DeepSeek macht KI-Agenten radikal billiger – mit einem Speichertrick

DeepSeek hat am 10. September 2026 das Modell V4.1-Flash veröffentlicht: ein multimodales Mixture-of-Experts-Modell mit 552 Milliarden Parametern, das laut der offiziellen Ankündigung des chinesischen Labors nur noch ein Viertel des schnellen GPU-Speichers seines Vorgängers V4-Flash benötigt. Die Gewichte liegen unter der freizügigen MIT-Lizenz auf Hugging Face, die API-Preise sind gleichzeitig gefallen. Zielgruppe sind KI-Agenten – also Systeme, die viele Schritte hintereinander abarbeiten und heute vor allem am Speicherhunger scheitern.

890 Byte pro Token statt Speicherfresser

Der Engpass heisst KV-Cache: ein Zwischenspeicher, in dem ein Modell alles ablegt, was es im laufenden Gespräch schon verarbeitet hat, damit es nicht bei jedem Schritt neu rechnen muss. Bei einem Agenten, der dutzende Werkzeuge aufruft, wächst dieser Puffer rasant – und er landet im teuersten Speicher, den ein Rechenzentrum hat.

V4.1-Flash drückt ihn laut Modellkarte auf 890 Byte pro Token. Das ist rund ein Viertel des Vorgängers; der dauerhaft auf SSD ausgelagerte Teil schrumpft auf etwa ein Achtel. Gegenüber DeepSeeks erstem Modell V1 ist es der Faktor 437. Das Kontextfenster bleibt bei einer Million Token.

Lesen kostet nur noch halb so viel wie Schreiben

Möglich macht das eine ungewöhnliche Architektur, die DeepSeek Causal Encoder-Decoder nennt: Die 40 Schichten des Modells sind in eine lesende und eine schreibende Hälfte geteilt. Beim Einlesen von Text und Bildern sind deshalb nur 8 Milliarden Parameter aktiv, beim Schreiben 16 Milliarden. Für Agenten, die permanent neue Tool-Ergebnisse verdauen, halbiert das den Rechenaufwand auf der Input-Seite fast. Trainiert wurde von Grund auf mit 45 Billionen Token aus Text und Bildern.

74,2 Prozent – hauchdünn vor Opus 5

Auf dem Coding-Benchmark DeepSWE v1.1 löst V4.1-Flash 74,2 Prozent der Aufgaben – knapp vor Anthropics Claude Opus 5 (74,0) und OpenAIs GPT-5.6 Sol (73,0). Ein offenes Modell mit 16 aktiven Milliarden Parametern zieht damit erstmals an den geschlossenen Spitzenmodellen vorbei.

Der Haken: Es ist eine Punktlandung, kein Vorsprung auf ganzer Linie. Auf ProgramBench kommt DeepSeek auf 20,3 Prozent gegenüber 37,0 bei Opus 5, auf Terminal-Bench 4.0 auf 31,2 statt 51,8. Und beim Lesen komplexer Bilder räumt der technische Bericht selbst eine messbare Lücke zu den führenden geschlossenen Systemen ein.

Bezahlbar ist es trotzdem: 0,15 US-Dollar pro Million Input-Token und 0,60 pro Million Output-Token zum Randzeiten-Tarif. DeepSeek zieht daraus die Konsequenz und stellt sein eigenes Flaggschiff V4-Pro ein – ab dem 14. September landen dessen Anfragen auf V4.1-Flash.

Offene Gewichte, aber kein Server im Keller

Für Schweizer KMU ist «MIT-Lizenz» verlockend – der Reflex «dann hosten wir das eben selbst, und die Daten bleiben im Haus» greift hier aber zu kurz. Die Gewichte umfassen 485 Milliarden Parameter; DeepSeek selbst spricht in der Ankündigung von Grosseinsätzen mit 2'000 GPUs plus Storage-Cluster. Das ist kein Serverschrank, das ist ein Rechenzentrum.

Realistisch bleiben zwei Wege. Erstens: gehostete Endpunkte bei Schweizer Anbietern, die offene Modelle in hiesigen Rechenzentren betreiben – so lässt sich der Datenpfad revDSG-konform gestalten, statt Anfragen direkt an den chinesischen Anbieter zu schicken. Swisscom etwa betreibt Apertus bereits auf einer eigenen souveränen Schweizer KI-Plattform für Geschäftskunden. Zweitens: kleinere offene Modelle, die tatsächlich on-prem laufen. Das Schweizer Apertus von EPFL, ETH Zürich und dem Supercomputing-Zentrum CSCS gibt es in Varianten mit 8 und 70 Milliarden Parametern – deutlich schwächer als V4.1-Flash, aber auf Hardware lauffähig, die ein Mittelständler wirklich kaufen kann.

Die eigentliche Nachricht für dich ist deshalb weniger das Modell als der Preis dahinter: Wenn ein Agent nur noch ein Viertel Speicher braucht, wird der Dauerbetrieb von KI-Assistenten im Tagesgeschäft zum ersten Mal eine nüchterne Rechnung statt eines Budgetposten mit Bauchschmerzen.