← Alle Modellneuigkeiten

Vals-AI-Netzwerkangriffs-Benchmark: DeepSeek V4.1 Flash 1017 nähert sich mit rund einem Siebtel der Kosten der Closed-Source-Spitze

Laut einem Bericht von The Decoder vom 7. November 2026 zeigt der CyberOffense-Benchmark von Vals AI, dass das Modell mit offenen Gewichten DeepSeek V4.1 Flash 1017 beim autonomen Eindringen in ein simuliertes Unternehmensnetzwerk 72,8 % der Ziele erreichte, bei etwa 3 US-Dollar pro Lauf, während das Closed-Source-Modell GPT-6 Sol Daybreak 80,8 % bei etwa 22 US-Dollar schaffte; DeepSeek erzielte bis zu den ersten 25 Millionen Token null Punkte, kurze Tests unterschätzen offene Modelle.

Veröffentlicht Aktualisiert
Titelbild des Originalberichts — Vals-AI-Netzwerkangriffs-Benchmark: DeepSeek V4.1 Flash 1017 nähert sich mit rund einem Siebtel der Kosten der Closed-Source-Spitze
Titelbild des OriginalberichtsOriginalbericht ↗

Was sich geändert hat

Laut dem Bericht des The-Decoder-Journalisten Matthias Bastian vom 7. November 2026 prüfte Vals AI mit dem CyberOffense-Benchmark, ob Agenten selbstständig in ein simuliertes Unternehmensnetzwerk eindringen können: Jeder Agent läuft allein auf einer isolierten Kali-Linux-Angriffsmaschine, startet nur mit einer öffentlichen Webadresse und ohne menschliche Hilfe und muss sich entlang einer Webanwendung bis zu einem Windows-Server vorarbeiten und Administratorrechte erlangen; die Aktionen werden extern aufgezeichnet und automatisch bewertet. Die im Bericht genannten Ergebnisse: GPT-6 Sol, das zum eingeschränkten Daybreak-Netzwerkprogramm von OpenAI gehört, erreichte 80,8 % der Ziele, das Modell mit offenen Gewichten DeepSeek V4.1 Flash 1017 erreichte 72,8 % bei Kosten von etwa 3 US-Dollar pro Lauf gegenüber etwa 22 US-Dollar beim erstgenannten Modell; Forscher von Vals sagen, sobald die Gewichte veröffentlicht seien, könne kein Anbieter die Nutzung kontrollieren oder einschränken. In dem schwierigeren Lighthouse-Szenario schloss Daybreak in weniger als drei Stunden 27 von 31 Zielen ab, DeepSeek schaffte 21 zu etwa einem Zehntel der Kosten und wurde dabei nicht nur durch Sicherheitsguardrails begrenzt. Der Bericht betont besonders die Lauflänge: Bei DeepSeek lag der Punktestand bis zu den ersten 25 Millionen Token bei null, der Großteil des Fortschritts trat erst nach über 100 Millionen Token auf. Der Artikel zitiert außerdem eine Analyse des britischen AISI vom Juli, wonach der Abstand bei Cyber-Fähigkeiten zwischen offenen und geschlossenen Frontier-Modellen auf 4 bis 7 Monate geschrumpft ist, sowie eine Untersuchung von Anthropic, der zufolge GLM-5.3 bei der Erstellung von Exploits nahe an deren interne Modelle heranreicht.

Auswirkungen für Entwickler

Für Entwickler liegt der Wert dieses Benchmarks nicht darin, wer Erster ist, sondern darin, dass er drei sonst unscharf gehandhabte Parameter offenlegt: Token-Budget, Kosten pro erfolgreichem Ziel und die Frage, wer für Guardrails verantwortlich ist. Wenn die Aufgabe selbst langfristig angelegt ist, Zustand über Systeme hinweg halten und nach Fehlschlägen erneut versuchen muss, dann wird ein Modell mit offenen Gewichten in kurzen Durchläufen von einigen zehntausend Token sehr wahrscheinlich nahe null Punkte erreichen, und dieses Ergebnis wird fälschlich als Fähigkeitslücke gedeutet. Dass DeepSeek laut Bericht bis zu den ersten 25 Millionen Token null Punkte erzielt und der größte Teil des Fortschritts erst nach über 100 Millionen Token auftritt, zeigt, dass das Budget selbst eine unabhängige Variable ist. Bei den Kosten sind die etwa 3 US-Dollar und etwa 22 US-Dollar Größenordnungen pro Lauf; tatsächlich zu rechnen ist aber der Preis pro erfolgreichem Ziel: Wenn die Abschlussraten um einige Prozentpunkte differieren, können die Ausgaben für Wiederholungsversuche den Preisvorteil aufzehren (das ist eine aus den berichteten Zahlen abgeleitete Analyse, keine Schlussfolgerung des Berichts). Auf der Sicherheitsseite heißt es im Bericht, nach der Veröffentlichung offener Gewichte könne kein Anbieter die Nutzung einschränken, und DeepSeeks Punktzahl werde nicht allein durch Guardrails gedrückt; das bedeutet, dass Sandbox, Whitelists für ausgehenden Netzwerkverkehr und die Auditierung von Aktionen allein beim Betreiber liegen, wenn solche Modelle in Agenten mit echtem Netzwerkzugriff eingebunden werden, und man sich nicht auf Verweigerungsantworten des Modells verlassen kann. Umgekehrt lassen sich dieselben Fähigkeiten zur Selbstprüfung nutzen: Vals weist darauf hin, dass Modelle, die Schwachstellen ausnutzen können, Unternehmen auch helfen können, Schwachstellen zuerst zu finden und zu beheben, und meint, Angriffe auf echte Netzwerke könnten in den kommenden Monaten zunehmen. Außerdem macht der Bericht keine Angaben zur Lizenz der Gewichte; offene Gewichte sind nicht gleich eine Open-Source-Lizenz, Eigentums- und kommerzielle Bedingungen sind separat zu prüfen.

Integration und Bewertung

Das Folgende sind bedingte Empfehlungen, keine im Bericht getroffenen Aussagen. Erstens: Entscheiden Sie zuerst über das Evaluierungsbudget, nicht über das Modell. Die Änderung, die der Bericht mit sich bringt: Kurze Läufe unterschätzen Modelle mit offenen Gewichten systematisch. Wenn Ihre Aufgabe tatsächlich langfristig und mehrstufig ist, heben Sie das Token-Budget pro Evaluierung auf die im Bericht genannte Größenordnung an und protokollieren Sie die Kurve der Zielerreichung über den Token-Verbrauch, statt nur den Endwert zu betrachten; das Kriterium ist, ob das Modell bis kurz vor 100 Millionen Token nahezu unverändert bleibt und erst danach deutlich zulegt. Ist die Aufgabe nur eine einzelne Frage-Antwort-Runde oder ein Werkzeugaufruf in zwei, drei Schritten, gilt das nicht; dann genügt die Betrachtung bei kleinem Budget. Zweitens: Entscheiden Sie nach den Kosten pro erfolgreichem Ziel, nicht nach dem Preis pro Lauf. Die Änderung aus dem Bericht: 72,8 % gegenüber 80,8 %, Kosten pro Lauf etwa 3 US-Dollar gegenüber etwa 22 US-Dollar. Vorgehen: denselben Aufgabensatz und dieselbe Zahl von Wiederholungsversuchen festhalten und die Gesamtkosten durch die Zahl der Erfolge teilen. Voraussetzung ist, dass Ihr Szenario Wiederholungen oder parallele Versuche zulässt; ist ein Fehlschlag irreversibel, etwa weil bereits eine Produktionsumgebung verändert wurde, sollten Sie nach Abschlussrate statt nach Stückpreis auswählen. Ein messbares Kriterium: Bleibt bei über 20 Wiederholungen der Kostenunterschied pro erfolgreichem Ziel zwischen beiden Modellen noch bei einer Größenordnung? Token-basierte Preise ändern sich; maßgeblich sind die konkreten Zahlen auf der Preisseite der eingesetzten Plattform. Drittens: Legen Sie die Guardrails in Ihre eigene Infrastruktur. Die Änderung aus dem Bericht: Nach der Veröffentlichung der Gewichte kann kein Anbieter die Nutzung kontrollieren, und DeepSeek wird auch nicht allein durch Sicherheitsguardrails begrenzt. Wenn der Agent echten Netzwerk- oder Anmeldedatenzugriff hat, brauchen Sie Whitelists für den ausgehenden Netzwerkverkehr, eine separate Sandbox und eine schrittweise Aufzeichnung der Aktionen sowie menschliche Bestätigung für Rechteausweitungen; bei reinen Offline-Leseaufgaben ist die Dringlichkeit geringer. Kriterium: Lassen Sie einen internen Red-Team-Aufgabensatz einmal mit und einmal ohne diese Kontrollen laufen und sehen Sie, wie stark die Zahl der erreichten Ziele sinkt; die Kontrollmaßnahmen müssen für diese Differenz verantwortlich sein.

Grenzen und offene Fragen

Zu bewahrende Einschränkungen: Die genannten Punktzahlen und Kosten stammen aus dem Benchmark von Vals AI und diesem Bericht von The Decoder, nicht aus eigenen Tests dieses Artikels, und wurden von den Modellanbietern nicht bestätigt; der Bericht sagt nur, die Gewichte seien frei verfügbar, ohne eine Lizenz zu nennen, daher lässt sich aus offenen Gewichten nicht auf den Nutzungsumfang schließen. Die Bildunterschrift desselben Artikels behauptet, DeepSeek überhole im Lighthouse-Szenario andere Modelle, doch seine Tabelle nennt DeepSeek 21, GPT-6 Sol Daybreak 27 und Meta Wonder 28, Bildunterschrift und Tabelle passen nicht zusammen; für das Ranking einzelner Modelle ist die originale Benchmark-Seite von Vals AI maßgeblich. Die Spalte Nova ist ein Mittelwert aus 3 Läufen, die Bandbreite für Daybreak liegt bei 12 bis 19, kleine Punktunterschiede fallen in die Laufschwankung. Die etwa 3 US-Dollar und etwa 22 US-Dollar sowie die 1,19 US-Dollar und 85 US-Dollar, die AISI im Juli nannte, stammen aus unterschiedlichen Zeitpunkten und unterschiedlichen Testaufbauten, sind nicht direkt vergleichbar und geben nicht die aktuellen Token-Preise irgendeiner Plattform wieder. Die Inhalte von AISI und Anthropic sind in diesem Artikel Sekundärzitate. Der Bericht sagt nicht, über welche API oder welchen Hosting-Dienst DeepSeek V4.1 Flash 1017 lief, daher lässt sich der Kostenwert pro Lauf keiner Preisliste zuordnen; dieser Versionsname hat einen entsprechenden Eintrag im aktuellen KimiSeek-Katalog, aber alle in diesem Artikel zitierten Zahlen stammen von Vals AI und The Decoder und sind keine Messergebnisse von KimiSeek, vor der Anbindung sind die Preisseiten der eingesetzten Plattform maßgeblich.

Abbildungen aus dem Originalbericht

Abbildung aus dem Originalbericht 1 — Vals-AI-Netzwerkangriffs-Benchmark: DeepSeek V4.1 Flash 1017 nähert sich mit rund einem Siebtel der Kosten der Closed-Source-Spitze
Abbildung aus dem Originalbericht 1Originalbericht ↗
Abbildung aus dem Originalbericht 2 — Vals-AI-Netzwerkangriffs-Benchmark: DeepSeek V4.1 Flash 1017 nähert sich mit rund einem Siebtel der Kosten der Closed-Source-Spitze
Abbildung aus dem Originalbericht 2Originalbericht ↗
Abbildung aus dem Originalbericht 3 — Vals-AI-Netzwerkangriffs-Benchmark: DeepSeek V4.1 Flash 1017 nähert sich mit rund einem Siebtel der Kosten der Closed-Source-Spitze
Abbildung aus dem Originalbericht 3Originalbericht ↗
Abbildung aus dem Originalbericht 4 — Vals-AI-Netzwerkangriffs-Benchmark: DeepSeek V4.1 Flash 1017 nähert sich mit rund einem Siebtel der Kosten der Closed-Source-Spitze
Abbildung aus dem Originalbericht 4Originalbericht ↗

In drei Minuten zum ersten Aufruf

Erstelle ein Konto und einen API-Schlüssel. Aufrufe werden von deinem Guthaben abgebucht. 30 % Rabatt auf die erste Aufladung. ¥500 aufladen, ¥350 zahlen, ¥500 Guthaben erhalten. ¥1000 aufladen, ¥850 zahlen, ¥1000 Guthaben erhalten Die Mindestaufladung bleibt ¥10 und eignet sich zum Ausprobieren.

Quellen und redaktioneller Prozess

开放与闭源 AI 模型在网络能力上的差距持续缩小

KI unterstützte die Analyse und Übersetzung der genannten Quellen, gefolgt von automatischen Qualitätsprüfungen. Empfehlungen sind keine Testergebnisse. Verfügbarkeit und Preise stehen im aktuellen Katalog.