Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
fragen-fundeohne Datum · Q004756

Hugging Face

huggingface.co · Originalbericht öffnen ↗

Zusammenfassung

Kurz

DeepSeek-V4.1-Flash wird als multimodales Modell mit langem Kontext und stark komprimiertem KV-Cache vorgestellt; laut Bericht beträgt dieser 890 Byte pro Token. Die Benchmarkresultate sind gemischt und beruhen auf den vom Anbieter beschriebenen Testaufbauten, nicht auf einer unabhängigen Prüfung.

Mittel

Der Bericht beschreibt DeepSeek-V4.1-Flash als multimodales MoE-Modell mit 552 Milliarden Backbone-Parametern und bis zu einer Million Tokens Kontext. Seine Encoder-Decoder-Architektur und Verfahren zur Wiederverwendung und Komprimierung von Aufmerksamkeitsdaten sollen den globalen KV-Cache auf 890 Byte pro Token senken, ungefähr ein Viertel des Werts von DeepSeek-V4-Flash. Beim Vorverarbeiten und Generieren würden laut Bericht 8 beziehungsweise 16 Milliarden Parameter aktiviert. Das Modell sei mit 45 Billionen multimodalen Tokens trainiert worden; die Schlussfolgerungsstärke lässt sich von 1 bis 100 einstellen.

Die veröffentlichten Benchmarkwerte zeigen ein gemischtes Bild: V4.1-Flash schneidet in einigen Wissens-, Code-, Mathematik- und Agententests stark ab, liegt in anderen hinter den Vergleichsmodellen. Die Tests stammen laut Bericht teils aus einem internen Rahmenwerk; Ergebnisse hängen außerdem von Schlussfolgerungseinstellung, Agenten-Gerüst und Testbedingungen ab. Der Bericht beschreibt Prompt- und Inferenzwerkzeuge sowie Reproduktionsanleitungen, enthält aber keine unabhängige Prüfung seiner Leistungs- oder Effizienzangaben.

Ausführlich lesen

Der Bericht stellt DeepSeek-V4.1-Flash als multimodales Mixture-of-Experts-Modell mit 552 Milliarden Backbone-Parametern und einem Kontextfenster von bis zu einer Million Tokens vor. Es verarbeitet laut Beschreibung Bilder und Text und erzeugt Text. Im Mittelpunkt steht die Verringerung des KV-Cache-Bedarfs, also des Speichers für den Aufmerksamkeitskontext: Eine 40-schichtige Encoder-Decoder-Architektur soll beim Vorverarbeiten 8 Milliarden und beim Generieren 16 Milliarden Parameter aktivieren. Ein Verfahren namens SWA Bounded Replay rekonstruiert bestimmte Zustände durch erneutes Verarbeiten jüngster Tokens; dadurch soll der persistente Cache auf etwa ein Achtel desjenigen von DeepSeek-V4-Flash sinken. Weitere Verfahren teilen und wiederverwenden Aufmerksamkeitsinformationen. Zusammen mit komprimiertem FP4-KV-Speicher beziffert der Bericht den globalen Cache auf 890 Byte pro Token, ungefähr ein Viertel des Vorgängers.

Zur weiteren Architektur nennt der Bericht unter anderem ein bedingt abgerufenes Engram-Gedächtnis mit 196 Milliarden Parametern, spekulative Dekodierung und einen Vision-Encoder. Trainiert worden sei das Modell von Grund auf mit 45 Billionen multimodalen Tokens; die Sequenzlänge beim Training sparsamer Aufmerksamkeit betrage 64.000 Tokens und sei später bei 34 Billionen verarbeiteten Tokens auf eine Million erweitert worden. Das nachgelagerte Training folge dem üblichen Ablauf aus überwachten Beispielen, bestärkendem Lernen und On-Policy-Destillation. Als Änderung hebt der Bericht vor allem automatisierte Erzeugung von Agentenaufgaben und schrittweise Skalierung der Trainingsdaten hervor. Der Aufwand für Schlussfolgern lasse sich über eine ganze Zahl von 1 bis 100 steuern; höhere Einstellungen seien mit höherem Inferenzaufwand und möglicher Genauigkeitssteigerung verbunden.

