Das ist kein Benchmark-Bericht. Das ist ein Argument. DeepSeek V4-Flash Final-Version hat nicht nur seine eigene Vorschau geschlagen – es hat die Annahme zerstört, dass größere Modelle bessere Modelle sind. Wenn Sie KI immer noch nach Parameterzahl bewerten, sind Sie bereits im Rückstand.
Der Moment, in dem das Paradigma zerbrach
- Juli 2026. DeepSeek liefert V4-Flash Final-Version aus. Die Architektur ist unverändert seit April. Die Parameterzahl ist unverändert: 284B insgesamt, 13B aktiv. Das Pre-Training ist unverändert. Das Einzige, was sich geändert hat, ist das Post-Training.
Und das Ergebnis? Eine 6,5-fache Verbesserung bei DeepSWE. Terminal Bench 2.1 mit 82,7 – drei Punkte vor der V4-Pro-Vorschau, einem Modell mit 3,8× mehr aktiven Parametern. Ein 13B-aktives Modell, das GLM-5.2 (744B Parameter) bei Agent-Aufgaben übertrifft.
Lassen Sie das sacken. Dasselbe neuronale Netzwerk, mit derselben Anzahl an Synapsen, trainiert auf denselben Daten, aber mit anderem Post-Training – und es ist 6,5× besser im Software Engineering.
Das ist keine inkrementelle Verbesserung. Das ist ein Kategorienfehler in der Art, wie wir über Modellfähigkeiten nachgedacht haben.
Die drei Ären der Modellbewertung
Ära 1: Parameterzahl (2020–2024). Die Annahme war einfach: mehr Parameter = mehr Fähigkeit. GPT-3 hatte 175B. GPT-4 hatte geschätzt 1,7T. Größer war besser. Die Skalierungsgesetze schienen das zu bestätigen.
Ära 2: Benchmark-Scores (2024–2025). Die Community erkannte, dass die Parameterzahl nicht die ganze Geschichte erzählt. Mixture-of-Experts-Modelle wie Mixtral zeigten, dass spärliche Architekturen dichte Modelle zu einem Bruchteil der aktiven Parameter erreichen konnten. Die Bewertung verlagerte sich auf Benchmark-Scores – MMLU, HumanEval, SWE-bench.
Ära 3: Post-Training-Qualität (2026–). Das V4-Flash-Ergebnis belegt, dass Benchmark-Scores von der Post-Training-Qualität abhängen, nicht von der Pre-Training-Skalierung. Ein Modell mit 13B aktiven Parametern, gut trainiert, übertrifft ein Modell mit 49B aktiven Parametern, schlecht trainiert. Die Architektur und das Pre-Training setzen die Obergrenze. Das Post-Training bestimmt, wie nah man ihr kommt.
Was Post-Training tatsächlich bewirkt
Pre-Training lehrt ein Modell Fakten, Syntax und Muster. Es ist das „Was“ – was ist eine For-Schleife, was ist eine Funktion, was ist eine Race Condition.
Post-Training lehrt ein Modell Verhalten. Es ist das „Wie“ – wie man eine mehrschrittige Aufgabe plant, wie man sich von einem fehlgeschlagenen Tool-Aufruf erholt, wie man Kontext über 100K Tokens aufrechterhält, wie man erkennt, wann man fertig ist.
Das V4-Flash-Ergebnis deutet darauf hin, dass für Agent-Aufgaben das „Wie“ weitaus wichtiger ist als das „Was“. Ein Modell, das etwas weniger weiß, sich aber viel besser verhält, wird ein Modell übertreffen, das mehr weiß, aber nicht ausführen kann.
Das hat Auswirkungen auf jedes Team, das auf KI aufbaut:
-
Ihre Modellbewertung ist wahrscheinlich falsch. Wenn Sie Modelle nach Parameterzahl oder generischen Benchmark-Scores auswählen, messen Sie das Falsche. Sie müssen anhand Ihrer tatsächlichen Agent-Aufgaben, mit Ihren tatsächlichen Tool-Ketten und Ihren tatsächlichen Akzeptanzkriterien evaluieren.
