DeepSeek-Preiserhöhung erklärt
Chinas Open-Weight-Preiskampf im August 2026

01

Zeitlinie: was passiert ist — und wann

Der häufigste Fehler ist, ~1100% mit der gesamten Rechnung gleichzusetzen. Zuerst die Daten, dann Abrechnungsdimension, Lizenztyp und Benchmark-Quelle getrennt halten.

Der weitere Rahmen: Am 30. Juli senkte OpenAI die Preise der günstigsten Stufe (GPT-5.6 Luna, minus 80%), machte Luna am 6.–7. August zum kostenlosen Default mit unbegrenzten Textchats. Während chinesische Labs Preise anhoben und Flagship-Weights öffneten, senkten US-Labs Preise und gingen auf der Verbraucherebene auf Gratis — zur selben Zeit. Das sind zwei Seiten desselben Preiskampfs.

Sechs Fehldeutungen, die vor jeder Schlagzeile entfallen sollten

1. 01

   ~1100% als gesamte Rechnung lesen. Die Zahl gilt für Cache-Hit-Input in der Spitzenzeit, die Stufe, die zuvor am nächsten an kostenlos lag.

2. 02

   Pekinger Peak-Fenster ignorieren. Spitzenzeiten sind 9–12 und 14–18 Peking-Zeit. Die Ankündigung fordert eine Lastverschiebung.

3. 03

   Jeden offenen Checkpoint als Apache 2.0 bezeichnen. Qwen3.8-Max erscheint unter einer eigenen Lizenz. Muse Glimmer ist eine andere Wette.

4. 04

   Das Geo-Ban-Gerücht wiederholen. Die veröffentlichte Lizenz enthält keine territoriale Klausel für USA / EU / UK / Korea.

5. 05

   GLM-5.3 als neues Foundation-Modell lesen. Dieselbe 743B-Basis wie 5.2. Der Sprung kommt aus skalierter Post-Training-RL.

6. 06

   Chinesisches Modell mit günstigstem Modell gleichsetzen. DeepSeek in der Nebenzeit unterbietet weiter Claude Opus 5. Luna und Qwen international unterbieten inzwischen DeepSeek.

03

Die drei Strategien im Detail

Drei Labs. Drei Züge. Eine Frage darunter: Wenn Nutzung schneller skaliert als GPUs und Pretraining-Erträge abflachen, wer behält Preissetzungsmacht.

DeepSeek: Tageszeitpreise sind ein Kapazitätsproblem

Die einfachste Fehldeutung lautet: „Chinas günstigstes Modell ist dem Margendruck gewichen.“ Die Tarifstruktur liest sich eher umgekehrt: ein Unternehmen macht Rechenengpässe in der Preisliste sichtbar. Flache, dauerhaft günstige Preise funktionierten als Kundengewinnung, solange GPU-Kapazität mithielt. Als die Nutzung exponentiell wuchs und die Kapazität nicht, musste etwas explizit werden. „Flexiblere Lastplanung anregen“ ist Konzernsprache für „Spitzenzeit-Compute ist knapp, verschieben Sie die Last selbst“.

Ein Detail, das die internationale Berichterstattung weitgehend überging: In der Spitzenzeit liegt DeepSeeks offizieller API-Preis nun über mehreren Drittanbieter-Resellern (GMI Cloud, Novita und andere listen V4 Pro derzeit unter DeepSeeks neuem Spitzentarif). Die Annahme, die offizielle API sei stets der günstigste Weg, DeepSeek zu betreiben, ist zum ersten Mal gebrochen.

Alibaba: Open Weights kaufen Mindshare; eine eigene Lizenz schützt die Obergrenze

Alibaba hat zwei Dinge gleichzeitig getan. Es hat den vollständigen 2.4T-Parameter-Checkpoint zum kostenlosen Download veröffentlicht und eine eigene Lizenz angehängt — nicht das permissive Apache 2.0 der kleineren Qwen-Modelle. Jedes Model-as-a-Service- oder AI-Work-Assistant-Geschäft mit über $50M Umsatz in einem beliebigen 12-Monats-Zeitraum muss eine separate Kommerzlizenz verhandeln. Produkte mit 100M MAU oder $20M Monatsumsatz müssen den Modellnamen prominent anzeigen.

Weights verschenken, um Entwickler-Mindshare zu gewinnen, besonders international. Preissetzungsmacht über die wenigen Unternehmen behalten, die darauf ein konkurrierendes Inferenzgeschäft bauen können. Das ist eine substantiell andere Wette als Metas Muse Glimmer, das unter uneingeschränktem Apache 2.0 erscheint.

GLM-5.3: kein neues Basismodell, nur eine größere Post-Training-Wette

Die interessanteste Tatsache ist die Methode: dieselbe 743B-Parameter-Basis wie GLM-5.2, kein erneutes Pretraining, und ein Sprung von rund 6x auf Terminal-Bench 3.0 (4.6% → 28.3%) durch Skalierung der Reinforcement-Learning-Umgebungen im Post-Training. Während Pretraining-Skalierungsgesetze abnehmende Erträge zeigen, wird Post-Training-RL zu einem eigenständigen Leistungshebel mit deutlich niedrigerer Kostenschwelle als das Retraining eines neuen Foundation-Modells. Labs der mittleren Liga ohne OpenAI-skalierte Compute-Budgets können den Abstand bei agentischen und Coding-Benchmarks weiter schließen.

