Acht weitere Aufgaben in einem Test mit 50 Aufgaben abgeschlossen
DeepSeeks aktuelles Modell V4 Pro hat in einem internen Benchmark von MaxForAI 32 von 50 Aufgaben erledigt. MaxForAI ist KI-Ausbilder und Entwickler sowie Maintainer des Agent-Clients LobeHub. Die frühere Version V4 Pro-0813 schaffte 24 Aufgaben. Die in Berichten vom 8. November 2026 beschriebenen Ergebnisse bedeuten für das neuere Modell eine Erfolgsquote von 64 Prozent, gegenüber zuvor 48 Prozent.
Inhalt
- Acht weitere Aufgaben in einem Test mit 50 Aufgaben abgeschlossen
- Was hat sich bei LobeBench geändert?
- Warum wiederholter Erfolg wichtig ist
- Was geschah bei den Ausfällen?
- Chronologie der Erwartungen an Pro
- Was die Fingerprints im Oktober zeigten
- Was Entwickler derzeit vergleichen können
- Woran wäre das Update offiziell zu erkennen?
- Die wichtigsten Punkte
Am bemerkenswertesten war die höhere Zuverlässigkeit. Gemessen daran, ob eine Aufgabe mindestens einmal abgeschlossen werden konnte, schnitten beide Versionen ähnlich ab. Deutlicher fiel der Abstand aus, wenn der Test drei erfolgreiche Abschlüsse hintereinander verlangte – eine anspruchsvolle Messgröße für Software, die Aufgaben zuverlässig erledigen soll.
Die Ergebnisse haben Spekulationen befeuert, DeepSeek teste V4.1 Pro schrittweise über seinen bestehenden Dienst. Die Identität des Modells und der Zeitplan für eine Veröffentlichung sind weiterhin unbestätigt; die Benchmark-Ergebnisse wurden unter dem Namen des aktuellen V4 Pro präsentiert.
Die Diskussion über die Tests folgte auf eine teilweise Dienstunterbrechung am 7. November, die zweite gemeldete Störung innerhalb einer Woche. DeepSeek teilte mit, eine Fehlerbehebung umgesetzt zu haben und die Ergebnisse zu beobachten. Für Kunden betreffen die aktuellen Entwicklungen somit zwei unterschiedliche Anliegen: Aufgaben zuverlässiger abzuschließen und zuverlässig auf den Dienst zugreifen zu können.
Was hat sich bei LobeBench geändert?
MaxForAI nutzte LobeBench, eine interne Testsammlung, um das aktuelle V4 Pro mit V4 Pro-0813 zu vergleichen. Die ältere Version belegte in der veröffentlichten Rangliste Platz 13. Die neuere Version lag in diesem Vergleich unter den chinesischen Modellen auf Platz eins.
Der Zuwachs betrug 16 Prozentpunkte; acht zusätzliche Aufgaben der Kategorie „Schwer“ wurden erfolgreich abgeschlossen. Gemessen an den zuvor erledigten 24 Aufgaben entspricht der Anstieg auf 32 etwa einem Drittel mehr erfolgreich bearbeiteten Aufgaben. Beide Berechnungen beschreiben dasselbe Ergebnis aus unterschiedlichen Blickwinkeln: Ein größerer Anteil des Tests wurde abgeschlossen und mehr Aufgaben wurden erledigt.
Die Anforderung, Aufgaben bei LobeBench wiederholt erfolgreich abzuschließen, erklärt, warum das Ergebnis Aufmerksamkeit erregte. Ein Modell, das einmal erfolgreich ist, bei weiteren Versuchen aber scheitert, lässt sich im Arbeitsalltag nur schwer einsetzen. Ein Agent-Client, mit dem ein KI-System Aufgaben über Software ausführen kann, muss zuverlässig arbeiten und nicht nur gelegentlich eine starke Antwort liefern.
Der veröffentlichte Vergleich umfasst 50 Aufgaben und eine interne Rangliste. Angaben, die nötig wären, um ihn zu reproduzieren – darunter die vollständige Aufgabenliste, Bewertungsregeln, Modelleinstellungen und Ergebnisse konkurrierender Systeme –, wurden in den Ergebnisbeschreibungen nicht veröffentlicht.
Warum wiederholter Erfolg wichtig ist
Ein KI-Modell kann auf dieselbe Anfrage unterschiedliche Antworten geben. Bei einer mehrstufigen Aufgabe kann ein früher Fehler zudem alles Folgende beeinflussen. Drei erfolgreiche Versuche hintereinander zu verlangen, gewichtet zuverlässiges Verhalten stärker, als nur irgendeinen einzelnen erfolgreichen Versuch zu zählen.
Dem Bericht zufolge stellte MaxForAI kaum Unterschiede zwischen den beiden Versionen fest, wenn bereits ein einziger Erfolg für eine Wertung ausreichte. Bei der Messung wiederholter Erfolge vergrößerte sich der Abstand. Die zentrale Erkenntnis betrifft damit die Zuverlässigkeit und nicht einfach eine neue Fähigkeit, Aufgaben zu lösen, an denen die frühere Version stets scheiterte.
Für Nutzer, die einen Agenten mit der Erledigung von Aufgaben beauftragen, ist dieser Unterschied praktisch relevant. Wiederholte Fehlschläge können mehr neue Versuche, mehr Kontrollen und häufigeres Eingreifen durch Menschen bedeuten. Ein Modell, das dieselbe Aufgabe zuverlässig erledigt, kann nützlicher sein, selbst wenn eine gelegentlich erfolgreiche Antwort der älteren Version genauso gut wirkt.
Zu den weiteren informellen Vorführungen, die im Zusammenhang mit dem mutmaßlichen Update kursierten, gehörten das Rendern einer Animation und ein Bild von einem Kormoran auf einem Fahrrad. LobeBench bot einen zahlenbasierten Vergleich mit einer ausdrücklich benannten früheren Version und lenkte den Blick damit auf die wiederholbare Aufgabenerledigung.
Was geschah bei den Ausfällen?
Die Unterbrechung bei DeepSeek am 7. November begann laut den damals beschriebenen Statusinformationen des Unternehmens um 15:11 Uhr. Betroffen waren der Chat, die V4-Pro-API und die V4.1-Flash-API. Eine API ist die Schnittstelle, über die eine andere Anwendung automatisch Anfragen an DeepSeek senden kann.
Nutzer konnten den Chat nicht verwenden und erhielten die Meldung, dass der Server ausgelastet sei. DeepSeek teilte später mit, eine Fehlerbehebung umgesetzt zu haben und das Ergebnis zu beobachten. Bei späteren Tests funktionierte der Dienst den Berichten zufolge wieder normal.
Ein ähnlicher Vorfall hatte sich am 3. November ereignet. Er begann um 16:58 Uhr und betraf dieselben drei Dienste. Nachdem für diesen Vorfall eine Fehlerbehebung angekündigt worden war, wurden die Dienste weiterhin mit eingeschränkter Leistung geführt. Die Wiederherstellung des Zugangs und die Rückkehr zur normalen Geschwindigkeit können unterschiedliche Phasen eines Vorfalls sein.
Die beiden Unterbrechungen bilden den Hintergrund für die Spekulationen über das Modell. In den beschriebenen Statusinformationen wurde die Ursache des Ausfalls am 7. November nicht genannt. Kunden erhielten daher keine bestätigte Erklärung, die den Vorfall entweder mit einem steigenden Datenverkehr oder der Einführung eines Modells in Verbindung brachte.
Chronologie der Erwartungen an Pro
Das Interesse an V4.1 Pro besteht bereits länger als die jüngsten Testergebnisse. Die Veröffentlichungspläne für September, Änderungen am Dienst im Oktober und der Benchmark-Vergleich im November haben die Erwartungen jeweils mitgeprägt, betreffen jedoch unterschiedliche Teile der Produktpalette von DeepSeek.
- 10. September 2026: V4.1 Flash wurde veröffentlicht. Ein vorgeschlagener Plan, Anfragen an deepseek-v4-pro bis zur Veröffentlichung von V4.1 Pro an Flash weiterzuleiten, wurde nach Einwänden von Entwicklern zurückgezogen.
- 17. Oktober: Die Version V4.1 Flash-1017 wurde veröffentlicht, wie aus dem Bericht vom Oktober über spätere Änderungen am Dienst hervorgeht.
- 27. Oktober: Beobachter stellten ab etwa 18:21 Uhr Änderungen an Modell-Fingerprints fest. Um 19:07 Uhr waren die bei drei Modelloptionen beobachteten Fingerprints zu einem einzigen zusammengeführt.
- 3. November: Eine teilweise Dienstunterbrechung betraf ab 16:58 Uhr den Chat und beide genannten API-Dienste.
- 7. November: Eine weitere teilweise Dienstunterbrechung begann um 15:11 Uhr. DeepSeek meldete später eine Fehlerbehebung.
- 8. November: Berichte über den LobeBench-Vergleich von MaxForAI beschrieben den Anstieg von 24 auf 32 erledigte Aufgaben.
Der Weiterleitungsvorschlag vom September ist für Entwickler relevant, weil der Modellname Teil der Annahmen sein kann, auf denen eine Anwendung beruht. Wird das dahinterliegende Modell geändert, kann sich das auf Antworten, Kosten und Leistung auswirken. Nachdem der Vorschlag zurückgezogen worden war, blieb V4 Pro mit unveränderten Preisen verfügbar.
Was die Fingerprints im Oktober zeigten
Bei den Beobachtungen vom 27. Oktober ging es um Modell-Fingerprints, Kennungen, die dabei helfen können, Änderungen am System nachzuverfolgen, das eine Anfrage verarbeitet. Der alte Fingerprint war V4.1 Flash-1017 zugeordnet. Die neue Kennung ließ sich nicht eindeutig genug interpretieren, um das dahinterliegende Modell zu identifizieren.
Damals schien sich die beobachtete Änderung auf Flash und nicht auf Pro zu beziehen. Als mögliche Erklärungen galten ein anderer Modell-Checkpoint, also eine gespeicherte Modellversion, oder eine erneute Bereitstellung desselben Modells. Die neue Kennung ließ offen, welche Möglichkeit zutraf.
