DeepSeek-Modelle 2026 im Überblick: V4.1-Flash und V4-Pro

Welche DeepSeek-Modelle gibt es im September 2026, was unterscheidet das neue V4.1-Flash vom größeren V4-Pro, und welches läuft auf deepseek.de? Dieser Überblick fasst die aktuellen Modelle mit Parametern, Kontextfenster, Denkmodi und API-Namen zusammen, erklärt die neue Architektur von V4.1 verständlich und zeigt an denselben Prompts, wie sich V4.1-Flash mit und ohne Thinking sowie V4-Pro in Antwortzeit und Tokenverbrauch unterscheiden. Grundlage: die offizielle DeepSeek-Dokumentation und die Modellkarte auf Hugging Face, Stand 17. September 2026.

Kurzfassung: Das sind die aktuellen Modelle

• DeepSeek-V4.1-Flash (10. September 2026) ist das aktuelle Standardmodell: 552 Milliarden Parameter, davon 8 Milliarden pro Token beim Lesen der Eingabe und 16 Milliarden beim Schreiben der Antwort aktiv. Es verarbeitet eine Million Token Kontext und hat offene Gewichte (MIT-Lizenz). API-Name: deepseek-flash; auf deepseek.de im Chat der Startseite.
• DeepSeek-V4-Pro (Preview 24. April, finale Version 13. August 2026) ist das große Modell mit 1,6 Billionen Parametern (49 Milliarden aktiv). DeepSeek wollte es nach V4.1-Flash auslaufen lassen, bietet die API auf Nachfrage aber „bis auf Weiteres“ weiter an. API-Name: deepseek-v4-pro; auf deepseek.de unter /pro/.
• DeepSeek-V4-Flash (284 Milliarden Parameter, 13 Milliarden aktiv) und die experimentelle Variante V4-Flash-Vision-Exp sind seit dem 10. September 2026 eingestellt; die alten Namen leiten auf V4.1-Flash um. V4.1-Pro ist ohne Termin angekündigt.

V4.1-Flash, V4-Pro und V4-Flash im Vergleich

Angaben laut DeepSeek-API-Dokumentation und Modellkarte von V4.1-Flash. Preise lassen wir weg; sie ändern sich häufig und stehen auf der offiziellen Preisseite.

Was die neue Architektur von V4.1 bedeutet

DeepSeek nennt V4.1-Flash das kleinste Modell einer neuen Architekturfamilie, ausgelegt auf mehr Leistung, schnellere Antworten und größere Modelle.

Mixture of Experts: Viele Fachleute, wenige arbeiten gleichzeitig

Ein MoE-Modell besteht aus vielen kleinen Teilnetzen („Experten“). Für jedes Token wählt ein Verteiler nur wenige aus, bei V4.1-Flash pro Schicht einen ständig aktiven plus 6 von 384 spezialisierten. Das Modell trägt das Wissen von 552 Milliarden Parametern, verursacht pro Token aber nur die Rechenkosten von 8 bis 16 Milliarden.

Causal Encoder-Decoder: Lesen ist billiger als Schreiben

Bisherige DeepSeek-Modelle waren reine Decoder, bei denen jede Schicht sowohl die Eingabe verarbeitet als auch die Ausgabe erzeugt. V4.1-Flash teilt seine 40 Schichten in einen 20-schichtigen Encoder, der die Eingabe liest (8 Milliarden aktive Parameter), und einen 20-schichtigen Decoder, der die Antwort schreibt (16 Milliarden). Wo das Modell viel liest und wenig schreibt, etwa als KI-Agent über ganzen Codeprojekten, sinken die Kosten deutlich (siehe DeepSeek als KI-Agent).

KV-Cache-Kompression: Das Arbeitsgedächtnis schrumpft auf ein Viertel

Der KV-Cache ist das Arbeitsgedächtnis eines Sprachmodells: Für jedes Token des bisherigen Gesprächs behält es Zwischenergebnisse im Grafikspeicher, und bei einer Million Token Kontext wird das zum Engpass. V4.1-Flash speichert die Werte in einem sehr kompakten Zahlenformat (FP4) und leitet den Cache des Decoders aus dem Encoder ab. Laut Modellkarte bleiben 890 Byte pro Token, rund ein Viertel von V4-Flash; auf der Festplatte, wo DeepSeek Kontexte zwischenspeichert, ist es ein Achtel. Lange Gespräche bleiben so schnell, und wiederverwendeter Kontext (Cache-Treffer) wird günstiger abgerechnet als neuer.

