DeepSeek 1017: alter Modellname, neue Gewichte, fast halbierte Kosten pro Aufgabe

Am 17. Oktober 2026 hat DeepSeek die Gewichte hinter seinem Flash-Modell ausgetauscht. Der Modellname in der Schnittstelle blieb, der Preis blieb, der Aufruf blieb. In der eigenen Dokumentation zu api.deepseek.com steht der Hinweis dazu offen: Als Modellname wird weiterhin deepseek-flash genannt, dieser Name werde jetzt von DeepSeek-V4.1-Flash-1017 bedient, die Aufrufmethode bleibe unverändert. Die früheren Namen deepseek-v4-flash und deepseek-v4-flash-vision-exp würden weiter akzeptiert, die Modelle dahinter seien pensioniert, abgerechnet werde zum Flash-Preis (API-Doku). Ein Datum führt diese Doku im Modellnamen nicht.

Die Gewichte selbst liegen seit demselben Tag, 02:40 UTC, auf Hugging Face: 88 Dateien, 510,3 GB, 48 safetensors, Lizenz MIT, 17.924 Downloads (Modellkarte). Nachgerechnet haben wir nach einem Video von Donato Capitella vom 18. Oktober, das den Checkpoint auf AMD-Einheitenspeicher betreibt.

Was die Karten hergeben

Der Backbone misst 552 Milliarden Parameter, davon 8 Milliarden aktiv im Prefill und 16 Milliarden im Decode, dazu eine Engram-Tabelle mit 196 Milliarden Parametern, die nur sparse angefasst wird (Vorgängerkarte). Der Kontext beträgt 1 Million Tokens. 1 geteilter und 384 geroutete Experten stehen pro Token zur Wahl, 6 sind aktiv. Der globale KV-Cache ist in FP4 gepackt und kostet 890 Bytes pro Token, rund ein Viertel des Vorgängers. Die im Video genannte halbe Billion ist damit eine passende Rundung.

Die Karte nennt auch Benchmarks, alles Anbieterzahlen: Terminal-Bench 4.0 42,3 gegen 31,2 für den alten Checkpoint, Humanity's Last Exam ohne Werkzeuge 42,6 gegen 36,8, ProgramBench 29,1 gegen 20,3, DeepSWE v1.1 77,0 gegen 74,2. Harness, Temperatur und Samplezahl stehen nicht dabei. Formuliert ist das als bessere Lage auf der Kosten-Leistungs-Grenze über mehrere Agent-Umgebungen.

Unabhängig gemessen: gleiches Tempo, weniger Tokens

Artificial Analysis führt beide Checkpoints im selben Index, am 19. Oktober nachgelesen: Intelligenzindex 45 gegen 39, Kosten pro Aufgabe 0,26 gegen 0,49 US-Dollar, Output-Tokens über den ganzen Index 210 Millionen gegen 250 Millionen, Output-Tempo 227 gegen 231 Tokens pro Sekunde (1017, Vorgänger).

US-Dollar je Aufgabe des Artificial-Analysis-Intelligence-Index v4.3.2, Variante Max, abgerufen am 19. Oktober 2026. Die Preise je Million Token stehen auf beiden Seiten bei 0,30 Einlass und 1,20 Auslass. (Quelle: Artificial Analysis)

Zwei Dinge fallen an diesen Zahlen auf. Das Tempo ist praktisch gleich geblieben, der Gewinn sitzt woanders: im Output. Und die Kosten sind um 47 Prozent gefallen, während die Output-Menge nur um 16 Prozent gefallen ist. Da der Tokenpreis unverändert ist, muss der größere Teil des Rückgangs aus den Input- und Cache-Anteilen kommen, also aus weniger Runden, in denen immer derselbe Kontext noch einmal geschickt wird. Das ist eine Folgerung, Artificial Analysis weist die Tokenarten je Kategorie aus. Für den Betrieb ist das die interessantere Hälfte: Bei Agenten läuft der Preis über die Zahl der Runden, nicht über die Geschwindigkeit (Was eine Aufgabe kostet).

