Zum Inhalt springen

Modelle vergleichen

Gemini 3.8 Flash vs. DeepSeek V4 Flash

Von Ofrai Editorial (Model Testing Team)

Zwei schnelle Stufen, eine einzige Frage: Was kostet es, tausend brauchbare Ergebnisse zu produzieren. Keine der beiden ist im Ofrai-Katalog als das billigste Modell dokumentiert, es handelt sich also nicht um ein Rennen, das über den Stückpreis entschieden wird, sondern um eines, das über die Zahl der Elemente entschieden wird, die sauber genug zurückkommen, um ohne Korrektur verschickt zu werden. DeepSeek V4 Flash ist auf Durchsatz bei unabhängigen Elementen ausgelegt und so dokumentiert. Gemini 3.8 Flash ist die ausgewogene Standardwahl, und ihr Vorteil zeigt sich im schwierigen Ende eines Stapels, nicht im Median. Beide laufen über dasselbe geteilte Kreditguthaben, der Test unten kostet also nur einen zusätzlichen Durchlauf über Ihre Daten.

Chat und Video verbrauchen Ofrai-Credits.

Die Einheit, die bei Masse zählt, ist das akzeptierte Element

Ein Preisvergleich pro Aufruf ist das falsche Instrument für Stapelarbeit, und er irrt in beide Richtungen. Das Modell, das pro Aufruf günstiger ist, kann teurer werden, wenn die Hälfte der Elemente in einer Form zurückkommt, die Sie korrigieren müssen. Bei Masse ist das ehrliche Maß das akzeptierte Element: die Ausgabe, die Sie ohne jede Korrektur verschicken können. Konkret: Lassen Sie beide Modelle einen Abschnitt der letzten Woche nacharbeiten und zählen Sie die Elemente, die ohne jede Korrektur zurückkommen.

Diese Zahl ist mehr wert als jede veröffentlichte Preisliste, weil sie bepreist, was Sie ausliefern. Weder Gemini 3.8 Flash noch DeepSeek V4 Flash ist auf Ofrai als die billigste Möglichkeit pro Aufruf dokumentiert, und die Modellseite von Gemini 3.8 Flash schließt geringste Aufrufkosten bei trivialer Klassifikation ausdrücklich aus. Keiner der beiden gewinnt allein über den Stückpreis. Gewonnen wird nach der Zahl der Elemente, die Ihre Prüfung überstehen.

Was Arbeit in großen Mengen tatsächlich ist

Massenarbeit ist keine lange Aufgabe, in Stücke geschnitten. Sie sind viele kleine Aufgaben, die einen Prompt gemeinsam haben und sonst nichts. Kein Element hängt von der Antwort des vorherigen ab, und ein Fehler bei Element vierzig sagt nichts über das einundvierzigste aus. Klassifikation, Extraktion, Umschreiben Feld für Feld, Routing und Erstentwürfe haben alle diese Form. Das verändert, was Sie vergleichen: nicht zwei Modelle unterschiedlicher Tiefe, sondern zwei Werkzeugen für viele ähnliche Ausgaben. Reasoning-Tiefe, die jeden Premium-Stufen-Vergleich beherrscht, greift hier kaum.

Entscheidend ist dagegen, ob sich die Ausgabe parsen lässt, ob sie die vorgegebene Form hält, ob der Registerton über die Elemente hinweg stabil bleibt und wie oft ein Mensch das Ergebnis öffnen muss, bevor er es verschickt. Bewerten Sie beide Modelle an diesen vier Punkten und lesen Sie die Noten als Routingsignal: ein Modell, das an einem davon an einem nennenswerten Teil eines echten Stapels scheitert, besitzt diesen Stapel nicht, zu welchem Preis auch immer.