Sparse Attention: Nicht alles mit allem vergleichen

In einem klassischen Transformer bewertet jedes Token seine Beziehung zu allen vorherigen Token; bei einer Million Token explodiert der Aufwand. DeepSeek hat deshalb schon mit V3.2-Exp im September 2025 die „DeepSeek Sparse Attention“ eingeführt: Ein kleiner Index wählt für jedes Token nur die relevantesten Stellen im Kontext aus. V4.1 geht mit „Compressed Sparse Attention 2″ weiter: Die Aufmerksamkeitsschichten teilen sich Index und Cache, tiefere Schichten suchen nur noch in einer Kandidatenliste einer früheren Schicht. Das Modell rechnet weniger, ohne weniger zu verstehen.

Engram-Speicher und spekulatives Dekodieren

„Engram“ ist ein bedingter Speicher mit 196 Milliarden Parametern, den das Modell per Nachschlagen über Token anspricht, statt ihn bei jedem Schritt durchzurechnen; man kann es sich als Nachschlagewerk vorstellen. „DSpark“ schlägt mehrere Token auf einmal vor und prüft sie dann, was die Ausgabe beschleunigt.

Trainiert wurde V4.1-Flash von Grund auf neu auf 45 Billionen Token. In den Benchmarks der Modellkarte (maximaler Effort) liegt es bei Agentenaufgaben vor V4-Pro, etwa Terminal-Bench 2.1 mit 90,6 gegenüber 87,9 und DeepSWE v1.1 mit 74,2 gegenüber 62,7. Beim Faktenwissen bleibt V4-Pro vorn: SimpleQA-Verified 55,2 gegenüber 42,3 (Basismodelle), Humanity’s Last Exam (Textteil) 42,7 gegenüber 39,1.

Thinking-Modus, Non-Thinking-Modus und Effort-Stufen

Seit V3.1 (August 2025) vereint ein DeepSeek-Modell beide Betriebsarten; früher gab es dafür getrennte Modelle (V3 und R1). Im Thinking-Modus schreibt das Modell vor der Antwort eine Gedankenkette („reasoning_content“). Das kostet Zeit und Token, verbessert aber die Trefferquote bei Logik, Mathematik, Programmieren und mehrstufigen Anweisungen. Im Non-Thinking-Modus antwortet es direkt; für Umformulieren, Übersetzen und einfache Fragen reicht das.

Über die API ist der Thinking-Modus standardmäßig eingeschaltet, mit Effort „high“. Drei Stufen stehen zur Wahl: low für einfache Aufgaben, high für die tägliche Arbeit und Agenten-Workflows, max für komplexe Aufgaben; alle Benchmark-Werte der Modellkarte wurden mit „max“ erzielt. Im OpenAI-Format schaltet thinking den Modus und reasoning_effort die Stufe; im Anthropic-Format übernimmt reasoning.effort beides, wobei none das Denken abschaltet:

"thinking": {"type": "enabled"}, "reasoning_effort": "high"

Im Thinking-Modus wird temperature stillschweigend ignoriert; bei Tool Calls muss die Gedankenkette der Vorrunden mitgeschickt werden. Die Einrichtung beschreibt der Beitrag DeepSeek-API: Einstieg.

Eigener Test: dieselben Prompts an drei Konfigurationen

Zwei Prompts gingen am 17. September 2026 an V4.1-Flash ohne Thinking, V4.1-Flash mit Thinking (Effort high) und V4-Pro mit Thinking (Effort high), direkt über die API ohne System-Nachricht. Sekunden = Gesamtdauer eines nicht gestreamten Aufrufs aus Deutschland, Einzelmessungen.

Prompt 1 (Logik): „Ein Zug fährt um 14:35 Uhr in Hamburg ab und braucht 2 Stunden und 50 Minuten nach Berlin. In Berlin fährt der Anschlusszug um 17:20 Uhr ab. Erreicht man den Anschluss? Wie viel Zeit bleibt zum Umsteigen oder wie viel fehlt? Antworten Sie in höchstens drei Sätzen.“

Prompt 2 (Schreiben): „Schreiben Sie eine kurze, höfliche E-Mail (höchstens 80 Wörter) an Ihre Vermieterin Frau Berger: Die Küchenarmatur tropft seit einer Woche, Sie bitten um Reparatur und schlagen zwei Termine vor (Dienstag ab 17 Uhr oder Samstagvormittag). Betreffzeile mitliefern.“

Die Logikfrage mit der kleinen Falle (Ankunft fünf Minuten nach Abfahrt des Anschlusses) lösten alle drei Konfigurationen. V4.1-Flash ohne Thinking war mit 42 Token und unter einer Sekunde am sparsamsten:

Der Zug kommt um 17:25 Uhr in Berlin an. Der Anschlusszug fährt bereits um 17:20 Uhr ab. Es fehlen also 5 Minuten zum Umsteigen.