Was der gleich gebliebene Name im Betrieb bedeutet

Für einen Teststand ist das ein stiller Schnitt. Alles, was im September gegen deepseek-flash gemessen wurde, vergleicht jetzt gegen ein anderes Modell, ohne dass eine Konfigurationsdatei sich verändert hat. DeepSeek führt den Wechsel offen in der Doku, nur eben nicht als Vorgang mit Abschaltknopf.

Wer eine Version braucht, muss sie sich anders holen. OpenRouter führt deepseek/deepseek-v4.1-flash-1017 als eigenes Modell, führt aber auch den alten. Oder selbst hosten. Für uns heißt das konkret: In jeder Strecke auf fremden Endpunkt gehört der Modellverweis aus der Antwort in die Protokollzeile, sonst lässt sich eine Verschlechterung nach drei Wochen keinem Wechsel mehr zuordnen. Nebendetail derselben Preisseite: Nachts und am Wochenende zählt der halbe Preis, die Peakfenster liegen an Werktagen bei 01:00 bis 04:00 und 06:00 bis 10:00 UTC (Preise).

Lokal ist das eine Speicherfrage

Der Kanal betreibt das Modell mit der Engine DwarfStar, das Projekt von Salvatore Sanfilippo mit 23.937 Sternen (Repo). Die fertige Q2-GGUF-Datei wiegt 365,7 GB. Die Begleitdatei des Quant-Repositories nennt die Aufteilung: 151,76 GiB müssen als Tensor-Spannen angesiedelt bleiben, 188,83 GiB Engram-Tabelle laufen von SSD, Zielhardware gfx1151 unter ROCm (Quant-Repo). Dazu kommt ein Entwurfsmodell mit 8 GB für Speculative Decoding, das sich laut derselben Datei nicht mit SSD-Streaming verbinden lässt.

Die Technik hinter dem Tempo heißt bei DeepSeek SWA Bounded Replay und steht als hauseigene Inferenz-Methode auf der Modellkarte: Nur die letzten Fenster-Tokens werden durch die Decoder-Schichten geschickt, der persistente KV-Anteil sinkt auf etwa ein Achtel. Als Portierung in die Engine liegt sie als Antrag offen, ungemergt, mit Tables, die zur Größenordnung des Videos passen: resident 215,84 bis 422 Tokens pro Sekunde exakt gegen 393 bis 443 mit begrenztem Wiederholenspiel, Decode rund 14,6, mit Entwurfsmodus 17,66 bis 18,34 (Antrag #2). Die Limits nennt der Antrag selbst: per Default aus, nur für ROCm qualifiziert, veränderte Prefill-Logits, Gewichtung 0,197360214 gegen 0,195660362.

Für uns ist die Rechnung kurz und gemessen: Unsere größte Inferenzmaschine hat 4 Karten zu je 32.607 MiB, 91 GiB Arbeitsspeicher und 1,7 TB freie Platte. 151,76 GiB angesiedelte Spannen passen dort nicht hinein, auch nicht aufgeteilt. Adressiert wird diese Klasse über 128 bis 192 GB Einheitenspeicher, wofür AMD den Ryzen AI Max+ PRO 495 mit 256-Bit-Bus baut. Die reale Größe bei uns bleibt das 27B-Modell im Eigenbetrieb (Nachgerechnet).

Die Zahl aus dem Video und ihr Stand

Capitella berichtet 44 Prozent weniger generierte Tokens und 42 Prozent weniger Zeit pro Aufgabe, gemessen auf den ersten 8 Aufgaben eines noch laufenden Durchlaufs durch Terminal Bench Mini. Der Harness und seine eingecheckten Ergebnisse liegen in einem Repository: Suite Core-19, 19 Aufgaben, 21 Läufe, 4 Plattformen, und in der Ergebnisdatei vom 19. Oktober kommt 1017 darin nicht vor (Suite und Läufe). Die 44 Prozent sind eine Beobachtung aus einem laufenden Versuch, keine publizierte Messung; die unabhängigen 16 Prozent stehen daneben.

