DepescheModelle18. August 2026

Über vier Versuche löst das billigste Modell die meisten Aufgaben: DeepSeek V4 Pro schlägt GPT-5.6 Sol und Claude Fable 5 auf pass@4 – zum 35- bis 90-fach niedrigeren Preis

Der Inferenz-Anbieter Together AI hat am 17. und 18. August 2026 zwei weitere Folgen seiner DeepSWE-Messreihe veröffentlicht und stellt darin DeepSeek V4 Pro 0813 gegen Claude Fable 5 und gegen GPT-5.6 Sol – je 904 gewertete Durchläufe, 113 langhorizontige Aufgaben aus laufenden Open-Source-Repositories mit je vier Versuchen. Beim ersten Versuch liegen beide Spitzenmodelle vorn: Sol mit 72,7 gegen 62,8 Prozent, Fable 5 mit 69,7 gegen 62,8 Prozent. Über vier Versuche dreht sich das Bild – DeepSeek V4 Pro kommt auf 88,5 Prozent gegen 85,8 (Sol) und 84,1 (Fable 5). Der Preisabstand ist der eigentliche Befund: 0,24 US-Dollar je Durchlauf für Pro gegen 8,37 (Sol) und 21,63 (Fable 5) – das 35- beziehungsweise 90-Fache. Eine Kaskade, die erst Pro laufen lässt und nur bei rotem Test eskaliert, erreicht 83,0 Prozent zu 3,35 US-Dollar je Aufgabe (mit Sol) und 82,7 Prozent zu 8,28 US-Dollar (mit Fable 5).

Der Aufbau ist in beiden Auswertungen derselbe und entspricht dem der bisherigen Folgen: „904 rollouts“ je Vergleich, also 452 gewertete Durchläufe je Modell, über 113 DeepSWE-Aufgaben mit je vier Versuchen bei maximaler Anstrengung. Die Aufgaben sind Feature-Anfragen aus laufenden Open-Source-Repositories; gewertet wird über pass@1 (im ersten Anlauf gelöst) und pass@4 (in mindestens einem von vier). Die Pro-Werte sind in beiden Beiträgen identisch – derselbe Durchlauf dient in beiden Vergleichen als Grundlinie.

Die Zahlen im Einzelnen. Gegen GPT-5.6 Sol: DeepSeek V4 Pro 0813 62,8 Prozent pass@1 und 88,5 Prozent pass@4 bei 0,24 US-Dollar je Durchlauf (109 US-Dollar für den gesamten Lauf); Sol 72,7 und 85,8 Prozent bei 8,37 US-Dollar je Durchlauf (3.783 US-Dollar gesamt) – Faktor 35 im Preis. Gegen Claude Fable 5: dieselben Pro-Werte; Fable 5 69,7 Prozent pass@1 und 84,1 Prozent pass@4 bei 21,63 US-Dollar je Durchlauf (9.346 US-Dollar gesamt) – Faktor 90.

Die Kaskaden-Rechnung, wörtlich aus dem jüngeren Beitrag: „Running DeepSeek V4 Pro 0813 first and escalating to Sol when tests reject output reaches 83.0% at $3.35 per task“. Im Fable-Vergleich lautet die entsprechende Angabe „82.7% at $8.28 per task“, und Together hält fest, dass diese Anordnung auch einen gedachten perfekten Einmal-Router schlägt: „The cascade beats a perfect one-shot oracle router (78.8%) too.“ Ein Router, der für jede Aufgabe vorab das richtige Modell wählte, käme also auf weniger als die Kaskade, die einfach billig anfängt und bei Misserfolg nachlegt.

Grenzen der Messung, und sie sind dieselben wie bei den Vorgängerfolgen. Erstens deckt sie einen Aufgabentyp und einen Harness ab – langhorizontige Feature-Arbeit in bestehenden Repositories –; auf Terminal-, Sicherheits- oder Mathematikaufgaben lässt sich daraus nichts ableiten. Wie stark der Harness durchschlägt, zeigt der Vergleich mit unserem Katalog: Dort steht für DeepSeek V4 Pro ein DeepSWE-Wert von 8 Prozent aus einer anderen Messung (deepswe.lol, mini-swe-agent, Juni 2026, älterer Checkpoint) – gleicher Benchmark-Name, völlig anderer Aufbau, völlig andere Größenordnung. Zweitens hängen die Kostenangaben am Listenpreis der genutzten Endpunkte, nicht an einer Modelleigenschaft; DeepSeeks API-Preise sind zudem seit dem 16. August 2026 nach Tageszeit gestaffelt. Drittens setzt der Eskalationsmechanismus einen belastbaren automatischen Abnahmetest voraus – ohne ihn fehlt das Signal, wann eskaliert werden müsste. Und viertens liegt keine unabhängige Wiederholung vor: Der Messende verkauft einen der gemessenen Endpunkte.

// Einordnung der Redaktion

Warum das relevant ist

Dass eine Kaskade aus billigem Erstversuch und teurer Eskalation mehr löst als das teure Modell allein, hatte dieselbe Messreihe Ende Juli mit Kimi K3 gezeigt. Neu ist, wie weit sich die Rechnung verschiebt, wenn der erste Rang noch billiger wird: Der Kimi-zuerst-Aufbau kam auf rund 85,6 Prozent zu 7,30 US-Dollar je gelöster Aufgabe, der Pro-zuerst-Aufbau liegt mit 83,0 Prozent gut zweieinhalb Punkte darunter, kostet aber 3,35 US-Dollar – weniger als die Hälfte. Wer eine belastbare Testsuite hat, kauft hier also Genauigkeit gegen Geld in einer Feinheit ein, die die übliche Frage „welches Modell nehme ich“ gar nicht kennt. Bemerkenswert ist zweitens die pass@4-Reihenfolge: Bekommt ein Modell vier Anläufe, löst das offene, um Größenordnungen billigere Modell mehr Aufgaben als beide westlichen Spitzenmodelle. Das ist kein Beleg dafür, dass es „besser“ wäre – pass@1 sagt das Gegenteil –, sondern dafür, dass Verlässlichkeit im ersten Anlauf und Lösbarkeit über mehrere Anläufe zwei verschiedene Eigenschaften sind, die getrennt eingekauft werden können. Einordnung: Together AI ist kein neutraler Dritter, sondern betreibt Inferenz für offene Modelle und verkauft den DeepSeek-Endpunkt, dessen Preisvorteil hier ausgewiesen wird.