DeepSeek ist ein chinesischer Anbieter großer KI-Sprachmodelle, der im KI-Kontext vor allem für offene Modelle, Reasoning-Fähigkeiten, Code-Leistung und Preisdruck steht. Die Belege zeigt eine klare Entwicklung: Ende 2024 taucht DeepSeek-R1-Lite-Preview als o1-ähnliches Reasoning-Modell auf, Anfang 2025 wird DeepSeek als starkes Open-Source-Modell eingeordnet, kurz darauf rücken R1-Zero und R1 als offene Reasoning-Modelle in den Mittelpunkt. 2025 und 2026 verschiebt sich die Einordnung zu V3-, V3.2- und V4-Modellen, die in den Quellen für Chinas steigenden Druck auf die globale KI-Modelllandschaft stehen.

Kurzprofil

DeepSeek ist im KI-Kontext als chinesischer Modellanbieter eingeordnet, der für ein starkes Preis-Leistungs- und Open-Source-Profil steht. Der Schwerpunkt der Berichterstattung liegt nicht auf einer allgemeinen Unternehmensbiografie, sondern auf der Rolle von DeepSeek im KI-Ökosystem: Reasoning-Modelle, Code-Fähigkeiten, lokale beziehungsweise offene Nutzung, Benchmarks, Kosten und geopolitischer Wettbewerbsdruck.

Reasoning bedeutet hier: Ein Modell erzeugt nicht nur direkt eine Antwort, sondern soll bei schwierigen Aufgaben wie Mathematik, Programmieren oder logischem Schlussfolgern Zwischenschritte planen beziehungsweise "nachdenken". Open Source wird im Newsletter als Sammelbegriff für offen verfügbare Modelle verwendet; bei konkreten Releases sollte redaktionell jeweils geprüft werden, ob Code, Modellgewichte, Lizenz und kommerzielle Nutzung gleich offen geregelt sind.

Rolle im KI-Ökosystem

DeepSeek steht in den Quellen für die These, dass China den KI-Wettbewerb über günstige, offene und leistungsfähige Modelle verschiebt. Besonders relevant ist die Firma dort, wo die Grenze zwischen proprietären Spitzenmodellen und offen zugänglichen Modellen kleiner wird: Der Newsletter nennt DeepSeek Anfang 2025 als "aktuell bestes Open Source Modell" und beschreibt R1-Zero sowie R1 kurz darauf als offene Reasoning-Modelle, die in Benchmarks teilweise mit OpenAIs o1 gleichauf liegen sollen.

Im offiziellen R1-Release stellt DeepSeek DeepSeek-R1 als vollständig offenes Modell mit technischem Report und MIT-Lizenz dar; außerdem wird R1 für Mathematik, Code und Reasoning als auf Augenhöhe mit OpenAI-o1 positioniert. Diese Selbstdarstellung passt zur AI-Breakdown-Einordnung, sollte aber bei Benchmark-Aussagen als Herstellerclaim gelesen werden.

Der Effekt war nicht nur technisch: In KW 6/2025 beschreibt der Newsletter, dass DeepSeek Kursstürze an Börsen auslöste und eine breite Debatte über Entstehungskosten und Trainingsweise des Modells anfachte. Für die Wiki-Einordnung ist DeepSeek deshalb ein Beispiel dafür, wie Modellveröffentlichungen auch Infrastruktur-, Börsen- und Geopolitikfragen berühren.

Entwicklung

2024_KW48: DeepSeek-R1-Lite-Preview wird als Modell beschrieben, das wie OpenAIs o1-preview eine Strategie zur Lösung von Aufgaben entwickeln kann und in Mathematik sowie Softwareentwicklung o1-preview sogar übertreffen soll. Das ist der erste klare Reasoning-Moment in der vorliegenden DeepSeek-Evidence.

2025_KW01: DeepSeek wird im Newsletter als aktuell bestes Open-Source-Modell bezeichnet. Die Einordnung betont zugleich, dass zwischen geschlossenen und offenen Modellen weiterhin Unterschiede bestehen, die Fortschritte aber in beiden Gruppen sichtbar sind.

2025_KW05: DeepSeek veröffentlicht in der Meldung mit R1-Zero und R1 zwei neue KI-Modelle. Sie werden als Open Source eingeordnet, sollen in Benchmarks teilweise mit OpenAIs o1 gleichauf liegen und werden ausdrücklich als Reasoning-Modelle erklärt, die erst "nachdenken" und dadurch bessere Antworten liefern sollen.

2025_KW06 bis KW08: DeepSeek bleibt Gegenstand der breiten KI-Debatte. Der Newsletter beschreibt Börsenreaktionen, Spekulationen über Kosten und Entstehung sowie allmählich sichtbar werdende Auswirkungen auf Entwicklungsrichtungen und Schwerpunkte der KI-Branche.

2025_KW11 bis KW14: DeepSeek wird zunehmend als Vergleichsmaßstab für andere Modelle genutzt. Qwen QwQ-32B wird im mathematisch-logischen Bereich mit DeepSeek R1 verglichen, Baidus Ernie X1 wird als DeepSeek-Konkurrenz eingeordnet, und ein V3-Update wird als schneller und besser beschrieben, mit dem Hinweis, dass es lokal auf Apples M3 Ultra laufen soll.