– V4.1-Flash, Thinking aus

Bei der E-Mail zeigt sich, was der Thinking-Modus kostet: Für eine Aufgabe ohne Denkschritte verbrauchten beide Thinking-Varianten fünf- bis sechsmal so viele Token wie die direkte Antwort und lieferten Gleichwertiges; V4-Pro brauchte mit 9,2 Sekunden am längsten. Die direkte Antwort von V4.1-Flash:

Betreff: Reparatur der Küchenarmatur – Terminvorschlag

Sehr geehrte Frau Berger,

leider tropft die Küchenarmatur in meiner Wohnung seit etwa einer Woche. Ich bitte Sie daher um eine Reparatur.

Als Termine könnte ich Ihnen Dienstag ab 17 Uhr oder Samstagvormittag anbieten. Bitte teilen Sie mir mit, welcher Termin Ihnen passt.

Vielen Dank im Voraus.

Mit freundlichen Grüßen
[Ihr Name]

– V4.1-Flash, Thinking aus

In einem dritten Durchgang haben wir die Effort-Stufen von V4.1-Flash an einer Zählaufgabe verglichen („Wie viele ganze Zahlen von 1 bis 1000 sind durch 3 oder durch 5 teilbar, aber nicht durch 15?“). Alle drei Stufen antworteten korrekt mit 401, der Denkaufwand stieg aber: 197 Denk-Token und 1,8 Sekunden bei „low“, 213 Token und 2,0 Sekunden bei „high“, 493 Token und 2,9 Sekunden bei „max“.

Welches Modell auf deepseek.de wo läuft

Beide Chats laufen direkt im Browser, ohne DeepSeek-Konto. Die Anfragen gehen per API an DeepSeek (Server in China); geben Sie deshalb keine Passwörter, Gesundheitsdaten oder andere sensible Informationen ein (siehe Datenschutz). Zur offiziellen App siehe DeepSeek-App, zur Bedienung den Beitrag DeepSeek auf Deutsch nutzen. Sollte DeepSeek die V4-Pro-API einstellen oder V4.1-Pro erscheinen, stellen wir um und vermerken das hier und auf /modelle/.

Welches Modell für welche Aufgabe

• Schnelle Alltagsaufgaben (Umformulieren, Übersetzen, E-Mails, kurze Zusammenfassungen): V4.1-Flash ohne Thinking; der Denkmodus kostet hier nur Zeit und Token.
• Rechnen, Logik, Programmieren, mehrstufige Anweisungen: V4.1-Flash mit Thinking; bei einfachen Aufgaben Effort „low“, bei kniffligen „high“ oder „max“.
• Sehr lange Eingaben (Codeprojekte, Vertragssammlungen, Berichte bis zu einer Million Token): beide; V4.1-Flash ist dank Encoder-Decoder und kleinerem Cache die günstigere und schnellere Wahl (Vergleich mit ChatGPT: DeepSeek vs. ChatGPT).
• Faktenwissen und schwierige Wissensfragen: V4-Pro; in den Wissens-Benchmarks der Modellkarte liegt das große Modell klar vorn.
• Eigener Betrieb: V4.1-Flash (offene Gewichte auf Hugging Face); nötig sind mehrere Rechenzentrums-GPUs, für Privatrechner ist es nicht gedacht.