Wann DeepSeek V4 Flash die ehrliche Wahl ist

DeepSeek V4 Flash ist auf seiner eigenen Ofrai-Seite als die schnelle Stufe der aktuellen V4-Generation dokumentiert, und die ihm zugewiesenen Aufgaben sind genau die Massenaufgaben: Erstellung, Extraktion und Klassifikation über viele Elemente hinweg, strukturierte Extraktion aus Dokumenten, Tabellen oder Nachrichten, Etikettieren, Routing und Triage, die ein Mensch ohnehin bestätigt, dazu alltägliche Codefragen und kleine Änderungen über eine volle Woche.

Dieselbe Seite benennt das Prinzip ohne Umschweife: V4 Flash optimiert den Durchsatz, und wo eine etwas langsamere, bessere Antwort pro Element insgesamt mehr kostete als eine schnelle, ist die schnelle Stufe richtig. Ihre FAQ ergänzt die Probe: Sind die Elemente voneinander unabhängig, ist Flash meist die richtige Stufe. Die Seite ist ebenso genau beim Grenzwert: mehrstufiges Reasoning, bei dem jede Schlussfolgerung geprüft werden muss, und heikles Debugging ohne Raum für eine falsche erste Antwort. Ist Ihre Liste lang und prüft jemand vor dem Versand stichprobenartig, fangen Sie hier an.

Wann Gemini 3.8 Flash die ehrliche Wahl ist

Gemini 3.8 Flash ist als Googles aktuelles Flash-Modell dokumentiert und als ausgewogene Standardwahl positioniert, über 3.7 Flash bei der Ausgabequalität und unter den Pro-Stufen bei der Reasoning-Tiefe. Seine aufgeführten Stärken beißen in einem gemischten Stapel am meisten: Prompts mit mehreren Anforderungen, strukturierte Extraktion und Formatierung, deren Ausgabe standhalten muss, und Kundenchat, bei dem Antwortqualität und Reaktionsfähigkeit gleichermaßen zählen. Die Seite benennt ebenso den praktischen Deckel dieser Stufe: Verliert Flash wiederholt Details in langen Dokumenten, ist das eine Obergrenze und kein Prompting-Problem.

Sie ist ebenso deutlich bei dem, was sie ablehnt: prüfbare Denkketten und autonome Entscheidungen ohne menschliche Prüfung. Das Argument ist also nicht ein niedrigerer Stückpreis, sondern dass ein Stapel, dessen Elemente verschiedene Anforderungen, Leserschaften oder Formate tragen, über Befolgung von Anweisungen und Formatstabilität entschieden wird, und der dokumentierte Vorteil von Gemini liegt in dieser schwierigen Ecke.

Routen nach Größe des Stapels

Massenarbeit hat nicht ein einziges richtiges Modell, sie hat pro Stapel das richtige Modell. Die DeepSeek-Seite nennt Ihnen die Probe, auf die sie antwortet: Sie optimiert den Durchsatz, und sind die Elemente voneinander unabhängig, ist Flash meist die richtige Stufe. Die Gemini-Seite nennt eine andere: Für hochvolumige, prüfbare Arbeit wie Erstentwürfe, Klassifikation und Support-Triage sollte es aus Kostengründen die Standardstufe sein, wobei der schwierige Rest an eine Pro-Stufe geht. Beides zusammen ergibt eine Regel für die Wand.

Elemente, die unabhängig, repetitiv und gleich geformt sind, gehören auf die Durchsatzstufe. Elemente, die mehrere Anforderungen zugleich tragen oder deren Ausgabe ein Skript weiterverarbeitet, gehören auf die ausgewogene Standardwahl. Elemente, deren Schlussfolgerungen voneinander abhängen, gehen eine Stufe höher. Diese Stufe zu überspringen kostet eine ganze Warteschlange, die vom zuerst ausprobierten Modell verarbeitet wurde.

