flaggschiffe.
Die Bedeutung von Open Source geht weit über reine Ersparnisse hinaus. Unternehmen können das Modell auf eigenen Servern betreiben, wodurch Datenschutz gewahrt bleibt, Nutzungslimits entfallen und eine feingliedrige Anpassung an eigene Geschäftsprozesse möglich wird. Für proprietäre US-Anbieter, die pro Abfrage abrechnen, bedroht dies das grundlegende Geschäftsmodell – der Preiskampf ist nur die Spitze des Eisbergs.
Hinter den 5 Dollar pro Tag steht ein Meilenstein: Entwickler können sich erstmals „Denkleistung auf Spitzenniveau“ uneingeschränkt leisten. Früher war solche Inferenz pro Aufruf teuer und blieb kritischen Aufgaben vorbehalten; heute kann sie rund um die Uhr im Hintergrund laufen und Prozesse überwachen.
Praxistest für 5 Dollar am Tag
In der Entwickler-Community wird dieser Ansatz bereits in die Tat umgesetzt. Der Entwickler LaurensBER berichtete auf Hacker News, dass er bei 5 bis 6 aktiven Arbeitssitzungen mit 12 parallelen Threads selbst bei intensivster Nutzung kaum 5 Dollar am Tag verbrauchen konnte. Sein monatliches Claude-Abonnement für 200 Dollar liegt mittlerweile brach – Claude mag zwar leistungsfähiger sein, doch das ständige Abwägen von Nutzungskontingenten hemmt den Workflow nachhaltig.
Besonders begeistert zeigen sich Entwickler von den neuen Anwendungsszenarien, die durch die niedrigen Kosten ermöglicht werden: Schlägt ein automatisierter Test fehl, repariert die KI ihn selbstständig; reicht die Testabdeckung nicht aus, werden beim Commit automatisch neue Tests generiert; Server-Logs, Sicherheitsaudits und jede Ausnahme im Code werden gründlich analysiert. Aufgaben, die zuvor „sinnvoll, aber zu teuer für KI“ waren, gehören nun zum Entwickleralltag.
Vereinzelte Anwendungsfälle wirken unscheinbar, doch hochgerechnet auf jeden Entwickler, jedes Team und jeden Tag entsteht eine völlig neue Kostenkurve. Wenn Intelligenz so günstig wird, dass man sie verschwenden kann, wird Effizienz selbst zu einer Kernkompetenz.
Große Probleme für US-amerikanische KI-Labore
Hier liegt die eigentliche Ursache für die Unruhe im Silicon Valley. Einer der am häufigsten gewählten Kommentare auf HN lautete: „US-amerikanische KI-Labore haben ein großes Problem.“ Sofern chinesische Modelle nicht durch Dekrete zur nationalen Sicherheit blockiert werden, wird auf dem internationalen Markt kaum jemand mehr bereit sein, hohe Aufpreise für proprietäre Spitzenmodelle zu zahlen, wenn Open-Weight-Alternativen dieselbe Arbeit für Pfennigbeträge erledigen und gleichzeitig lokales Hosting ermöglichen.
Andere Entwickler stellten eine pragmatische Rechnung auf: Überwachungs-Logs, Audits und Datenqualitätsprüfungen sind mit Flaggschiff-Modellen unbezahlbar, mit günstigen Modellen jedoch perfekt umsetzbar. Der Bedarf war schon immer da; bisher konnte ihn nur niemand bezahlen.
Gleichwohl haben Argumente für die Unverzichtbarkeit großer Modelle ihre Berechtigung. Ein weiterer Kommentator wies darauf hin, dass einfachere Aufgaben von fast allen Modellen bewältigt werden können, die echte Wasserscheide jedoch bei komplexen Aufgaben liegt, die über 24 Stunden durchlaufen. Hier summieren sich Fehler kleiner Modelle rasch auf, weshalb Großmodelle unersetzlich bleiben. Wahrscheinlicher ist daher eine hybride Architektur: „Großmodelle als Kommandeure, günstige Modelle als ausführende Einheiten“.
Dem aktuellen Trend nach verlagert sich der Wettbewerb von der Frage „Wer ist der Stärkste?“ hin zu „Wer ist am wirtschaftlichsten?“. Ähnlich wie Mobiltelefone von Luxusgütern zu Alltagsobjekten wurden, ist die reine Spitzenleistung nicht mehr die knappste Ressource.
Die obige Analyse basiert auf der offiziellen Website des ARC Prize sowie öffentlichen Community-Diskussionen. Der Autor war nicht an der Entwicklung dieser Projekte beteiligt; Einschätzungen sind subjektiv und Feedback ist willkommen.
Referenz-Links
- ARC Prize: DeepSeek V4 Flash 0731 Ergebnisseite
- ARC Prize: Bestenliste (Leaderboard)
- HN-Diskussion (item?id=49214008)
- DeepSeek Offizielle API-Dokumentation
- Artificial Analysis: DeepSeek V4 Flash Preise & Bewertung
- vLLM Recipes: DeepSeek V4 Flash Modellbeschreibung