Die Tabellen vergleichen Basis- und Instruktionsmodelle auf Wissens-, Sprach-, Mathematik-, Programmier-, Langkontext-, multimodalen und Agenten-Benchmarks. Bei den Basismodellen liegt V4.1-Flash in den aufgeführten Vergleichen teils vorn, etwa bei MMLU-Pro, HumanEval und GSM8K, teils hinter V4-Pro oder V4-Flash, etwa bei AGIEval, MATH, MGSM und LongBench-V2. Für multimodale Tests werden nur Werte für V4.1-Flash ausgewiesen. In den Agententests erreicht es laut Tabelle unter anderem 90,6 bei Terminal-Bench 2.1 und 74,2 bei DeepSWE v1.1; bei Terminal-Bench 3.0 und 4.0 liegen die angegebenen Werte deutlich unter dem Spitzenwert der jeweiligen Vergleichstabelle. Auch die Ergebnisse für visuelle Agententests übertreffen die verglichenen Modelle nicht durchgehend.

Die Zahlen sind als Angaben des Modellanbieters zu verstehen: Die Basismodelle wurden laut Bericht in einem internen Rahmenwerk getestet, und Abweichungen bis 0,3 gelten dort als gleichwertig. Die Instruktionsergebnisse verwenden maximale Schlussfolgerungsstärke; die Agententests unterscheiden sich nach Gerüst, Kontextlimit und weiteren Einstellungen. Für Terminal-Bench 2.1 wird kein Netzwerkzugang verwendet. Der Bericht stellt außerdem Referenzcode und ein Rust-Werkzeug für Prompt-Kodierung, Hinweise zur lokalen Inferenz und Anleitungen zur Reproduktion von DeepSWE-Ergebnissen bereit. Eine Jinja-Chatvorlage sei nicht enthalten. Modell und Gewichte werden als MIT-lizenziert angegeben. Der Text liefert Benchmarktabellen und beschriebene Testbedingungen, aber keine unabhängige Prüfung der Leistungs- oder Effizienzbehauptungen.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Die Zusammenfassung wurde als Ganzes geprüft, weil das Schema nur eine Zusammenfassung vorsieht. Die Stufen sind unabhängig von Lunas Einschätzung vergeben; die Abweichungen liegen vor allem bei SF-H2 und SF-V5, wo Luna die Belegdichte überschätzt.

Im Bericht, aber nicht in der Zusammenfassung

  • Die Architektur mit SWA Bounded Replay reduziert den persistenten KV-Cache auf etwa ein Achtel gegenüber DeepSeek-V4-Flash.
  • CSA2 und der Hierarchical Sparse Indexer sind die zentralen Mittel zur Kostensenkung; die Kurzfassung erwähnt sie nicht.
  • Die Hauptneuerung liegt laut Bericht in der Datenpipeline des Post-Trainings (SFT, RL, on-policy distillation), nicht im Algorithmus.
  • Im Vergleich mit Frontier-Modellen liegt V4.1-Flash bei Terminal-Bench 2.1, DeepSWE v1.1 und HLE mit Tools vorn; das wird nur allgemein als gemischt beschrieben.
  • Der Bericht nennt die MIT-Lizenz für Repository und Modellgewichte.
  • Die Kurzfassung nennt weder Parameterzahlen noch die Aktivierungswerte 8B und 16B.

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Vorfälle melden
Fähigkeiten messen
  1. SF-F1 Wie misst man gefährliche Fähigkeiten eines Modells, vor allem im Cyberbereich, mit gemeinsam anerkannten, wiederholbaren Tests, die keine Sprache, Kultur oder Seite bevorzugen?
    • clef 100 %kein Bezug
    • Luna 37 %einzelne zitierbare Belege
    • JEV offen
    • amos 38 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 22 %gleiches Oberthema, hilft nicht
    • d3-ultra 38 %gleiches Oberthema, hilft nicht