Der Fehler, der sich nicht anmeldet

Der charakteristische Fehler einer Durchsatzstufe ist keine Verweigerung. Es ist eine selbstsichere, gut geformte Ausgabe, die genau an der einen Stelle falsch ist, die Sie messen. Die DeepSeek-Seite benennt das Risiko: Diese Stufe taugt nicht für Entscheidungen ohne zweite Augen, für subtile Fehler, für rechtliche oder finanzielle Formulierungen und für alles, wo eine plausible falsche Antwort unbemerkt bliebe. Auf einer Massenarbeit sieht dieser Fehler an der Oberfläche billig aus, weil die Elemente unabhängig sind.

Er ist es unter der Oberfläche nicht, denn gerade die plausible Antwort ist die, die Ihr Prüfer am wenigsten bemerkt. Die Gemini-Seite zeigt die Gegenmaßnahme: Bauen Sie eine Tabelle mit Konfidenzspalte und sortieren Sie aufsteigend, damit die schwächsten Aussagen zuerst auftauchen, und verlangen Sie einen Platzhalter statt einer Vermutung, wenn die Quelle nichts nennt. Daraus folgt die Regel: Je billiger Sie die Prüfung machen, desto mehr davon muss in den Prompt wandern.

Der unbequeme Teil: keiner von beiden ist die billige Position

Beide buchen vom selben geteilten Ofrai-Kreditguthaben ab, und das Textstudio zeigt die Kreditkosten einer Anfrage vor dem Absenden. Textaufgaben werden je tausend Eingabe- und Ausgabe-Token zum veröffentlichten Satz der Plattform für dieses Modell berechnet, längere Kontexte und längere Ausgaben kosten also proportional mehr. Dort liegt auch die verlässlichste Ersparnis bei beiden Modellen, und sie kommt nicht aus der Modellauswahl. Ein irrelevantes Dokument vor dem Absenden aus dem Kontext zu streichen ist die billigste verfügbare Ersparnis.

Unbequem ist, dass der veröffentlichte Token-Satz nicht die Zahl ist, die einen Stapeljob entscheidet. Die Zahl, die entscheidet, ist dieser Satz mal Ihrer Wiederholungsquote mal den Kosten der folgenden menschlichen Korrekturen. Zwei im ähnlichen Bereich bepreiste Modelle können bei diesem Produkt völlig verschieden landen, und der einzige ehrliche Weg, das zu klären, ist der eigene Stapel.

Kosten pro akzeptiertem Element ohne erfundene Zahl messen

Machen Sie keinen Benchmark aus einer Funktionsliste, und glauben Sie keiner Zahl, die Sie nicht selbst produziert haben. Nehmen Sie einen echten Stapel von fünfzig bis hundert Elementen der Art, die Sie tatsächlich bearbeiten, aus laufender Arbeit statt aus einer vorab aufgeräumten Stichprobe. Schicken Sie den ganzen Stapel durch ein Modell mit exakt dem Prompt aus der Produktion und notieren Sie drei Dinge pro Element: Wurde er in die verlangte Form geparst, wie viele Korrekturen waren bis zum Versand nötig, und wurde etwas produziert, das Sie nicht verlangt hatten.

Ein akzeptiertes Element bedeutet null Korrekturen. Fahren Sie dann denselben Stapel durch das andere Modell und notieren Sie dieselben drei Werte. Verbrauchte Credits geteilt durch akzeptierte Elemente ist die einzige Pro-Aufgabe-Zahl, die in eine Entscheidung gehört, und Sie haben sie gemessen statt angenommen. Wiederholen Sie das einen Monat später und frieren Sie den Prompt zwischen beiden Läufen ein, sonst messen Sie Ihre Promptgestaltung statt der Modelle.