V4.1 Flash-1017 war erst seit zehn Tagen verfügbar, als diese Änderungen auftraten. Die Erwartungen an Pro waren bereits hoch, weshalb selbst eine Flash zugeordnete Änderung besondere Aufmerksamkeit erhielt. Das LobeBench-Ergebnis vom November ist für Pro unmittelbarer relevant, da es zwei Versionen mit der Bezeichnung V4 Pro vergleicht.
Auch der frühere Veröffentlichungsrhythmus von DeepSeek prägte die Erwartungen. Zwischen Flash und Pro der V4-Generation lagen Berichten zufolge etwa zwei Wochen. Bei der späteren Diskussion über V4.1 hatte die Wartezeit nach Flash bereits mehr als sieben Wochen betragen. Der aktuelle Veröffentlichungszyklus folgt somit einem anderen Zeitplan.
Was Entwickler derzeit vergleichen können
Die angegebenen Preise für V4 Pro und V4.1 Flash liegen auf unterschiedlichem Niveau. Für Eingaben bei V4 Pro wurden 0,66 US-Dollar pro eine Million Token angegeben; für Ausgaben außerhalb der Spitzenzeiten waren es 1,98 US-Dollar pro eine Million Token. Bei Flash lagen die Preise für Ein- und Ausgaben bei 0,15 beziehungsweise 0,60 US-Dollar pro eine Million Token.
Token sind kleine Textbausteine, die ein Modell verarbeitet, etwa Wörter oder Wortteile. Zu diesen Preisen kostet eine Eingabe bei Pro 4,4-mal so viel wie bei Flash. Der angegebene Ausgabepreis von Pro außerhalb der Spitzenzeiten liegt beim 3,3-Fachen des Flash-Ausgabepreises. Die tatsächlichen Ausgaben hängen von der Menge der Ein- und Ausgaben, dem Zeitpunkt und der anwendbaren Zwischenspeicherung ab.
Für Flash wurde außerdem ein Preis von 0,003 US-Dollar pro eine Million Token bei einem Cache-Treffer angegeben. Ein Cache ermöglicht es dem Dienst, bereits verarbeitete Eingaben wiederzuverwenden. Zu den aufgeführten Funktionen gehörte die native Bildverarbeitung, durch die Bilder direkt an das Modell übermittelt werden können.
Die angegebene Kapazität von V4 Pro umfasste ein Kontextfenster von einer Million Token und eine Ausgabebegrenzung von 384.000 Token. Das Kontextfenster bezeichnet die Menge an Material, die das Modell bei einer Anfrage berücksichtigen kann. Anhand dieser Spezifikationen können Kunden eine künftige Pro-Version mit dem bestehenden Produkt vergleichen.
Woran wäre das Update offiziell zu erkennen?
Eine Veröffentlichungsankündigung, die V4.1 Pro ausdrücklich nennt, gäbe Nutzern ein konkretes Produkt zur Bewertung. Ein entsprechender Eintrag in der API-Dokumentation, ein Modell-Repository und eine Preisaktualisierung würden praktische Angaben dazu liefern, wie sich das Modell nutzen lässt, was es kostet und welche Funktionen es unterstützt.
Ein Überblick über die öffentlichen Veröffentlichungsinformationen von DeepSeek bezeichnete das zuletzt relevante Repository als DeepSeek-V4.1-Flash, erstellt am 10. September 2026. Außerdem hieß es, der 51-seitige technische Bericht zu Flash enthalte weder die Bezeichnung V4.1-Pro noch V4.1 Pro. Die in diesem Überblick beschriebenen öffentlichen Produktinformationen konzentrierten sich weiterhin auf Flash und V4 Pro.
Optimistische Spekulationen zu den Benchmark-Ergebnissen vom November gingen von einer Veröffentlichung in der darauffolgenden Woche aus. In den beschriebenen Veröffentlichungsinformationen hatte DeepSeek weder ein konkretes Datum noch einen Zeitraum oder ein Quartal genannt. Konkret ist derzeit der berichtete Fortschritt bei wiederholten Aufgabenabschlüssen unter dem bisherigen Namen V4 Pro.
Die wichtigsten Punkte
- V4 Pro erledigte 32 von 50 LobeBench-Aufgaben, verglichen mit 24 bei V4 Pro-0813.
- Die Erfolgsquote stieg von 48 auf 64 Prozent, ein Plus von 16 Prozentpunkten.
- Der wichtigste Fortschritt zeigte sich bei Aufgaben, die drei erfolgreiche Abschlüsse hintereinander erforderten.
- Bei DeepSeek kam es am 3. und 7. November zu teilweise Ausfällen. Betroffen waren der Chat und zwei API-Dienste.
- Die Änderungen an den Fingerprints im Oktober schienen Flash zu betreffen, während sich der Benchmark-Vergleich im November auf Pro bezog.
- Identität, Veröffentlichungstermin und Preise von V4.1 Pro sind weiterhin unbestätigt.