Die Generationen davor und was abgeschaltet wurde

Die ausführliche Geschichte steht im Beitrag Ein Jahr DeepSeek; hier die Stationen, die heute noch zählen:

• V2 (Mai 2024), Coder-V2 (Juni 2024), V2.5 (September 2024): erste MoE-Generation.
• V3 (26. Dezember 2024) unter deepseek-chat; R1 (20. Januar 2025), das Reasoning-Modell des „DeepSeek-Moments“, unter deepseek-reasoner; Updates V3-0324 und R1-0528.
• V3.1 (21. August 2025): erstes Hybridmodell mit Thinking- und Non-Thinking-Modus; V3.1-Terminus am 22. September 2025.
• V3.2-Exp (29. September 2025) und V3.2 (1. Dezember 2025): Einführung der Sparse Attention, der Grundlage der V4-Architektur.
• V4-Pro und V4-Flash (24. April 2026): eine Million Token Kontext als Standard; V4-Flash offiziell am 31. Juli, V4-Pro am 13. August 2026 (mit Responses-API und Effort-Stufen).
• V4.1-Flash (10. September 2026): erstes Modell der neuen Architekturfamilie.

Abgeschaltete und umgeleitete API-Namen

• deepseek-chat und deepseek-reasoner wurden am 24. Juli 2026 abgeschaltet. Ersatz: deepseek-flash mit aus- beziehungsweise eingeschaltetem Thinking.
• deepseek-v4-flash und deepseek-v4-flash-vision-exp sind seit dem 10. September 2026 eingestellt; die Namen werden vorübergehend von V4.1-Flash bedient. Eigene Programme sollte man auf deepseek-flash umstellen.
• deepseek-v4-pro sollte ab dem 14. September 2026 auf V4.1-Flash umgeleitet werden. Diese Ankündigung hat DeepSeek zurückgenommen: Die V4-Pro-API bleibt bis auf Weiteres mit unveränderter Abrechnung verfügbar.

Häufige Fragen

Ist V4.1-Flash wirklich besser als V4-Pro, obwohl es kleiner ist?

Bei Agenten- und Programmieraufgaben ja, laut Modellkarte und Tests Dritter; deshalb wollte DeepSeek V4-Pro zunächst auslaufen lassen. Beim Faktenwissen bleibt V4-Pro vorn und ist die Ergänzung für wissensintensive Fragen.

Was bedeutet „8 Milliarden aktive Parameter bei der Eingabe, 16 bei der Ausgabe“?

Ein MoE-Modell nutzt pro Token nur einen Bruchteil seiner Parameter: Der Encoder liest die Eingabe mit 8 Milliarden aktiven Parametern, der Decoder schreibt die Antwort mit 16 Milliarden. Das Wissen aller 552 Milliarden bleibt verfügbar.

Warum antwortet der Chat manchmal langsamer?

Im Thinking-Modus schreibt das Modell zuerst eine unsichtbare Gedankenkette. Bei unserer E-Mail-Aufgabe waren das 500 bis 600 zusätzliche Token und gut die doppelte bis sechsfache Antwortzeit. Für einfache Aufgaben ist der Modus ohne Denken schneller und gleich gut.

Brauche ich für V4-Pro ein Konto oder die App?

Nein. Auf deepseek.de laufen V4.1-Flash und V4-Pro direkt im Browser; die offizielle App ist eine Alternative. Weitere Antworten stehen in den FAQ.

Quellen und Änderungen

• DeepSeek: Modellkarte DeepSeek-V4.1-Flash auf Hugging Face (Architektur, Parameter, Benchmarks, Lizenz)
• DeepSeek: DeepSeek-V4.1-Flash: Smarter, Faster, More Efficient (10.09.2026)
• DeepSeek: DeepSeek-V4-Pro GA Release (13.08.2026) und DeepSeek V4 Preview Release (24.04.2026)
• DeepSeek: Models & Pricing (Modelltabelle, Kontext, Ausgabelimit, Hinweis zu V4-Pro) und Change Log (Versionsdaten seit 2024)
• DeepSeek: Thinking Mode
• deepseek.de: eigene Tests vom 17.09.2026 über die DeepSeek-API (12 Aufrufe) und eigene Modellkonfiguration

Änderungen: 17.09.2026 – Beitrag vollständig neu geschrieben als Modellübersicht: V4.1-Flash, V4-Pro, eingestelltes V4-Flash, neue Architektur (Encoder-Decoder, KV-Cache, Sparse Attention, Engram), Thinking-Modi und Effort-Stufen, Modellzuordnung auf deepseek.de, Zeitleiste und Abschaltungen. Die Fassung vom 29.04.2026 zum V4-Start (Huawei-Chips, Preisvergleich, Branchenstimmen) und der Beitrag „DeepSeek macht lange Texte schneller und günstiger“ vom 09.09.2025 (Sparse Attention in V3.2-Exp) wurden hier zusammengeführt. Alle Beispiele und Tests wurden eigens für diese Fassung erstellt.