DeepSeek V4.1 Flash im Hermes Agent: Benchmarks, Preise und der Setup-Weg über Token Harbor

Die KI-Story dieser Woche hat ein Detail, das leicht untergeht: DeepSeek hat am 10. September 2026 mit V4.1 Flash das kleinste Modell seiner neuen Architekturfamilie offiziell veröffentlicht, mit nativem multimodalem Bildverständnis und einem Kontextfenster von einer Million Tokens. Wenige Tage später zeigen mehrere YouTube-Kanäle, wie das Modell im Hermes Agenten von Nous Research läuft, verbunden über ein Gateway namens Token Harbor, mit Gratis-API-Schlüssel. In den Videos kursiert dazu eine kühne Erzählung: Der eigene Flaggschiff-Kandidat V4 Pro sei still abgelöst worden. Der offizielle Change Log, abgerufen am 15. September, erzählt an genau dieser Stelle etwas anderes. Dieser Beitrag sortiert die Widersprüche, prüft, welche Zahlen belastbar sind, und geht den kompletten Setup-Weg im Terminal durch, von der Installation bis zum Approval-Gate, das einen kleinen Modell-Kollegen ehrlich hält.

DeepSeek beschreibt das Modell im Change Log als kleinstes Mitglied der neuen Architekturfamilie, ausgelegt auf höheres Fähigkeitsdeck, schnellere Inferenz und höheren Durchsatz, mit nativem multimodalem Bildverständnis ab Werk. Die Architekturdetails stammen aus dem Video: ein Mixture-of-Experts-Backbone mit 552 Milliarden Parametern, von denen pro Eingabe nur rund 8 Milliarden aktiv sind, auf der Ausgabeseite 16 Milliarden. Das Kontextfenster umfasst 1 Million Tokens, gebaut für Coding, Terminal-Arbeit und lange Agenten-Jobs über viele Schritte. Dazu kommt laut Video ein neuer kausaler Encoder-Decoder-Aufbau mit 40 Layern, aufgeteilt in 20 und 20, und ein Memory-Cache, der im Agenten-Betrieb nur noch etwa ein Viertel der Größe der vorherigen Flash-Generation brauchen soll. Genau dort, wo derselbe lange Kontext über Dutzende Schritte immer wieder gelesen wird, lag bisher der Schmerzpunkt langer Läufe. Belastbar über die offizielle Quelle sind dagegen die Benchmark-Werte.

Beim Geld wird es konkret: Mit dem Release senkt DeepSeek die API-Preise. Die Preisliste führt V4.1 Flash mit rund 0,15 Dollar pro Million Input-Tokens bei Cache-Miss, 0,60 Dollar pro Million Output-Tokens und 0,003 Dollar pro Million Cache-Hit-Tokens, in den Off-Peak-Fenstern nochmal darunter; OpenRouter listet denselben Preisrahmen. Interessanter als der Preis ist die Familienlogik: Die Vorgängermodelle V4 Flash und V4 Flash Vision Exp sind eingestellt, ihre Modellnamen werden übergangsweise auf V4.1 Flash umgeleitet. Und dann die Wendung, die das Video anders erzählt: Dort heißt es, seit dem 14. September würden alle Anfragen an V4 Pro still auf V4.1 Flash umgeleitet, bis V4.1 Pro startet. Der offizielle Change Log, abgerufen am 15. September, zeichnet das Gegenteil: Auf User-Wunsch bleibt V4 Pro über den 14. September hinaus verfügbar, Abrechnung unverändert. Ein Routing-Plan hat offenbar existiert, er wurde aber vorerst zurückgenommen. Wer auf V4 Pro setzt, kann diesen Weg vorerst weiter gehen.

Der Setup-Weg aus dem Video funktioniert in fünf Schritten. Erstens: Hermes Agenten installieren. Er läuft auf macOS, Linux und Windows per WSL 2, der Einzeiler-Installer liegt im GitHub-Repository von Nous Research, mit dem Befehl hermes startet eine Sitzung. Zweitens: Token-Harbor-Konto anlegen, Anmeldung per Google oder GitHub, dann im API-Keys-Bereich einen Schlüssel erzeugen. Der Schlüssel wird genau einmal angezeigt, also sofort kopieren. Drittens: beides verbinden. Im Terminal mit hermes model einen Provider anlegen und den Custom-Endpoint-Weg wählen. Die Base URL lautet laut Video tokenharbor.ai/v1, der Modellname der Gratis-Variante trägt ein Free-Suffix, also deepseek-v4.1-flash:free, wie man es von OpenRouter-Namen kennt. Vor der ersten Fehlermeldung lohnt ein Blick auf die einzige echte Hürde: Hermes verlangt ein Modell mit mindestens 64.000 Tokens Kontextfenster, V4.1 Flash liegt mit 1 Million weit darüber. Viertens, und genau diesen Schritt überspringen die meisten: ein separates Profil anlegen. Mit hermes profile create entsteht eine eigene Welt mit eigener Konfiguration, eigenen Skills und eigenem Speicher, ein Clone-Flag kopiert das bisherige Setup bei Bedarf mit. So vermischt der Experimentier-Aufbau nicht den Tages-Agenten, und wenn etwas schiefläuft, wird nur das Profil gelöscht. Fünftens: Antwort prüfen. Eine kleine Aufgabe genügt, etwa das Auflisten eines Ordners; kommt die Antwort zurück und feuern die Werkzeuge, steht die Verbindung. Bleibt alles stumm, steckt der Fehler fast immer in Base URL oder Modellnamen.