2025_KW23 und später: Die gelieferte Analyse-Evidence nennt DeepSeek R1 0528 mit besseren Werten sowie JSON-Ausgaben und Funktionsaufrufen. Für diese konkrete Newsletter-Behauptung liegt im Quellmaterial jedoch nur AI-Analysis-Evidence und kein Quellenbeleg vor, deshalb sollte sie als unterstützender Hinweis und nicht als harte Chronologiezeile behandelt werden.

2025_KW50 und 2026_KW18: Die bestehende Wiki-Seite ordnet DeepSeek V3.2 Ende 2025 als Wahrnehmungsmaßstab und DeepSeek v4 im Jahr 2026 als großes, quelloffenes und kostengünstiges Modell ein. Die offiziellen DeepSeek-Dokumente stützen, dass V3.2 am 1. Dezember 2025 als Reasoning-first-Modellreihe für Agenten angekündigt wurde und dass DeepSeek-V4 Preview am 24. April 2026 offiziell live und open-sourced war.

Modelle und technische Einordnung

DeepSeek-R1 und R1-Zero sind in der Evidence die zentralen Reasoning-Modelle. DeepSeek beschreibt R1-Zero als Modell, das über großskaliges Reinforcement Learning ohne vorheriges Supervised Fine-Tuning auf Reasoning trainiert wurde; R1 ergänzt laut GitHub-README Cold-Start-Daten vor dem Reinforcement Learning, um Schwächen wie Wiederholungen, Lesbarkeit und Sprachmischung zu adressieren.

DeepSeek-V3 wird im offiziellen GitHub-Repository als Mixture-of-Experts-Sprachmodell mit 671 Milliarden Gesamtparametern und 37 Milliarden aktivierten Parametern pro Token beschrieben. DeepSeek nennt außerdem 14,8 Billionen Pretraining-Tokens und 2,788 Millionen H800-GPU-Stunden für das vollständige Training. Diese Zahlen sind Herstellerangaben und sollten in redaktionellen Artikeln als solche gekennzeichnet bleiben.

DeepSeek-V3.2 wurde laut offizieller API-Dokumentation am 1. Dezember 2025 als Reasoning-first-Modellreihe für Agenten angekündigt; DeepSeek-V3.2 lief in App, Web und API, während V3.2-Speciale zunächst API-only verfügbar war. Die Ankündigung betont Tool-Use, also die Fähigkeit eines Modells, externe Werkzeuge wie APIs oder Funktionen in Arbeitsabläufe einzubinden.

DeepSeek-V4 Preview wurde laut offizieller DeepSeek-Dokumentation am 24. April 2026 veröffentlicht. Die Dokumentation nennt V4-Pro und V4-Flash, Open Weights, eine standardmäßige Kontextlänge von 1 Million Tokens in offiziellen DeepSeek-Diensten und API-Zugriff über OpenAI-ChatCompletions- sowie Anthropic-Schnittstellen. Für den KI-Kontext ist das relevant, weil hier Kosten, lange Kontexte, Agentenfähigkeit und offene Gewichte zusammenlaufen.

Verbindungen zu anderen Themen im Wiki

DeepSeek sollte intern vor allem mit dem Meilenstein zu DeepSeek/R1 und dem China-Kostenschock verknüpft werden, weil die Belege dort die stärkste thematische Verdichtung hat: offene Reasoning-Modelle, Benchmark-Vergleiche mit o1, Kostenfragen und Marktreaktionen.

Die Seite zu China-Modellen 2026 ist sinnvoll, weil die bestehende Wiki-Seite DeepSeek im Kontext chinesischer Modellanbieter und geopolitischen Drucks einordnet. Die Verbindung sollte aber auf die im Quellmaterial belegten DeepSeek-Aspekte begrenzt bleiben und keine nicht belegten Aussagen zu anderen chinesischen Anbietern ergänzen.

Der Begriff Coding-Agent passt als Linkziel, weil DeepSeek in der Evidence wiederholt über Softwareentwicklung, Code-Fähigkeiten, Agenten und Tool-Use verortet wird. Dabei sollte erklärt werden, dass ein Coding-Agent ein KI-System ist, das nicht nur Code vorschlägt, sondern Entwicklungsaufgaben schrittweise plant, Werkzeuge nutzt und Änderungen ausführt oder vorbereitet.

Einordnung und offene Fragen

DeepSeek verändert im KI-Kontext die Erwartungen daran, wie leistungsfähig offene oder offen gewichtete Modelle sein können und wie stark Preisdruck auf geschlossene Spitzenmodelle wirken kann. Gleichzeitig bleiben redaktionell wichtige Prüfpunkte offen: Lizenzdetails je Release, Trainingsdaten, Sicherheitsfragen, Zensur- und Governance-Fragen, Exportkontrollen, Benchmark-Vergleichbarkeit und tatsächliche Kosten.

Benchmark-Aussagen sollten vorsichtig formuliert werden. Viele Leistungsbehauptungen in der Evidence stammen entweder aus Newsletter-Zusammenfassungen oder aus DeepSeeks eigenen Release- und GitHub-Dokumenten. Für einen endgültigen Artikel sollten unabhängige Evaluationen ergänzt werden, sofern der Redaktionsprozess dies erlaubt.

Weitere Seiten

Quellen und Belege

AI-Breakdown-Ausgaben

Externe Quellen