Drei Punkte, Stand 19. Oktober: Die Quant-Dateien von antirez seien für 1017 noch nicht da, sagt der Kanal, er habe selbst quantisiert. Am 19. Oktober um 07:57 UTC hat antirez/deepseek-v4.1-flash-gguf eine 1017-Stufe hochgeladen, zwischen 08:34 und 09:15 UTC folgten neun MXFP4-Shards. Der Kanal ist AMD-partnerschaftlich unterwegs, der Vorläufer-Thread trug die Kennung #AMD_Partner. Ein Aggregator meldet außerdem Rückgänge bei Wissen und Langkontext, ohne eigene Messung. Offen bleibt das, die unabhängigen Zahlen zeigen in die Gegenrichtung.

Was wir daraus machen

Nachgesehen haben wir in der eigenen Strecke: In der Gateway-Konfiguration unseres LiteLLM-Hosts ist kein DeepSeek-Anbieter eingetragen, alle sechs Modellnamen zeigen auf eigene Geräte. Auch für unsere produktive Strecke mit vLLM und llama.cpp ändert sich durch diesen Checkpoint nichts (Eigenbetrieb mit llama.cpp). Der Beitrag des Vorgangs für uns ist ein anderer und kostet nichts: Wir zählen vier Wochen lang die generierten Tokens je abgeschlossener Aufgabe über unsere Lane und legen die Runden dazu. Wenn ein Modellwechsel diese Zahl um die Größenordnung der unabhängigen Messung bewegt, ist das eine Kaufentscheidung, die man nicht mehr rechnen muss.

Das Zweite ist eine Absage an eine Anschaffung für dieses Modell. Unsere vier Karten lösen es nicht, ein Rechner mit 128 oder 192 GB Einheitenspeicher würde es lösen, und 0,26 US-Dollar je Aufgabe bei DeepSeek sind über jede unsere Betriebsrechnungen gerechnet, bevor eine Maschine steht. Wer trotzdem lokal in diese Größenordnung will, kauft Speicher und nicht Tempo. Dafür haben wir am 16. Oktober schon gerechnet (R9700 gegen 5090).

Weiterführende Quellen

Fragen?

Muss unser Code wegen DeepSeek 1017 geändert werden?+

Nein, und genau das ist der Punkt. DeepSeeks Schnittstellendoku nennt weiterhin deepseek-flash als Modellnamen und sagt, dieser Name werde jetzt von DeepSeek-V4.1-Flash-1017 bedient. Die alten Namen deepseek-v4-flash und deepseek-v4-flash-vision-exp laufen weiter, die Modelle dahinter sind pensioniert, abgerechnet wird zum Flash-Preis. Ein festschreiben lässt sich der Wechsel über DeepSeeks eigenen Endpunkt laut Doku nicht, über Anbieter, die die Variante separat führen, schon.

Stimmen die 44 Prozent weniger Tokens aus dem Video?+

Nachgemessen ist diese Zahl bisher nirgends. Die öffentliche Ergebnisseite des genutzten Harness enthält am 19. Oktober 2026 keinen einzigen Lauf mit 1017, der Kanal selbst berichtet von den ersten 8 Aufgaben eines laufenden Durchlaufs. Artificial Analysis zählt für denselben Intelligenzindex 250 Millionen Output-Tokens beim alten Checkpoint und 210 Millionen beim neuen, das sind 16 Prozent weniger. Die Richtung stimmt, die Höhe ist eine Beobachtung.

Könnten wir das Modell bei uns laufen lassen?+

Mit dem heutigen Bestand nicht. Die offene Q2-Datei ist 365,7 GB gross und verlangt laut Begleitdatei 151,76 GiB angesiedelte Tensor-Spannen. Unsere größte Maschine hat 91 GiB Arbeitsspeicher und 130,4 GiB Grafikspeicher über vier Karten. Bleibender Weg wäre das Auslagern von 188,83 GiB Engram-Tabelle auf SSD, und das schließt den zugehörigen Entwurfsmodus aus.

Zurück zum Blog KI-Einordnung: Modelle, Markt, Meldungen