Zuckerberg tritt in direkten Wettbewerb mit DeepSeek.

Am 6. August berichtete Zhi Dongxi, dass Meta seinen ersten Programmieragenten, Muse Code (Beta), sowie das Nachfolgemodell Muse Spark 1.2, das auf dem Agenten läuft, auf den Markt gebracht hat.

Die Veröffentlichung des Modells löste im Ausland hitzige Diskussionen aus, vor allem wegen der Preisstrategie: Es ist günstiger als DeepSeek-V4-Flash. Nutzer, die Meta erlauben, ihre Modelle mit dessen Daten zu trainieren, erhalten einen Rabatt von 5 % .

Interessanterweise kündigte DeepSeek am selben Tag an, die Preise seiner API-Dienste in naher Zukunft deutlich anzuheben . Auch andere führende chinesische Modellanbieter zeigten Anzeichen einer Entspannung im Preiskampf; so werden beispielsweise die Preise für Zhipu GLM-Modelle nach Ablauf der Rabattphase ebenfalls deutlich steigen.

Während ausländische Giganten wie OpenAI und Meta in einen Preiskampf verwickelt sind, scheinen einheimische Anbieter wie DeepSeek nach ihren eigenen Regeln zu spielen, was diesen globalen Kampf um das beste Modell immer interessanter macht.

Meta nutzt Nutzerdaten, um Preisnachlässe von bis zu 75 Mal anzubieten.

Zuckerberg erklärte auf Twitter: „(Dieses Modell) ist benutzerfreundlich und kostengünstig . (Benutzer) benötigen nur eine Codezeile, um das ‚ Contributor Software Package ‘ zu installieren und zu verwenden.“

Das sogenannte „Contributor-Paket“ bezieht sich auf die beiden von Meta bereitgestellten API-Versionen: Eine ermöglicht die gemeinsame Nutzung von Daten , die andere nicht. Die Kosten für die Dateneingabe betragen bei der ersten Version 0,10 US-Dollar pro Million Tokens und sind damit 12,5-mal günstiger als bei der zweiten. Die Kosten für zwischengespeicherte Eingabedaten belaufen sich auf 0,002 US-Dollar pro Million Tokens und sind damit 75-mal günstiger. Die Kosten für Ausgabedaten betragen 0,20 US-Dollar pro Million Tokens und sind damit mehr als 21-mal günstiger.

Ein Internetnutzer scherzte: „Das ist ja witzig! Die Input-/Output-Kosten von Muse Spark sind niedriger als die von DeepSeek-V4-Flash, und es zeichnet sich außerdem durch einzigartig optimierte Cache-Trefferraten aus. Ihnen geht es nicht um Gewinne; sie wollen einfach nur Daten. “

Zuvor hatte DeepSeek-V4-Flash seine API offiziell am 31. Juli veröffentlicht. Das Preismodell sieht wie folgt aus: 1 Yuan pro Million Token bei einem Cache-Fehler, 0,2 Yuan pro Million Token bei einem Cache-Treffer und 2 Yuan pro Million Token bei erfolgreicher Ausgabe.

DeepSeek ist „so leistungsstark, dass es nicht wie Flash wirkt“. Kann Meta da mithalten?

DeepSeek-V4-Flash erfreut sich derzeit weltweit wachsender Beliebtheit. Seit der Veröffentlichung seiner API hat sein Ruf für hohe Kosteneffizienz kontinuierlich zugenommen.

Der Mitgründer und CEO von Platzi, einer führenden Online-Bildungsplattform in Lateinamerika, veröffentlichte heute einen Artikel, in dem er staunend die hohe Geschwindigkeit und Qualität des DeepSeek-V4-Flash-Speichers lobte. Es ist wirklich erstaunlich.

Einige Internetnutzer brachten es sogar unverblümt auf den Punkt: „Claude ist tot. Es gibt keinen Grund mehr, warum die Welt weiterhin von einem Lieferanten kontrolliert werden sollte, der hundertmal so viel kostet, aber genauso viel leistet wie seine Konkurrenten.“

Der gute Ruf des DeepSeek-V4-Flash beruht jedoch nicht nur auf seinem niedrigen Preis, sondern auch auf seiner hervorragenden Leistung.

Die Benchmark-Ergebnisse dieses Modells übertreffen die seines „großen Bruders“, des DeepSeek-V4-Pro-Preview (veröffentlicht im April), deutlich. Auch heute noch loben es viele Nutzer im Ausland in höchsten Tönen und sagen, es fühle sich „überhaupt nicht wie ein Flash-basiertes Gerät an“. Im Almanbench-Test übertraf die DeepSeek-V4-Flash-Version 0731 die Kimi K3 und erzielte ein nahezu identisches Ergebnis wie die GPT-5.6 Sol xhigh.

