Am 14. September 2026 veröffentlichte die KI-Inferenzplattform Fireworks AI eine Bewertung von DeepSeek V4.1 Flash. In seinen DeepSWE-Code-Aufgaben erzielte das Modell maximal 74,34 %, mit durchschnittlichen Kosten von 0,430 $ pro Aufgabe; GPT-6 Astra erreichte 74,12 % im xhigh-Inferenzbereich und kostete 6,524 $. Basierend auf diesen Ergebnissen beträgt die Einzelaufgaben-Kosten des Ersteren etwa ein Fünfzehntel der letzteren, aber dies ist nur ein Vergleich spezifischer Plattformen und Benchmarks, wobei nicht alle Entwicklungsszenarien denselben Unterschied aufweisen.
Wie nah sind die Ergebnisse der vier Modelle?
| Modell | DeepSWE-Ergebnisse | Kosten pro Aufgabe |
|---|---|---|
| DeepSeek V4.1 Flash | 74.34% | 0,430 $ |
| GPT-6 Astra xhigh | 74.12% | 6,524 $ |
| Gemini 3.8 Flash | 73.83% | 2.362 Dollar |
| Claude Opus 5 | 73.65% | 11.838 $ |
Fireworks betont außerdem, dass DeepSWE pro Durchlauf um etwa 1,4 bis 3,2 Prozentpunkte schwankt, während die höchsten Werte der vier Modelle nur um 0,69 Prozentpunkte voneinander abweichen. Daher reicht diese Tabelle nicht aus, um zu bestimmen, wer in der Codefähigkeit absolut überlegen ist; Sie verdeutlicht besser, dass bei einem ähnlichen Qualitätsbereich die Inferenzkosten zu einer Schlüsselvariablen bei Routing- und Beschaffungsentscheidungen werden.
Woher kommt der niedrige Preis?
DeepSeek V4.1 Flash verwendet eine hybride Expertenarchitektur mit 552 Milliarden Parametern, die etwa 8 Milliarden Parameter pro Token während der Eingabe und etwa 16 Milliarden Parameter bei der Ausgabe aktiviert. DeepSWE ist eine weitere typische eingabeintensive Aufgabe: Jede Aufgabe verarbeitet im Durchschnitt etwa 36,9 Millionen Eingabetoken und 211.000 Ausgabetokens, ein Verhältnis von etwa 174:1, wobei 99,6 % der Eingabetreffer im Cache sind. Die Abrechnungsaufschlüsselung von Fireworks zeigt, dass der Cache-Eingabe etwa 59,9 % der Gesamtkosten ausmacht und der Output etwa 32,5 %. Das bedeutet, dass Modellarchitektur, Cache-Preisgestaltung und Workload-Form zusammen Ergebnisse erzeugen, die sich nicht allein durch die Gesamtparameter erklären lassen.
Bei der Cross-Benchmark-Betrachtung sind die Schlussfolgerungen nicht dieselben
In Terminal Bench 2.1 erzielte DeepSeek V4.1 Flash 86,5 %, Astra 87,5 % und Fireworks berichtete einen Gesamtkostenunterschied von etwa dem 12-fachen; in Humanity's Last Exam lagen die beiden Werte jedoch bei 34,52 % bzw. 50,40 %, was eine deutliche Leistungslücke zeigt. Der Bericht gibt außerdem eine theoretische Obergrenze von 54,80 % für "Oracle Routing" an, wobei das ideale Ergebnis angenommen wird, immer das richtige Modell zu wählen, was auf echten Routern möglicherweise nicht möglich ist.
Wie sollten Unternehmen diese Daten nutzen?
Ein sichererer Ansatz ist es, kleinmaßstäbige Nachtests unter Verwendung Ihrer Codebasis, Kontextlänge, Cache-Trefferrate und Fehler-Wiederholungsregeln durchzuführen und gleichzeitig Abschlussraten, manuelle Nachbearbeitungszeiten, Verzögerungen und Endabrechnung zu dokumentieren. Die Eingabe stark repetitiver Code-Review- oder Warehouse-Understanding-Aufgaben kann es erleichtern, Caching-Boni zu erhalten; Aufgaben, die schwierige Inferenzen oder geringe Cache-Hits erfordern, können völlig unterschiedliche Kostenkurven aufweisen. Der Wert dieser Bewertung liegt nicht darin, ein einzigartiges Modell für das Unternehmen auszuwählen, sondern zu zeigen, dass Multi-Model-Routing sowohl Qualitätsintervalle als auch tatsächliche Gesamtkosten berücksichtigen sollte.