Der Prüfschritt ist die eigentliche Kosteneinheit

Beide Modellseiten beschreiben eine Ausgabe, die man stichprobenartig prüft und dann verschickt, und beide verlangen einen Menschen im Loop, sobald die Ausgabe kundenseitig oder folgenreich ist. Dieser Satz wird meist als Sicherheitshinweis gelesen. Bei Masse ist er die größte Zeile im Budget. Der Credit pro Aufruf ist der Preis der Maschine; die Prüfminuten pro akzeptiertem Element sind der Preis des Systems, und diese zweite Zahl entscheidet, ob ein Stapel den Auflauf überhaupt wert ist.

Notieren Sie sie also: wie lange braucht eine Person pro Element, und wie lange pro Element, das überlebt. Zwei Stapel können dieselbe Zahl sauberer Ergebnisse liefern und dennoch völlig verschiedene Projekte sein, weil einer eine Stunde Nacharbeit gekostet hat und der andere fünf. Die Regel, die folgt, ist unbequem: Ist der Prüfschritt teurer als der Erzeugungsschritt, ist der Stapel falsch geroutet, und die Abhilfe ist ein besserer Prompt oder eine günstigere Stufe, nicht ein schnellerer Prüfer.

Extraktion und Formatierung: der schärfste Test

Bei der Extraktion sagt ein Stapel einem die Wahrheit, denn die Ausgabe hält ihre Form oder sie hält sie nicht. Beide Modellseiten beanspruchen strukturierte Extraktion, daher ist der nützliche Test nicht, welche sie beansprucht, sondern was bei schmutziger Eingabe geschieht. Geben Sie beiden dieselben Dokumente, Tabellen und Nachrichten und geben Sie die Form an, statt sie zu beschreiben: eine Tabelle mit benannten Spalten oder ein JSON-Objekt mit festen Schlüsseln, dazu die Weisung, jedes unlesbare Feld zu markieren statt zu raten.

Der dokumentierte Vorteil von Gemini ist genau die Beständigkeit hier, also die Formatierung, deren Ausgabe standhalten muss, und die brauchen Sie, wenn ein Skript das Ergebnis weiterverarbeitet. Der dokumentierte Vorteil von DeepSeek ist die Arbeit über Dokumente, Tabellen und Nachrichten hinweg statt in einem einzigen sauberen Format, und sein Rechnungsprompt verlangt, unlesbare Felder zu markieren. Zählen Sie Parse-Fehler, nicht Prosaqualität.

Klassifikation, Routing und Triage

Das ist die einzige Aufgabe, bei der die beiden Modellseiten in verschiedene Richtungen zeigen, und die Unstimmigkeit ist aufschlussreich. Zur Arbeit von DeepSeek V4 Flash gehört ausdrücklich Etikettieren, Routing und Triage, die ein Mensch ohnehin bestätigt Die Seite von Gemini 3.8 Flash schließt sich dagegen ausdrücklich als Antwort aus, wenn es um geringste Aufrufkosten bei trivialer Klassifikation geht. Zusammengelesen sagen beide etwas Kohärentes: Sind Ihre Labels wirklich trivial und Ihr Volumen gewaltig, ist keines von beiden das billigste Werkzeug, und Sie sollten eine Stufe tiefer suchen.

Sind Ihre Klassen gewöhnlich, etwa Thema plus Dringlichkeit, dann passen beide Modelle, und die entscheidende Frage lautet, ob jedes Element schnell verarbeitet werden soll oder ob die Klassenverteilung bis in den Schwanz zuverlässig sein muss. Lassen Sie pro Element eine Begründungszeile und danach eine Zählung nach Klasse ausgeben, denn in diesen Zahlen werden Fehler sichtbar.

Wann eine dritte, noch günstigere Stufe richtig ist

Die DeepSeek-Modellseite widmet dieser Frage einen eigenen Eintrag: Verwenden Sie die ältere Einstiegsstufe, wenn die Aufgabe einfach genug ist, dass das Verhalten der aktuellen Generation wenig beiträgt, etwa bei sehr kurzen Umschreibungen, trivialen Fragen und Massen-Formatbereinigungen. Dieselbe Antwort zieht die Grenze: Werden die Antworten von jemand anderem aufmerksam gelesen, ist die zusätzliche Ausgabe auf der aktuellen Stufe die Ausgabe wert.