Wie schlägt sich Meta also im Preiswettbewerb mit DeepSeek mit seinen neuesten Beta-Versionen Muse Spark 1.2 und Muse Code?

Bei der Programmevaluierung liegt es nur hinter Opus5, Muse und Spark 1.2, hinkt aber immer noch den modernsten Modellen hinterher.

Hinsichtlich der Modellleistung stellt die Muse Spark 1.2 eine deutliche Verbesserung gegenüber ihrem Vorgänger dar, hinkt aber immer noch den modernsten Modellen hinterher .

Muse Spark 1.2 ist eine aktualisierte, für die Programmierung optimierte Version. In Code-Performance-Benchmarks wie Terminal-Bench 2.1 und DeepSWE 1.1 liegt es leistungsmäßig nur hinter Claude Opus5 und übertrifft GPT-5.6, Grok4.5 und Gemini3.6.

Im GDPVal-AA V2-Test für komplexes logisches Denken belegte Muse Spark 1.2 den zweiten Platz, direkt hinter Opus5; im Benchmark-Test MCP Atlas für Agenten-Tool-Aufrufe belegte Muse Spark 1.2 den ersten Platz.

Metatests zeigen, dass das Modell GPU-Kerne iterativ über mehr als 1000 Tool-Aufrufe (bis zu 24 Stunden) optimieren kann. In der Agenten-Codierungsumgebung Muse Code übertrifft das Modell Gemini 3.6 Flash und GPT-5.6 Terra, bleibt aber hinter GPT-5.6 Sol und Opus5 zurück.

Muse Code ist ein lokalisierter Programmieragent für Endbenutzer, der komplette Softwareentwicklungsaufgaben in großen Codebasen übernehmen kann, von der Änderungsplanung über das Schreiben von Code bis hin zur Ergebnisprüfung. Meta hat eine Reihe von Fallstudien veröffentlicht, aber ob Muse Code in realen Entwicklungsszenarien mit Claude Code und Codex konkurrieren kann, bleibt abzuwarten.

Wie das folgende Beispiel zeigt, verwendet Muse Code eine einfache Agentenschleife, die durch eine Reihe asynchroner Hintergrundagenten ergänzt wird, um die Funktionalität des Hauptagenten zu erweitern. Deren kontinuierlicher Betrieb reduziert die Latenz und minimiert den Bedarf an manuellen Eingriffen bei komplexen, mehrstufigen Aufgaben.

Das Bild unten zeigt einen Benutzer, der eine MP4-Datei eines Videos einer Hausbesichtigung in ein Terminal eingibt. Muse Code analysiert das Video und generiert eine optisch ansprechende Marketing- und Buchungsseite für das Ferienhaus.

Darüber hinaus erzielte Muse Spark 1.2 54 Punkte im AI Analytics Index (AII), was seine Fähigkeiten zur Wissensarbeit der Agenten im Vergleich zu früheren Versionen deutlich verbesserte und ihm den dritten Platz unter den US-Laboren zusammen mit Meta und SpaceX AI einbrachte.

Fazit: Meta senkte die Preise, um Kunden anzulocken, während DeepSeek die Preise erhöhte, um dem Preiskampf im KI-Bereich entgegenzuwirken. Dies zeigt, dass der Wettbewerb zwischen den Agenturen extrem hart ist.

Nach den Preissenkungen von OpenAI hat auch Meta einen Preiskampf in der US-amerikanischen KI-Branche ausgelöst. Da OpenAI und Anthropic den Markt dominieren, versucht Meta, Marktanteile zu gewinnen und ist erstmals in den Markt für Edge-Programming-Agenten eingestiegen, um seine Position zu stärken. Die kürzlich erfolgte, umfassende interne Umstrukturierung von Google DeepMind bietet Meta eine hervorragende Gelegenheit.

Niedrige Preise mögen zwar ein effektives Mittel sein, um Nutzer anzulocken, doch für echte Nutzerakzeptanz sind höhere Modellleistung und Tokenqualität entscheidend. Genau deshalb erfreut sich DeepSeek-V4-Flash im Ausland wieder großer Beliebtheit.

Es ist erwähnenswert, dass DeepSeek heute angekündigt hat, die Preise seiner API-Dienste in Kürze umfassend anzuheben. Dies zeigt, dass DeepSeek den Wettbewerb nicht auf Preiskämpfe beschränkt, sondern weiterhin Wert auf Modellqualität legt. DeepSeek hat in letzter Zeit aktiv nach Talenten für Agent Harness gesucht und exzellente Open-Source-Projekte gewonnen; das Agent-Harness-Produkt (möglicherweise unter dem Namen DeepSeek Code) entwickelt sich rasant.

Es ist absehbar, dass der Preiskampf erst der Anfang ist und der Wettbewerb zwischen den Distributoren in verschiedenen Aspekten wie Rechenleistung, Performance, Preis, Anwendungen und Ökosystem zunehmen wird.