    • SF-F1-T01 Welche Belege zu Cyberfähigkeiten soll ein Labor vor der Freigabe eines Modells veröffentlichen (Methoden, Aufgabenfamilien, Fehlerraten, getestete Version, reproduzierbare Cyber-Tests in abgeschirmter Umgebung für unabhängige Prüfer), damit jedes Ministerium sie nachstellen kann, statt ihnen vertrauen zu müssen? Und führt es für dieselbe Modellversion abgestimmte Cyber-Tests durch, die sowohl den durch Schutzmaßnahmen verhinderten Missbrauch als auch die legitimen Abwehraufgaben messen, die dieselben Schutzmaßnahmen blockieren, und weist es beide Ergebnisse aus? Luna: Stufe 4 · 29 % · einzelne zitierbare Belege · Haiku-Prüfung: Stufe 3 · Hintergrund, keine Belege
    • SF-F1-T02 Veröffentlichen Labore abgestimmte Cyber-Tests, die zeigen, was jedes Modell mehr leistet als ein Mensch ohne KI-Hilfe? Luna: Stufe 4 · 35 % · einzelne zitierbare Belege · Haiku-Prüfung: Stufe 4 · einzelne zitierbare Belege
    • SF-F1-T05 Welche Cyber-Prüfungen und welche Testbausteine (Testfälle, Bewertungswerkzeuge, Datensätze) würden jedes Labor und jedes Ministerium anstelle einer bloßen Behauptung als gültig anerkennen, wenn andere sie an ihrem Modell durchführen? Und welche genormte Testsammlung würden Labore verschiedener Staaten gemeinsam an eingefrorenen Modellversionen laufen lassen, verwaltet von einer dritten Stelle, der alle trauen? Luna: Stufe 3 · 30 % · Hintergrund, keine Belege
  2. SF-F2 Wenn ein Staat ein Modell als Beleg für eine überschrittene Schwelle nennt oder ein Risiko an der Herkunft eines Modells festmacht: Wie wird das überprüfbar?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV offen
    • amos 26 %einzelne zitierbare Belege
    • SubQ 100 %kein Bezug
    • drex 38 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
Unabhängig prüfen
  1. SF-P3 Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV offen
    • amos 30 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 30 %gleiches Oberthema, hilft nicht
    • d3-ultra 46 %gleiches Oberthema, hilft nicht
  2. SF-P4 Wie lässt sich die Größe von Trainingsläufen überprüfen, ohne Modelldetails offenzulegen?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV offen
    • amos 29 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 39 %gleiches Oberthema, hilft nicht
    • d3-ultra 51 %gleiches Oberthema, hilft nicht
Tempo und Grenzen
Vertrauen in Modelle
  1. SF-V1 Was zählt als Beleg für die Werte eines Modells, wenn sein sichtbares Denken und seine Selbstauskünfte allein nicht genügen?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV offen
    • amos 27 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 57 %gleiches Oberthema, hilft nicht
    • d3-ultra 49 %gleiches Oberthema, hilft nicht
  2. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 42 %einzelne zitierbare Belege
    • JEV offen
    • amos 27 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 50 %gleiches Oberthema, hilft nicht
    • d3-ultra 52 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung Hintergrund, keine Belege

    • SF-V5-T03 Ist es wirtschaftlich klug, Modelle mit geringem Denkaufwand zu betreiben, oder wird das Ausrichtungsproblem (Modelle dazu zu bringen, den vorgesehenen Zielen und Werten zu folgen) dadurch nur schwerer sichtbar? Luna: Stufe 3 · 42 % · Hintergrund, keine Belege · Haiku-Prüfung: Stufe 3 · Hintergrund, keine Belege
Agenten und vernetzte Systeme
Modelle teilen und schützen
  1. SF-H2 Was darf offen veröffentlicht werden, und wer ist verantwortlich, wenn ein offenes Modell anderswo Schaden anrichtet?
    • clef 100 %kein Bezug
    • Luna 45 %einzelne zitierbare Belege
    • JEV offen
    • amos 29 %einzelne zitierbare Belege
    • SubQ 100 %kein Bezug
    • drex 30 %gleiches Oberthema, hilft nicht
    • d3-ultra 44 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung nur am Rande erwähnt

  2. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 64 %umfangreiche Belege
    • JEV offen
    • amos 29 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 31 %gleiches Oberthema, hilft nicht
    • d3-ultra 52 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung einzelne zitierbare Belege

Frieden und Sicherheit
Offenlegung und Rechenschaft
Beteiligung und Gemeinwohl
Wirtschaft und Haftung

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →