Am 13. August 2026 hat DeepSeek sein neues Modell V4 Pro 0813 veröffentlicht. Die Zahlenkombination “0813” im Modellnamen steht für das heutige Datum.
Am selben Tag stellte Alibaba Qwen3.8-max vor und Elon Musks xAI präsentierte Grok 4.6. Während vor zwei Jahren eine zeitgleiche Veröffentlichung von drei führenden KI-Unternehmen innerhalb von 24 Stunden unvorstellbar gewesen wäre, ist dies heute Realität.
Ein Softwareentwickler (Hacker-News-Nutzer jklmnopqrstuvw) hat DeepSeek und Grok mit exakt derselben Entwicklungsaufgabe getestet. Das Ergebnis war ausgesprochen aufschlussreich:
- DeepSeek V4 Pro: Dauer 12 Minuten 02 Sekunden, Kosten 0,12 US-Dollar, jedoch mit einem Fehler im generierten Code.
- Grok 4.6: Dauer 3 Minuten 18 Sekunden, Kosten 1,41 US-Dollar, fehlerfreier Code.
Ein 12-facher Preisunterschied bei einem spürbaren Qualitätsunterschied. Diese Gegenüberstellung spiegelt die reale Marktpositionierung in der heutigen KI-Landschaft wider.
Wie kann ein Modell so spottbillig sein?
Die Ursache für diese extrem hohe Kosteneffizienz liegt in der Architektur. DeepSeek setzt auf MoE – Mixture of Experts (Mischung von Experten).
Ein anschaulicher Vergleich: Ein herkömmliches dichtes Modell (Dense Model) gleicht einem Unternehmen, bei dem bei jeder Aufgabe die gesamte Belegschaft ausrückt. Ein MoE-Modell hingegen funktioniert wie eine Organisation mit mehreren Hundert Fachspezialisten, die je nach Aufgabenstellung nur die jeweils relevanten Experten hinzuzieht. Die Gesamtparameterzahl des Modells ist zwar gigantisch, bei jedem einzelnen Aufruf arbeitet jedoch nur ein kleiner Teil. Wenn weniger Parameter aktiv sind, sinkt der Stromverbrauch und damit die Berechnungskosten.
V4 Pro 0813 unterstützt zudem ein Kontextfenster (Context Window, die Textmenge, die ein Modell auf einmal verarbeiten kann) von 1 Million Token. Was bedeutet das in der Praxis? Es reicht ungefähr aus, um die gesamte Drei-Sonnen-Trilogie auf einmal einzulesen und anschließend Fragen dazu zu beantworten. Aus technischer Sicht war das Durchlesen eines ganzen Buches vor zwei Jahren noch das exklusive Privileg absoluter Flaggschiff-Modelle.
Subventionen durch Wagniskapital reichen nicht aus, um solche Preise dauerhaft zu tragen. Die Ersparnis resultiert direkt aus der Architektur – es handelt sich um einen strukturellen Vorteil, nicht um eine temporäre Rabattaktion.
Die zweite Ebene der Kostenreduzierung bildet das Caching (Prompt Caching bzw. die Wiederverwendung von Berechnungsergebnissen). Statistiken von OpenRouter zeigen, dass 92,4 % aller DeepSeek-Anfragen den Cache trafen – identische Inhalte, die zuvor berechnet wurden, werden direkt wiederverwendet.
Die finanziellen Auswirkungen sind beeindruckend: Während der Listenpreis für die Eingabe bei 0,435 US-Dollar pro Million Token (der kleinsten Abrechnungseinheit von KI) liegt, zahlten Nutzer effektiv im Durchschnitt nur 0,036 US-Dollar pro Million Token. Zwischen Listenpreis und tatsächlicher Zahlung liegt somit erneut ein Faktor von 12.
Abb.: Tatsächlich bezahlter Eingabepreis für DeepSeek V4 Pro 0813 auf OpenRouter, am Erscheinungstag bei etwa 0,036 $/M Mio. Token. Quelle: openrouter.ai
Das Prinzip ähnelt dem eines Lieferdienstes: Ein Gericht zum ersten Mal zuzubereiten kostet Zeit und Mühe, ein bereits gekochtes Gericht aufzuwärmen erfordert kaum Aufwand – die Grenzkosten gehen gegen null. Ingenieurtechnisch bedeutet eine Cache-Trefferquote von 92,4 %, dass der Großteil der Eingabeanfragen nahezu kostenlos verarbeitet wird. Das ist das Geheimnis hinter den hohen Bruttomargen.