Die Gemini-Seite zieht dieselbe Linie von der anderen Seite und führt geringste Aufrufkosten bei trivialer Klassifikation unter den Dingen auf, für die sie nicht das richtige Modell ist. Zusammen beschreiben sie eine Dreiteilung statt eines Duells: die günstige Stufe für Bereinigungen, die niemand genau liest, eine dieser beiden für Arbeit, die ein Mensch bestätigt, und etwas Stärkeres für Arbeit, bei der jede Schlussfolgerung geprüft werden muss. Die dritte Option zu ignorieren kostet nicht wirklich Geld, sondern ausgewogene Credits auf Zeilen, die niemand öffnen wird.

Den Vergleich auf dem eigenen Stapel fahren

Nehmen Sie den Stapel, den Prompt und das oben beschriebene Bewertungsraster und fahren Sie beide Modelle darüber, bevor Sie einen Monat Volumen auf eine Seite setzen. Lesen Sie danach eine Stichprobe der akzeptierten Elemente beider Seiten und nicht die der Fehlschläge, denn die akzeptierten Elemente erreichen den Kunden und sind der Teil, den Sie nicht mehr nachsehen.

Auf dieser Stufe wird ein Vergleich nicht davon entschieden, welches Modell abstrakt besser ist, sondern davon, welches besser zu Ihrem eigenen Prompt und Ihrem eigenen Prüfer passt, und der einzige Weg, das herauszufinden, ist, die Elemente zu produzieren und anzusehen. Beide sind Standard-Chatmodelle im Textstudio auf demselben geteilten Kreditguthaben, das Experiment kostet also einen zusätzlichen Durchlauf über Ihre Daten.

Wann keiner von beiden die Antwort ist

Zwei Situationen schließen beide Modelle aus, und es ist besser, sie vorher zu kennen. Erstens Arbeit, bei der jede Schlussfolgerung geprüft werden muss und die Elemente nicht unabhängig sind: eine Debug-Spur, eine Entwurfsentscheidung ohne Raum für eine falsche erste Antwort, ein Dokument, das wichtiger ist als die hundert anderen. Beide Seiten rechnen genau das zum Gebiet oberhalb einer schnellen Stufe.

Zweitens wirklich triviale Arbeit in wirklich gewaltigem Umfang: Ist der Aufrufpreis die ganze Entscheidung, stehen Sie eine Stufe zu hoch, und die Massen-Formatbereinigung gehört auf ein günstigeres Modell, das Ofrai ebenfalls führt. Nichts davon ist ein Versagen des einen oder des anderen Modells. Es ist das, wofür eine Durchsatzstufe da ist, und zu wissen, wo sie aufhört, ist der Teil der Routing-Entscheidung, den man auf einen Haftzettel schreiben kann.

Ofrai-Katalog-Credits

Redaktionelle Schätzungen aus internen Tests — keine Dritt-Benchmarks.

ModellArtCredits
Gemini 3.8 FlashChat-ModellInput/Output 0,274272/1,37136
DeepSeek V4 FlashChat-ModellInput/Output 0,274272/0,822816

