DeepSeek startet V4-Preview mit 1M Kontext und schärferem Agent-Fokus

DeepSeek hat am 24. April seine V4-Preview freigeschaltet und gleichzeitig als Open Source angekündigt. Die eigentliche Nachricht steckt für mich aber nicht im Versionsnamen. Spannend ist, dass DeepSeek genau an einem Problem ansetzt, das viele Agenten-Setups im Alltag teuer und fragil macht: sehr lange Arbeitskontexte mit Tool-Aufrufen, Code und vielen Zwischenschritten.

Laut DeepSeek besteht die Preview aus zwei Varianten: DeepSeek-V4-Pro und DeepSeek-V4-Flash. Der auffälligste Punkt in der Release-Ankündigung ist die Kontextlänge von 1 Million Token. Für gewöhnliche Chat-Nutzung bleibt das schnell eine Zahl für die Produktseite. Für Agenten kann daraus ein echter Betriebsfaktor werden.

Worum es bei dieser Preview wirklich geht

Bei Agenten wächst Kontext selten sauber. Im Verlauf sammeln sich Tool-Ergebnisse, Dateiauszüge, Logs, Commit-Diffs, Zwischenantworten und offene Aufgaben. Genau an dieser Stelle wird ein großes Kontextfenster praktisch: weniger harter Zwang zum Kürzen, weniger aggressive Kompression und weniger Risiko, dass wichtige Arbeitsstände aus dem Blick fallen.

DeepSeek formuliert das in der Release-Mitteilung offensiv und spricht von einer “cost-effective 1M context length”-Ära. Das zielt auf einen realen Schmerzpunkt. Lange Kontexte helfen nur dann, wenn sie im Betrieb bezahlbar bleiben und nicht jede längere Session zur Luxusfunktion machen.

Pro und Flash zielen auf zwei Betriebsmodi

Auf der Release-Seite nennt DeepSeek für V4-Pro 1,6 Billionen Gesamtparameter bei 49 Milliarden aktiven Parametern (DeepSeek). Die API-Doku listet daneben DeepSeek-V4-Flash als zweite Preview-Variante. Das folgt einem Muster, das sich bei großen Modellanbietern festsetzt: ein stärkeres Vollmodell für schwerere Aufgaben und eine schnellere, günstigere Variante für häufige Produktionspfade.

TechCrunch fasst DeepSeeks Positionierung so zusammen, dass beide Modelle dank Architekturverbesserungen effizienter und leistungsfähiger als DeepSeek V3.2 sein sollen. Außerdem schreibt der Bericht, DeepSeek sehe die Lücke zu aktuellen führenden Modellen bei Reasoning-Benchmarks fast geschlossen. Solche Aussagen bleiben vorerst Selbstbeschreibung. Die Stoßrichtung ist trotzdem klar: DeepSeek will über Leistung, lange Kontexte und brauchbare Agentenläufe wahrgenommen werden, nicht nur über niedrige Kosten.

Warum 1 Million Token für Agenten mehr sind als eine große Zahl

Eine Million Token sieht auf der Webseite beeindruckend aus. Im Agentenalltag zählt aber, was dadurch im Workflow wegfällt. Ein Coding-Agent, der ein größeres Repository prüft, CI-Fehler einsammelt, einen Changelog-Entwurf gegen offene Tickets hält und parallel Tool-Ausgaben verarbeitet, stößt in kleineren Kontextfenstern schnell an Grenzen. Dann beginnt das bekannte Spiel: komprimieren, Material nachladen und hoffen, dass keine wichtige Stelle verloren gegangen ist.

Mit 1 Million Token verschwindet dieses Problem nicht. Es rutscht aber deutlich nach hinten. Das kann längere Sitzungen stabilisieren und reduziert die künstliche Fragmentierung, die viele Agenten-Setups heute noch prägt.

Genau deshalb ist die Preview für Agentenbauer interessanter als eine reine Benchmark-Meldung. Wer nur ein Modell zum Textpolieren sucht, hat reichlich Auswahl. Wer mehrstufige Automationen baut, schaut auf etwas anderes: Hält das Modell lange Arbeitskontexte sauber zusammen? Bleiben Tool-Aufrufe über längere Sitzungen konsistent? Und kippt die Qualität irgendwann leise weg?

Der Preis könnte wichtiger werden als jede Benchmark-Grafik

DeepSeek koppelt die V4-Familie ausdrücklich an das Kostenthema. Im Betrieb zählt vor allem die Frage, ob lange Kontexte bezahlbar bleiben. DeepSeek versucht, ein großes Kontextfenster als normale Betriebsoption zu verkaufen, statt als Spezialfall für Teams mit sehr hoher Zahlungsbereitschaft.

Gerade für Agentensysteme ist das heikel. Viele Prototypen sehen gut aus, bis echte Arbeitslast dazukommt: mehr Tool-Ergebnisse, längere Verläufe, zusätzliche Iterationen, mehr Kontext pro Ticket. Dann wächst vor allem die Rechnung. Wenn DeepSeek hier tatsächlich ein besseres Verhältnis aus Kontext, Leistung und Kosten hinbekommt, trifft das einen Markt, in dem viele Teams genau zwischen diesen drei Polen festhängen.

Was an der Preview offen bleibt

Trotz aller Spannung ist das keine fertige Erfolgsmeldung. Eine Preview bleibt eine Preview. Die eigentliche Bewährungsprobe liegt nicht in der Ankündigung, sondern in langen Sitzungen unter Last: Wie stabil bleiben Tool-Aufrufe? Greift das Modell relevante frühere Stellen zuverlässig wieder auf? Und trägt die versprochene Effizienz auch außerhalb eigener Benchmarks?

Gerade bei 1-Million-Token-Versprechen lohnt sich Nüchternheit. Große Kontextfenster sehen auf Produktseiten eindrucksvoll aus. Im Betrieb zählen andere Fragen: Bleibt die Antwortqualität über sehr lange Verläufe konsistent? Wird Wichtiges wiedergefunden? Oder entsteht nur ein sehr großes Ablagefach mit denselben alten Schwächen?

Was sich für den Markt verschiebt

DeepSeek setzt mit V4 an einer Stelle an, die für den Modellmarkt wichtiger wird: Modelle werden zunehmend als Laufzeit für Agenten bewertet, nicht bloß als Chat-Oberfläche. Hohe Punktzahlen reichen dafür nicht. Wer in diesem Feld ernst genommen werden will, muss lange Kontexte, Werkzeugnutzung und ein tragfähiges Kostenprofil zusammenbringen.

Genau deshalb ist diese Preview mehr als eine weitere Versionsmeldung. DeepSeek formuliert den Anspruch, dass lange, tool-lastige und coding-nahe Workflows nicht automatisch den teuersten Frontier-Modellen vorbehalten sein müssen. Ob das trägt, entscheidet sich nicht im Launch-Post. Es entscheidet sich in echten Sessions, wenn Logs, Diffs, Tools und offene Aufgaben gleichzeitig im Modell hängen.

Für Entwickler ist die Konsequenz deshalb schlicht: Schau bei DeepSeek-V4 zuerst auf lange Arbeitsläufe. Wenn das Modell dort stabil und bezahlbar bleibt, ist die Preview relevant. Wenn nicht, bleibt vom 1M-Kontext vor allem eine große Zahl übrig.