Der dritte Preistreiber nach unten ist Open Source. Die Modellgewichte sind vollständig offengelegt und die Lizenz gestattet die kommerzielle Nutzung. Ein Nutzer hat ausgerechnet: Für 8.000 US-Dollar Anschaffungskosten für zwei DGX-Spark-Einheiten lässt sich das vollständige Modell lokal zu Hause betreiben. Open Source gibt die Verhandlungsmacht an die Nutzer zurück – wenn Cloud-Anbieter die Preise erhöhen, verlagern Entwickler das Hosting einfach auf die eigene Infrastruktur.
Ein Release-Rhythmus wie eine CI-Pipeline
Flash 0731 am 31. Juli, Flash 0801 am 1. August und V4 Pro 0813 am 13. August. Die Versionsnummern tragen direkt das Erscheinungsdatum, die Abstände werden in Tagen gemessen.
In Entwicklerkreisen vergleicht man dieses Tempo mit einer CI-Pipeline (Continuous Integration) – sobald Code geändert wird, erfolgen automatische Tests und Bereitstellungen wie an einem Fließband. Während traditionelle Softwareunternehmen einmal im Jahr ein großes Update herausbringen, hat DeepSeek Modell-Releases zum Alltag gemacht.
Die Diskussionen auf Hacker News bestätigen diesen Eindruck. Ein Nutzer bemerkte, dass “für die meisten Anwendungsfälle gar kein Spitzenmodell benötigt wird”; andere nutzen günstige Modelle bereits für rechenintensive Aufgaben und bezeichnen sie als “so billig, dass sie praktisch kostenlos wirken”. Ein weiterer Nutzer berechnete das geometrische Mittel der Benchmarks führender Modelle: GPT-5.6 Sol erreichte 65,5 Punkte, Opus 5 kam auf 64,0 Punkte und DeepSeek V4 Pro 0813 erzielte 62,5 Punkte.
Die technische Erkenntnis: Der Leistungskurs der Top-Modelle schrumpft von einer “Generationslücke” auf wenige Prozentpunkte zusammen, während die Preisdifferenz weiterhin zweistellig bleibt. Der Leistungsausgleich ist nur eine Frage der Zeit, der Preisvorteil hingegen ist bereits Realität.
“China-Zeit” am selben Tag
Alibabas Qwen3.8-max ist mit 2 US-Dollar pro Million Eingabe-Token und 6 US-Dollar pro Million Ausgabe-Token bepreist; DeepSeek verlangt 0,435 bzw. 0,87 US-Dollar. Die chinesischen Modellentwickler liefern sich untereinander einen harten Preiskampf und ziehen den Preisanker des gesamten Marktes kontinuierlich nach unten.
Betrachtet man das Line-up aller drei Anbieter an diesem Tag: Qwen3.8-max ist ein Schwergewicht mit 2 Billionen Parametern, Grok 4.6 setzt auf maximale Geschwindigkeit und DeepSeek auf ein extrem hohes Preis-Leistungs-Verhältnis. Alle drei Unternehmen verfolgen eigene Strategien, brachten ihre Produkte jedoch in derselben Woche auf den Markt. Bei dieser Wettbewerbsdichte profitieren in erster Linie die Anwender.
Einige Kommentatoren vermuteten, dass DeepSeek den Termin bewusst wählte, um Alibaba die Show zu stehlen; andere hielten entgegen, dass xAI Grok 4.6 ebenfalls am selben Tag veröffentlichte und Unternehmen schlicht ihrem eigenen Entwicklungsrhythmus folgen.
Unabhängig von der Motivation gilt: Die Hauptbühne für bahnbrechende KI-Releases gehört nicht mehr allein dem Silicon Valley. Dieses Signal wiegt schwerer als jede einzelne Modellankündigung.
Die Kehrseite des niedrigen Preises: Wie steht es um die Qualität?
Der Praxisbericht des Entwicklers löste in den Kommentaren eine rege Debatte aus.