Der eigentliche Unterschied beginnt nach dem Setup, denn Hermes trägt einen eingebauten Lernkreis. Mit dem Befehl /learn beschreibt man, woraus der Agent lernen soll: aus einem Verzeichnis, einer URL, eingefügten Notizen oder dem Workflow, den man ihm gerade vorgemacht hat. Der Agent sammelt die Quellen mit seinen eigenen Werkzeugen und schreibt daraus eine Skill-Datei. Jede gespeicherte Skill wird zum Slash-Befehl, ein einmal mühsam durchgespielter Weg wird zum Einwort-Befehl, der nächsten Monat noch funktioniert, wenn man ihn längst vergessen hat. Im Hintergrund läuft zusätzlich eine Selbstverbesserungs-Prüfung nach jedem Zug und entscheidet, ob eine Lektion den Erhalt wert ist. Bei einem kleineren Modell ist gesunde Skepsis hier genau richtig, dafür gibt es das Approval-Gate: Ist es aktiv, wird jeder Skill-Versuch nur vorgemerkt statt geschrieben, freigegeben wird über /skills pending. Die Empfehlung aus dem Video, dieses Gate in der ersten Woche eingeschaltet zu lassen, ist vernünftig. Bewerten sollte man den Aufbau sowieso nicht am ersten Demo-Lauf, sondern an einer einfachen Frage: Ist Woche 4 schneller als Woche 1?

Warum das Zusammenspiel überhaupt passt: Agenten-Setups leben von langen Kontexten, weil dieselben Projektdaten über Dutzende Schritte immer wieder gelesen werden. Ein Modell mit 1 Million Tokens Kontext, gebaut für Terminal-Arbeit und Mehrschritt-Jobs, zielt genau auf dieses Muster, und der laut Video verkleinerte Memory-Cache senkt die Kosten solcher Läufe zusätzlich. Addiert man die Off-Peak-Fenster und den Cache-Hit-Satz von 0,003 Dollar pro Million Tokens, wird Dauerbetrieb zum Argument: Nicht der beste Einzellauf entscheidet, sondern die Frage, was ein ganzer Agenten-Tag kostet, wenn der Agent den ganzen Tag läuft. Genau diese Rechnung hat den Modellwechsel zur Story gemacht.

Drei ehrliche Einschränkungen gehören neben die Begeisterung. Erstens die Wortfreudigkeit: Die im Video zitierte Messung von Artificial Analysis beziffert rund 250 Millionen generierte Tokens beim Durchlauf des Intelligence-Benchmarks, gegen einen Median von etwa 130 Millionen vergleichbarer Modelle. Das Modell denkt laut, wer das dämpfen will, dreht am Reasoning-Effort-Regler, für einfache Aufgaben genügt die niedrige Stufe. Zweitens die Plattform: Token Harbor ist ein Fremd-Gateway, ein Schlüssel, ein OpenAI-kompatibler Endpunkt, mehrere Frontier-Modelle dahinter, und der Gratis-Zugang ist ausdrücklich als befristet ausgewiesen. Für alles Dauerhafte zählt der offizielle DeepSeek-Preis. Drittens der Quellenmix: Architektur- und Routing-Details dieses Beitrags stammen aus dem Video, die Benchmark-Werte, die Preissenkung und der V4-Pro-Status stehen im offiziellen Change Log. Wo beide auseinanderlaufen, hat hier die offizielle Quelle Vorrang, und genau diese Differenz ist aktuell die eigentliche Story.

- DeepSeek Change Log, Release DeepSeek-V4.1-Flash vom 10.09.2026 (Benchmarks, Preissenkung, V4-Pro-Verlängerung): https://api-docs.deepseek.com/updates/
- DeepSeek Models & Pricing: https://api-docs.deepseek.com/quick_start/pricing/
- OpenRouter-Listing DeepSeek V4.1 Flash: https://openrouter.ai/deepseek/deepseek-v4.1-flash
- Primärvideo: Julian Goldie, Hermes Agent Can Now Run on DeepSeek V4.1 Flash: https://www.youtube.com/watch?v=Yt5o3STcC6I