05

Was umstritten ist, warum es zählt, und drei zitierfähige Zahlen

Was strittig oder unbestätigt ist

• Die Schlagzeile ~1100% ist technisch korrekt, ohne Kontext aber irreführend. Sie gilt nur für Cache-Hit-Input in der Spitzenzeit. Output-Preise stiegen um 350%. Verschiedene Medien haben unterschiedliche Stufen zitiert, als wären sie die gesamte Geschichte.
• Behauptungen, Qwen3.8-Max laufe auf Alibabas eigenen Zhenwu-M890-Chips (und „Pangu AL128“-Supernodes), berichtet von mehreren chinesischen Finanzmedien, sind von Alibabas eigener technischer Dokumentation oder Dritt-Benchmarks nicht unabhängig bestätigt. Das ist vendor-nah, unbestätigt.
• GLM-5.3s gemeldete Entdeckung einer „schweren Schwachstelle“ in Cursor stammt von VentureBeat und Zhipus eigener Disclosure. Konkrete technische Details sind nicht öffentlich. Lesen als vendor-sourced, nicht unabhängig auditiert.
• Berichte, Chinas Handelsministerium bereite Vergeltungs-Exportkontrollen für KI- und Halbleitertechnologie vor, sind spekulativ und stützen sich auf unbestätigte Medienberichte, nicht auf eine offizielle Ankündigung.

Zwei Preiskämpfe laufen parallel

Im groben Verlauf des vergangenen Monats haben Chinas führende Labs Major-Releases in einem Takt ausgeliefert, den inländische Finanzmedien bereits „drei Modell-Updates pro Woche“ (一周三更) nennen — DeepSeek, Alibaba und Zhipu, dazu Moonshots Kimi K3 (Open Weight am 16. Juli, 2.8T Parameter) und MiniMax H3. Die chinesische Berichterstattung rahmt das weitgehend so: chinesische Open-Weight-Releases erzwingen eine globale Neubepreisung der KI-Branche.

US-Labs fahren auf der Verbraucherebene den gegenteiligen Zug: OpenAI senkte die Preise der günstigsten Stufe um 80% (30. Juli) und machte das Modell eine Woche später kostenlos und unbegrenzt (6.–7. August); Google lieferte ein coding-fokussiertes Modell zum halben Preis des drei Wochen alten Vorgängers (13. August). Chinesische Labs öffnen Flagship-Weights und führen gestufte, höhere Preise am compute-knappen oberen Ende ein. US-Labs rennen am Verbraucherende Richtung gratis und günstig.

Es gibt außerdem eine geopolitische Schicht, die vorsichtig zu benennen ist. Moonshots Open-Weighting von Kimi K3 im Juli hat bereits US-Sicherheitsprüfungen ausgelöst. Dass Alibaba ausgerechnet in diesem Fenster ein 2.4T-Flagschiff öffnet, lesen manche Analysten als Versuch, internationalen Mindshare und eine Erzählung technologischer Parität festzuziehen, bevor eine mögliche regulatorische Verschärfung greift. Das ist eine informierte Interpretation, kein bestätigter Fakt — und leicht zu übersehen, wenn man nur englischsprachige Produktposts liest.

Zitierfähige Zahlen (Stand Veröffentlichung)

• DeepSeek V4-Pro Peak-Output: ¥27.0 pro 1M Tokens, plus 350% von ¥6.0. Cache-Hit-Input: ¥0.025 → ¥0.30, etwa ~1100%.
• Qwen3.8-2.4T-A95B: 2.4T gesamt / 95B aktiv, MoE 512 Experts (10 routed + 1 shared), 262,144-Token nativer offener Checkpoint.
• GLM-5.3 Terminal-Bench 3.0: offiziell 28.3% (5.2 lag bei 4.6%), weiter unter GPT-5.6 Sol 34.6% und Claude Fable 5 mit 33.7%.

Quellen: DeepSeeks offizielle Preisankündigung, gegencheckt gegen Wall Street CN, IT Home, AIGC.cn und V2EX; Alibabas offizielle Qwen-Repositories (Hugging Face / ModelScope) und South China Morning Post zu den Lizenzbedingungen; Zhipu (Z.ai) GLM-5.3-Technikseite, plus VentureBeat und StableLearn; offizieller Blog von Meta AI Research; chinesische Finanzmedien (Yicai, Sohu Finance) zum Release-Takt. Aktuelle offizielle Preise und Lizenzbedingungen vor einer Weiterveröffentlichung prüfen. Oben als unbestätigt markierte Details sind nicht unabhängig bestätigt.

Peak- und Nebenzeit-API-Preise machen dauerhafte Flagship-Inferenz teurer und schwerer zu prognostizieren — auch für Teams, die API-Abrechnung und Datenverarbeitung unter der DSGVO planbar halten müssen. Ein 2.4T-MoE selbst zu hosten ist ein Rechenzentrumsproblem, kein Laptop-Problem. Reseller können den Spitzentarif unterbieten, aber Produktions-Agents, Xcode-Builds und lange Sitzungen auf einer geteilten Inferenz-Queue lassen schwache Isolation. Für eine stabilere Produktionsumgebung, die zu iOS-CI/CD und KI-Agent-Automatisierung passt, ist die Mac-Mini-Cloud-Miete von NodeMini in der Regel die bessere Wahl — dediziertes Apple Silicon, Abrechnung pro Node, ohne denselben GPU-Peak wie in Peking.