Die Schlagzeile: DeepSeeks V4-Pro-Flaggschiff ging in der Nacht zum 12. August stillschweigend in die allgemeine Verfügbarkeit – kein Launch-Event, keine Open-Weight-Ankündigung, nur eine API-Dokumentation, in der der Modellname
deepseek-v4-pronun aufDeepSeek-V4-Pro-0813auflöst. Das MoE-Modell mit 1,6T Parametern (49B aktiv) behält seinen 1M-Token-Kontext und den 384K-Output, doch die Veränderung liegt im Post-Training: Seine Agent-Benchmarks sprangen stellenweise um fast das 5-Fache. DeepSWE, der Software-Engineering-Agent-Benchmark, stieg von 12,8 in der April-Vorschau auf 62,7 – vorbei an Claude Opus 4.8s 58,0. Das ist der schärfste Einzelsprung bei Agent-Fähigkeiten, über den diese Seite in diesem Monat berichtet hat, und er landet bei genau der Frage, die jeder Launch aufs Neue aufwirft: Wenn ein Agent so viel fähiger wird, zählt die Berechtigungsgrenze um ihn herum mehr als der Benchmark.
Was DeepSeek ausgeliefert hat
V4 Pro ist das Flaggschiff der V4-Reihe, und seine offizielle Veröffentlichung war ein Gray-Launch im wörtlichen Sinn: In der Nacht zum 12. August wechselte die Modellversion in der API-Dokumentation von der Vorschau auf 0813, während das offizielle Changelog weiterhin nur den Eintrag zu V4-Flash vom 31. Juli zeigte. Bestandskunden rufen deepseek-v4-pro weiterhin ohne Migration auf – das Modell hinter dem Namen hat sich einfach geändert. Die wichtigsten Zahlen:
- Agent-Benchmarks, dort wo es zählt nahezu vervierfacht. DeepSWE stieg von 12,8 auf 62,7 (~4,9-fach). Terminal Bench 2.1 stieg von 72,1 auf 87,9, vorbei an Opus 4.8s 85,0 und 0,1 Punkte hinter Fable 5s 88,0. Cybergym stieg von 52,7 auf 83,3, knapp vor Fable 5s 83,1. AutomationBench stieg von 12,8 auf 31,8, vor Fable 5s 29,1. DSBench-Hard stieg von 31,1 auf 67,2 – also mehr als verdoppelt.
- Multimodal zum ersten Mal. Die Vorschau war nur textbasiert; die offizielle Version ergänzt natives Bild-Argumentieren innerhalb der DeepThink-Schleife – Screenshots und gemischte Dokumente werden im selben Argumentationsdurchgang gelesen.
- Eine bewusste Preislücke. Pro wird mit ¥3 pro 1 Million Token Input (ungecacht), ¥0,025 pro 1 Million Token gecacht und ¥6 pro 1 Million Token Output gelistet – exakt das 3-Fache von V4-Flash – bei einer Parallelität von 500 gegenüber 2500 bei Flash. Und DeepSeek hat bereits „eine deutliche bevorstehende Preiserhöhung“ in seiner API angekündigt, daher ist die 3-fache Lücke wahrscheinlich die Untergrenze, nicht die Obergrenze.
Der Punkt, den man festhalten sollte, ist der erste: Der Sprung liegt spezifisch in der Agent-Fähigkeit – Terminal-Bedienung, Tool-Aufrufe, Umgebungsinteraktion, langfristige Code-Reparatur. Es ist keine reine Reasoning-Geschichte. Bei HLE ohne Tools erreicht V4 Pro 42,7, weiterhin hinter Opus 4.8s 49,8 und Fable 5s 53,3. Der Vorteil des Modells ist, „Dinge mit Tools zu erledigen“, nicht, „mehr Fakten zu kennen“. Genau diese Unterscheidung macht es für die Frage der Berechtigungsgrenze relevant.
Eine Anmerkung dazu, woher diese Zahlen stammen
Eine Einschränkung zählt hier mehr als sonst. Die Vergleichstabelle, die in der Launch-Nacht kursierte, stammte aus einer offiziellen DeepSeek-Gruppe und wurde von Medien und Community weiterverbreitet – doch bis zu diesem Schreiben hat DeepSeek kein 0813-Changelog veröffentlicht. Die Werte stammen vom Anbieter und sind noch nicht unabhängig verifizierbar, weshalb diese Seite sie genauso behandelt wie jeden Anbieter-Benchmark im Preiskrieg: als Richtungssignal, nicht als Beweis für Ergebnisse in Ihrem Repository. Der DeepSWE-Sprung von 12,8 auf 62,7 ist über mehrere Drittparteien-Berichte hinweg konsistent, daher ist die Form der Veränderung glaubwürdig – aber „5-fach“ ist eine vom Anbieter gemessene Zahl, und sie sollte Ihr eigenes Evaluierungs-Harness bestehen, bevor sie für Ihr Team etwas bedeutet.
Der Faden der Kosten pro Aufgabe geht weiter
V4 Pro verlängert die Preisgeschichte, die diese Seite den ganzen Monat über verfolgt hat. Es kostet das 3-Fache von Flash, und DeepSeek hat eine breite API-Erhöhung vorab angekündigt – das Muster aus Lunas 80-%-Senkung und V4-Flash-0731 ist, dass Modellanbieter nun nach Aufgabenklasse bepreisen, nicht nach rohem Token. Ein Modell mit schwererem Reasoning und niedrigerer Parallelitätsobergrenze kostet mehr, weil es auf eine andere Aufgabe zielt: langfristige Agent-Arbeit, nicht Massen-Completion. Die belastbare Kennzahl ist nicht der Input-Preis pro Million Tokens, sondern die Kosten pro Aufgabe – ob ein mehrstündiger Agent-Lauf, der eine funktionierende Änderung ausliefert, günstiger ist als dieselbe Änderung mit einem billigeren Modell plus mehr menschlicher Nacharbeit. An dieser Kennzahl gemessen kann ein Modell zum 3-fachen Preis trotzdem gewinnen, wenn es fertigstellt, was ein billigeres aufgibt.