Befürworter argumentierten, dass er seit Monaten ähnliche Tests unter gleichen Bedingungen durchgeführt habe und die Ergebnisse stets konsistent seien – bestanden sei bestanden, durchgefallen sei durchgefallen, weshalb auch ein Einzeltest aussagekräftig sei. Kritiker (wie der Nutzer bigmadshoe) hielten dagegen, dass ein Vergleich mit n=1 nicht wissenschaftlich sei, sondern bloßen “Vibes” entspreche – aufgrund der Stochastik von LLMs sollte ein einzelner Testlauf das Gesamturteil nicht umstoßen. Andere merkten an, dass bei Fehlschlägen ein erneuter Versuch meist zum gewünschten Ergebnis führe.
Unsere Einschätzung: Beide Seiten haben teilweise recht. Der Preisvorteil ist struktureller Natur – er basiert auf Architektur, Caching und Open Source und bleibt auch bei wiederholten Tests bestehen. Die Qualitätsdifferenz hingegen ist eine Momentaufnahme – ein Bug in einem einzelnen Durchlauf kann Zufall oder statistischer Varianz geschuldet sein. Einen strukturellen Vorteil direkt mit dem Rauschen einer Einzelstichprobe gleichzusetzen, greift zu kurz.
Um eine fundierte Aussage zu treffen, muss man ein Aufgabenset vielfach durchlaufen lassen, um Durchschnittsraten und Streuungen zu ermitteln. Der Vorschlag aus den Kommentaren, jedes Modell fünfmal pro Aufgabe laufen zu lassen, ist äußerst sinnvoll und findet unsere volle Zustimmung.
Abb.: Token-Nutzung von DeepSeek V4 Pro 0813 am ersten Tag: 13,7 Mrd. Eingabe, 80,5 Mio. Ausgabe. Quelle: openrouter.ai
Ein weiteres Detail ist bemerkenswert: Einige Nutzer stellten fest, dass DeepSeek am selben Tag begann, die offiziellen Preise leicht anzuheben. Die extrem niedrigen Preise könnten eine anfängliche Phase sein – die klassische Strategie der Tech-Branche, erst über niedrige Preise Marktanteile zu gewinnen und anschließend die Preise anzupassen. Doch selbst nach einer Preiserhöhung bleibt der Preisabstand zu vergleichbaren US-Modellen um Größenordnungen enorm.
Was bedeutet das für normale Anwender und Unternehmen?
Vor zwei Jahren wurden Spitzen-KIs pro Anfrage abgerechnet, ein einzelner Dialog kostete mehrere Dollar. Heute reichen 0,12 US-Dollar aus, um einen KI-Agenten 12 Minuten lang durchgehend arbeiten zu lassen.
Für Einzelpersonen bedeutet dies, dass KI-Assistenten, Schreibwerkzeuge oder Übersetzungs-Apps auf dem Smartphone im Hintergrund zunehmend auf solche Open-Source-Modelle setzen – mit Rechenkosten, die nur noch einen Bruchteil des Vorjahres ausmachen. Für Unternehmen wandelt sich der Einsatz von KI-Funktionen von einem “projektbezogenen Antrag mit mehrstufigen Genehmigungsprozessen” zu einem “einfach Ausprobieren” – die Kosten für Versuche und Irrtümer sind vernachlässigbar geworden.
Der Preiskampf verwandelt Künstliche Intelligenz von einem “Luxusgut” in eine grundlegende “Infrastruktur-Dienstleistung”. Man verzichtet vielleicht auf ein Werkzeug, weil es zu teuer ist, aber man verpasst keine Epoche, wenn Technologie derart erschwinglich wird. Erst wenn KI bezahlbar ist, wird sie für jedermann nutzbar – und das ist für alle, die KI einsetzen möchten, eine hervorragende Nachricht.
Referenzlinks:
- OpenRouter: DeepSeek V4 Pro 0813
- HN-Diskussion (item?id=49274600)
Hinweis zu den Abbildungen: Die ursprüngliche OpenRouter-Seite enthielt keine eingebetteten Bilder im img-Tag; alle Grafiken der Seite beschränkten sich auf Logos und Favicons (openrouter.ai/brand/v2/nav-lockup-light.png, nav-lockup-dark.png, images/icons/DeepSeek.png, gstatic faviconV2-Serie, openrouter-dark.svg, openrouter-light.svg), die gefiltert wurden. Die beiden Daten-Diagramme in diesem Artikel wurden aus den auf der Seite eingebetteten SVG-Diagrammen (recharts) exportiert und konvertiert.