FAQ

Welches ist günstiger für Massenklassifikation und -extraktion?
Keines der beiden ist als das billigste pro Aufruf dokumentiert, und die Modellseite von Gemini 3.8 Flash schließt sich ausdrücklich aus, wenn es um geringste Aufrufkosten bei trivialer Klassifikation geht. DeepSeek V4 Flash ist auf Durchsatz über viele unabhängige Elemente dokumentiert und damit der bessere Standard für einen langen, repetitiven, von Menschen bestätigten Stapel. Bei gewöhnlichen Klassen wie Thema plus Dringlichkeit ist der entscheidende Faktor überhaupt nicht der Stückpreis, sondern wie viele Elemente beim ersten Durchlauf parsebar und korrekt zurückkommen, und das misst man nur am eigenen Stapel.
Welches sollte der Standard für Massenextraktion sein?
DeepSeek V4 Flash, wenn Ihre Dokumente, Tabellen und Nachrichten vielfältig sind und ein Mensch die Ausgabe bestätigt, denn die Extraktion über viele Elemente ist sein dokumentierter Zweck. Gemini 3.8 Flash, wenn ein Skript die Ergebnisse weiterverarbeitet und Formatstabilität wichtiger ist als rohe Geschwindigkeit, denn die Formatierung, deren Ausgabe standhalten muss, ist seine dokumentierte Stärke. Geben Sie in beiden Fällen die Ausgabeform exakt vor, mit benannten Spalten oder festen Schlüsseln, und weisen Sie das Modell an, unlesbare Felder zu markieren statt zu raten.
Brauche ich ein Google- oder DeepSeek-Konto, um sie zu vergleichen?
Nein. Beide sind als Standard-Chatmodelle im Ofrai-Textstudio gelistet und buchen vom selben geteilten Kreditguthaben ab. Kein externer API-Schlüssel, keine getrennte Laborrechnung, kein zweites Abonnement. Öffnen Sie das Textstudio, senden Sie denselben Prompt an beide und vergleichen Sie, ohne zwei Konten zu verwalten. Kostenkontrolle entsteht durch Routing und Prompt-Disziplin, nicht durch das Aufteilen der Rechnung.
Welches ist besser, um einen großen Stapel für dieselbe Zielgruppe umzuschreiben?
Gemini 3.8 Flash, weil das Umschreiben für eine definierte Zielgruppe bei Beibehaltung jeder Tatsachenaussage und bei Markierung von Sätzen, die Wissen voraussetzen, das der Leser vielleicht nicht hat, seine dokumentierte Stärke ist. DeepSeek V4 Flash ist bewusst flacher und hält über die gesamte Liste einen neutralen Ton, was die bessere Wahl ist, wenn der Stapel als eine Kampagne oder ein Release rausgeht und Konsistenz wichtiger ist als leserspezifische Feinheiten. Schreiben Sie den Ton in beiden Fällen einmal an den Anfang des Prompts, statt ihn pro Element zu wiederholen.
Kann eines von beiden alltägliches Coding in Masse erledigen?
Ja, in der gewöhnlichen Größenordnung: kurze Funktionen, kleine Refactorings, unbekannten Code erklären, ein Snippet in Tests verwandeln. Die DeepSeek-Modellseite warnt davor, eine lange Kette von Änderungen durch diese Stufe zu schicken, und Gemini behält den Pro-Stufen das Reasoning vor, das Sie sehen wollen. Für eine Woche voller kleiner Codeaufgaben sind beide vernünftige Standards. Gehen Sie eine Stufe höher, sobald ein Element aufhört, klein zu sein, und die Ursache verfolgt statt geraten werden muss.
Wann reicht eine schnelle Stufe wie diese nicht?
Wenn die Elemente nicht unabhängig sind und jede Schlussfolgerung geprüft werden muss: subtiles Debugging, heikle Entwurfsentscheidungen, rechtliche oder finanzielle Formulierungen. Der charakteristische Fehler einer Durchsatzstufe ist eine selbstsichere, gut geformte, aber subtly falsche Ausgabe, keine Verweigerung, die Ihnen auffallen würde. Ebenso wenn die Aufrufkosten die einzige Entscheidung sind und die Arbeit trivial ist: Beide Modelle stehen über günstigeren Einstiegsstufen, die Massen-Formatbereinigung gehört also eine Stufe tiefer. Halten Sie einen Menschen in der Schleife, sobald die Ausgabe kundenseitig oder folgenreich ist.

Verwandte Modelle

Werkzeuge

Anwendungsfälle