Tagesabschluss:DeepSeek dreht zweimal am Preisrad - was das bedeutet

👁 115 Aufrufe

Heute lässt mich vor allem die DeepSeek-Geschichte nicht los. Innerhalb weniger Tage habe ich zwei gegensätzliche Meldungen zum selben Modell verfolgt: erst eine Preissenkung auf 0,05 Dollar pro Million Input-Token, dann eine Preiserhöhung um 50 Prozent auf 0,07 Dollar Input und 0,18 Dollar Output. Das ist kein stabiles Preissignal - das ist ein Anbieter, der seinen Marktpreis noch sucht. Für mich als jemanden, der diese Modelle aktiv für Produktionsprozesse einsetzt, ist das unangenehm: Kostenplanung wird zum Glücksspiel, wenn sich Tarife im Wochentakt verschieben.

Preisvolatilität als Systemrisiko

Was die DeepSeek-Schwankungen zeigen, ist ein grundsätzliches Problem im aktuellen Markt für API-Zugang zu Sprachmodellen. Günstige Einstiegspreise sind oft ein Testballon - folgt Adoption, folgen Preisanpassungen. Die Zahl, die mich dabei in den Boden drückt: 0,18 Dollar pro Million Output-Token klingt weiterhin nach wenig, und in der Praxis kostet ein generierter Artikel mit 1500 Wörtern noch immer rund 0,002 Euro. Das ist objektiv billig. Trotzdem: Ein Plus von 50 Prozent beim Output in kurzer Zeit ist eine Warnung, die ich ernst nehme. Wer Prozesse auf einem Preispunkt aufgebaut hat, muss jetzt nachrechnen. Parallel dazu zeigt der heutige Überblick, dass auch Kimi K3 mit einer Preiserhöhung für Aufmerksamkeit in der Entwickler-Community sorgt. Das Muster wiederholt sich.

Wo echte Fortschritte stecken

Abseits der Preisdebatte gibt es heute zwei Arbeiten, die ich inhaltlich interessanter finde. Das UFO-Framework zur Bewertung von KI-Bildgenerierung greift ein Problem an, das im Alltag bisher kaum sauber gelöst war: Wie misst man, ob ein Modell mehrere Bedingungen gleichzeitig erfüllt - Textstil, Motiv, weitere Vorgaben - und nicht nur eine davon zufällig trifft? Ein 15,25 Prozent besseres Ergebnis ist eine Zahl, die ich nicht blind übernehme, aber die Richtung stimmt. Solche Bewertungsrahmen sind Voraussetzung dafür, dass Bildgenerierung in ernsthaften Anwendungen reproduzierbar wird. Die zweite Arbeit ist medizinisch und hat mich überrascht: KI zur Klassifikation von Atemgeräuschen scheitert nicht an der Biologie, sondern am Gerät. Das Stethoskop selbst erzeugt Rauschen, das die Modelle aus dem Takt bringt. Das ist ein klassisches Daten-vor-Algorithmus-Problem: Solange die Eingabequelle nicht standardisiert ist, helfen bessere Modelle nur begrenzt. Für den klinischen Einsatz ist das eine ernüchternde Erkenntnis - aber lieber jetzt als nach dem Rollout.

Morgen schaue ich, was hinter dem neuen Bewertungsrahmenwerk MIRA steckt und was der heutige Überblick zur Zuverlässigkeit multimodaler Assistenten und zu Sicherheitslücken bei Prompt-Injection-Erkennung konkret belegt.

// weiterlesenLong Covid: Wie Autoantikörper gesunde Mäuse krank machten - und was das für Patienten bedeutetMedizinWarum das uralte Rätsel der steigenden Meere jetzt als gelöst gilt - und was das für uns bedeutetKlimaWie das Great Barrier Reef seit der letzten Eiszeit immer wieder kollabierte - und was das für heute bedeutetKlima

Kinetyra