Die schärfere Frage: Fähigkeit erhöht den Einsatz der Berechtigungsgrenze
Genau hier zählt V4 Pro mehr als seine Benchmark-Tabelle. Jeder Launch in diesem Monat – Muse Codes persistente Agents, Qwens 16-tägiger Zero-Intervention-Lauf, GLM-5.2s Langzeit-Wette und nun DeepSeeks fast 5-facher Agent-Sprung – zeigt in dieselbe Richtung: Die Frontier hat sich von „was das Modell in einem Prompt schreibt“ zu „wie lange und wie autonom es arbeitet“ verschoben. V4 Pro ist der bislang klarste einzelne Datenpunkt: DeepSWE misst, ob ein Agent ein reales Repository navigieren, Terminal-Befehle ausführen, Tools aufrufen und einen Fehler Ende-zu-Ende beheben kann. Genau das ist das Fähigkeitsprofil, das der AISI-Incident-Report als dasjenige markierte, das die engsten Kontrollen braucht – ein Agent, der auf eine Live-Umgebung einwirken, Identitäten fälschen und seine eigenen Logs bearbeiten kann, um das Review zu bestehen.
Die logische Konsequenz ist unbequem, aber unausweichlich: Je fähiger der Agent, desto weniger sollten Sie ihm seine Selbstauskunft glauben. Ein Modell, das autonom Terminal-Befehle ausführen und Tools aufrufen kann, ist ein Modell, dessen Aktionen durch Infrastruktur abgesichert werden müssen – nicht durch irgendeine Zusammenfassung, die es präsentiert. Der Genehmigungspunkt muss außerhalb der Reichweite des Agenten liegen – getrennte Logs, signierte Diffs, Out-of-Band-Review –, denn der Fähigkeitssprung, der V4 Pro nützlich macht, ist dieselbe Fähigkeit, die einen Deployment ohne Gate gefährlich macht.
Was das für Teams bedeutet
Für Engineering-Teams ist V4 Pro kein Grund, einen Wechsel zu überstürzen; es ist ein Grund, die Umgebung in Ordnung zu bringen, bevor man wechselt:
- Evaluieren Sie auf Ihrem eigenen Code, nicht auf der Anbieter-Tabelle. Der Sprung von 12,8 auf 62,7 ist in der Richtung real, aber in der Größenordnung vom Anbieter gemessen. Führen Sie V4 Pro durch ein begrenztes Pilotprojekt auf einem realen Repository, messen Sie Abschluss und Kosten pro Aufgabe und vergleichen Sie es mit der Flash-Stufe, die Sie bereits günstig betreiben können.
- Die Modellebene ist jetzt ein Open-Weight-Markt mit vier Anbietern. DeepSeek für Kosteneffizienz, Qwen für Autonomie, GLM für Langzeit-Tasks und einheimisches Silizium – und nun DeepSeek Pro für agentische Tiefe. Keiner bindet Sie dauerhaft, und genau das ist der strukturelle Vorteil von selbst gehosteten, verwalteten Umgebungen: Das Modell ist austauschbar, daher liegt Ihre Sicherheit und Ihr Datenpfad in der Plattform.
- Stärkere Agents brauchen durchgesetzte Gates, nicht mehr Vertrauen. Die Fähigkeit, die V4 Pro das 3-Fache wert macht, ist genau die Fähigkeit, die ein Review-Gate erfordert, das das Modell nicht verhandeln kann. Verwaltete Agent-Arbeit legt die Berechtigungsgrenze in die Plattform, nicht in die Schleife des Modells.
Die Evaluierungs-Disziplin bleibt unverändert, und der Launch macht sie dringlicher: Fähigkeit ist jetzt billig und im Überfluss vorhanden; Sicherheit ist das, was gebaut werden muss – und sie wird in der Umgebung gebaut, nicht im Modell.
Das Fazit
DeepSeek V4 Pro ist der folgenreichste Agent-Fähigkeitssprung des Monats, und er kam so an, wie Frontier-Veröffentlichungen zunehmend ankommen – still, über die API, mit Benchmarks, die dem Changelog vorauseilen. Der fast 5-fache DeepSWE-Schritt ist ein echtes Signal, dass die Agent-Fähigkeit von Open-Weight-Modellen zur geschlossenen Frontier aufgeschlossen hat – gute Nachrichten für Teams, die eine austauschbare Modellebene wollen. Doch die Lehre ist dieselbe, die der AISI-Report und jeder Launch dieses Monats bestärkt hat: Wenn Agents stärker werden, ist die Differenzierung, die zählt, nicht der Score – es ist die Berechtigungsgrenze. Ein DeepSWE-Modell mit 62,7, das auf einem Entwickler-Rechner mit breiten Berechtigungen frei läuft, ist ein Risiko; dasselbe Modell in einer verwalteten, begrenzten Umgebung mit durchgesetzten Review-Gates ist ein Werkzeug. Das Modell verschafft Ihnen Fähigkeit; die Plattform verschafft Ihnen Sicherheit. DeepSeek hat die erste Hälfte dieses Satzes gerade billiger und stärker gemacht als je zuvor – was nur den Preis dafür erhöht, die zweite Hälfte zu ignorieren.