-
Das Modell, das Sie heute einsetzen, ist nicht das Modell, das Sie in drei Monaten haben werden. Post-Training-Verbesserungen erfordern keine neue Hardware. Sie erfordern kein Re-Architecting. Sie erfordern bessere Trainingsdaten und eine bessere RLHF-Strategie. Dieselben Modellgewichte können dramatisch verbessert werden, ohne eine einzige Zeile Inference-Code zu ändern.
-
Der Burggraben verschiebt sich. Vor einem Jahr war der Burggraben die Pre-Training-Skalierung – wer sich den größten Cluster leisten konnte. Heute ist der Burggraben die Post-Training-Methodik – wer das Modellverhalten am effektivsten formen kann. Morgen wird der Burggraben die Agent-Infrastruktur sein – wer die beste Laufzeitumgebung für autonome Aufgabenausführung bauen kann.
Die unbequeme Frage an die Frontier-Labs
Wenn DeepSeek eine 6,5-fache Verbesserung bei DeepSWE allein durch Post-Training erreichen kann, mit einem Modell, das 1/10 der Konkurrenz kostet – was sagt das über die Milliarden aus, die für Pre-Training-Cluster ausgegeben werden?
Es sagt nicht, dass Pre-Training wertlos ist. Es sagt, dass Pre-Training die Grundvoraussetzung ist. Jeder hat heute gutes Pre-Training. Die Differenzierung liegt in dem, was danach passiert.
Die Labs, die Post-Training als Nebensache behandeln – als Fine-Tuning-Schritt, den man vor dem Release schnell durchläuft – werden gegen Labs verlieren, die es als das eigentliche Produkt betrachten. DeepSeek hat gerade bewiesen, dass dasselbe Modell mit besserem Post-Training von „nicht wettbewerbsfähig“ zu „Frontier“ bei den Aufgaben springen kann, die zählen.
Was Sie dagegen tun sollten
- Hören Sie auf, Parameterzahlen zu zitieren. Sie sind ein Stellvertreter, der nicht mehr nützlich ist. Zitieren Sie aufgabenspezifische Leistung auf Ihrer tatsächlichen Arbeitslast.
- Bauen Sie eine kontinuierliche Evaluierungs-Pipeline. Das Modell, das Sie letzten Monat bewertet haben, ist nicht das Modell, das Sie heute bewerten. Führen Sie Ihre Agent-Aufgaben kontinuierlich aus, nicht quartalsweise.
- Investieren Sie in Ihr eigenes Post-Training. Wenn Sie einen Coding-Agenten in Produktion betreiben, haben Sie Daten darüber, wie „gut“ aussieht. Fine-Tunen Sie auf diesen Daten. Der Hebel ist enorm.
- Beobachten Sie den Agent-Infrastruktur-Bereich. Das Modell wird zur Commodity. Die Agent-Laufzeitumgebung – das Harness, die Tool-Kette, die Routing-Schicht – wird zum Produkt.
Das Fazit
Die Ära „größeres Modell = besseres Modell“ endete am 31. Juli 2026. Die Ära „besseres Training = besseres Modell“ begann am selben Tag. Die meisten Teams haben es noch nicht bemerkt. Diejenigen, die es tun, werden einen 6,5-fachen Vorteil haben. Falls Sie den Launch verpasst haben: Das 3-Minuten-Briefing fasst die wichtigsten Zahlen zusammen, und der Architektur-Deep-Dive erklärt den Mechanismus hinter dem Sprung – die CSA+HCA-Aufmerksamkeit, das MoE-Routing und was die Benchmarks tatsächlich messen. Für das vollständige Bild inklusive der Änderungen durch V4-Pro starten Sie beim vollständigen Launch-Briefing.
Die Revolution läuft bereits. Sie sind nur noch nicht drauf.
V4-Flash-0731 wurde am 31. Juli ausgeliefert. MonkeyCode hat den Support am selben Tag ausgeliefert. 30M Tokens täglich kostenlos. Keine Ausreden.