DeepSeek

Anbieter: DeepSeek (Hangzhou DeepSeek Artificial Intelligence Co., Ltd.) · Land: China · Region: China · Lizenz: offene Gewichte (aktuelle Modelle MIT) · Zugriff: Web-App, API, Gewichte, lokal nutzbar

Im Verzeichnis anzeigen Weitere Modelle aus China Passendes Modell finden

DeepSeek: aktuelle Modelle und Einordnung

DeepSeek ist eine Sprachmodellfamilie des chinesischen Unternehmens Hangzhou DeepSeek Artificial Intelligence Co., Ltd. Die Familie besteht aus den universellen V-Modellen und der auf Reasoning spezialisierten, inzwischen historischen R-Serie. Aktuelle Generation ist DeepSeek-V4 mit den beiden Varianten V4-Flash (effizient, günstiger) und V4-Pro (größtes Modell). Beide verarbeiten Text als Ein- und Ausgabe, bieten laut Anbieter ein Kontextfenster von einer Million Token und stehen als offene Gewichte unter MIT-Lizenz auf Hugging Face bereit.

Besonders ist die Kombination aus großem Modell, offener Lizenz und niedrigen API-Preisen – und zugleich einer Datenschutzlage, die stark davon abhängt, wie das Modell genutzt wird. Diese Seite trennt deshalb konsequent zwischen Cloud-Nutzung, API, Self-Hosting und Dritthosting.

DeepSeek-V4-Flash und V4-Pro im Vergleich

DeepSeek stellte V4 am 24. April 2026 vor; seit dem 31. Juli 2026 läuft zusätzlich die API der aktualisierten Version V4-Flash-0731 als Public Beta. Die Version 0731 wurde laut Change Log unter anderem für den Einsatz in Coding-Agent-Umgebungen angepasst.

Gesamtparameter und aktive Parameter: Was die Zahlen bedeuten

V4-Pro hat 1,6 Billionen Parameter, nutzt pro erzeugtem Token aber nur rund 49 Milliarden davon aktiv; bei V4-Flash sind es 284 Milliarden gesamt und 13 Milliarden aktiv. Grund ist die Mixture-of-Experts-Architektur (MoE): Das Modell besteht aus vielen spezialisierten Teilnetzen, von denen je Rechenschritt nur ein Teil aktiviert wird. Die Gesamtzahl bestimmt vor allem den Speicherbedarf, die aktive Zahl den Rechenaufwand je Token. Ein MoE-Modell mit 284 Milliarden Gesamtparametern ist deshalb nicht mit einem klassischen dichten Modell gleicher Größe vergleichbar.

Architektur laut Technical Report

Der DeepSeek-V4 Technical Report (arXiv:2606.19348) beschreibt eine hybride Aufmerksamkeits-Architektur aus Compressed Sparse Attention (CSA) und Heavily Compressed Attention (HCA), ergänzt um Manifold-Constrained Hyper-Connections (mHC) als Weiterentwicklung klassischer Residualverbindungen. Trainiert wurde mit dem Muon-Optimizer, dem der Anbieter schnellere Konvergenz und höhere Trainingsstabilität zuschreibt. Vortrainiert wurde laut Report auf mehr als 32 Billionen Token.

Als Effizienzangabe nennt der Report: V4-Pro benötigt bei einer Million Token Kontext nur 27 Prozent der Inferenz-Rechenoperationen je Token und 10 Prozent des KV-Caches im Vergleich zu DeepSeek-V3.2. Das ist eine Anbieterangabe aus dem Technical Report, keine unabhängige Messung.

1 Million Token Kontext – und die Grenzen

Beide V4-Modelle unterstützen laut Anbieter ein Kontextfenster von einer Million Token und bis zu 384K Token Ausgabe (API-Angabe, geprüft am 10.08.2026). Ein großes Kontextfenster bedeutet jedoch nicht, dass jede Information darin gleich zuverlässig gefunden und verarbeitet wird. Bei sehr langen Eingaben bleibt es sinnvoll, wichtige Inhalte gezielt zu platzieren und Ergebnisse zu prüfen.

Thinking-Modus und Reasoning-Aufwand

Beide V4-Modelle beherrschen einen Thinking-Modus (sichtbare Zwischenüberlegungen über reasoning_content) und einen Non-Thinking-Modus. Laut Dokumentation ist der Thinking-Modus standardmäßig aktiv, mit der Aufwandsstufe high als Voreinstellung. Der Aufwand lässt sich je Schnittstelle abstufen:

• OpenAI-kompatibles Format: reasoning_effort mit low, high, xhigh oder max
• Anthropic-kompatibles Format: reasoning.effort mit none, low, high oder max
• Responses API: output_config.effort mit low, high oder max

Im Thinking-Modus werden Parameter wie temperature und top_p nicht unterstützt. Die genaue Zuordnung der Aufwandsstufen unterscheidet sich zwischen Flash und Pro; Details regelt die offizielle Dokumentation.

API: Formate, Responses API und eingestellte Legacy-Namen

Die DeepSeek-API ist mit zwei verbreiteten Schnittstellenformaten nutzbar: dem OpenAI-kompatiblen Chat-Completions-Format (Basis-URL api.deepseek.com) und einem Anthropic-kompatiblen Format (api.deepseek.com/anthropic). Kompatibel bedeutet dabei: bestehende SDKs lassen sich weiterverwenden – nicht, dass die APIs in jedem Detail identisch wären. Zusätzlich unterstützt deepseek-v4-flash das Responses-API-Format; für deepseek-v4-pro hat der Anbieter diese Unterstützung für Anfang August 2026 angekündigt, in der Dokumentation war sie am 10.08.2026 noch nicht als verfügbar vermerkt.

Tool Calls (Funktionsaufrufe) und strukturierte JSON-Ausgaben werden laut Dokumentation unterstützt.

API-Preise (Stand 10.08.2026)

Vier Wege, DeepSeek zu nutzen – vier Datenschutz-Situationen

„DeepSeek nutzen“ kann vier völlig verschiedene Dinge bedeuten. Für Datenschutz, Kosten und Kontrolle ist der Nutzungsweg wichtiger als das Modell selbst:

Wer die offenen Gewichte selbst betreibt oder über einen europäischen Anbieter hostet, nutzt zwar dasselbe Modell wie die DeepSeek-App – die Daten fließen dabei aber nicht an DeepSeek. Umgekehrt gilt: Die MIT-Lizenz der Gewichte ändert nichts an den Bedingungen der DeepSeek-eigenen Dienste.

Datenschutz: Was die DeepSeek-Datenschutzerklärung regelt

Für App, Web-Chat und API gilt die DeepSeek-Datenschutzerklärung (Stand: 10. Februar 2026). Die wichtigsten dokumentierten Punkte:

• Speicherort und Verarbeitung: Personenbezogene Daten werden laut Datenschutzerklärung in der Volksrepublik China erhoben, verarbeitet und gespeichert.
• Erhobene Eingaben: unter anderem Texteingaben, Spracheingaben, Prompts, hochgeladene Dateien, Fotos, Feedback und Chatverläufe; dazu Gerätedaten wie IP-Adresse und Geräte-IDs.
• Training: Der Anbieter nutzt Daten, um seine Technologie einschließlich der Machine-Learning-Modelle zu trainieren und zu verbessern.
• Opt-out: Die Datenschutzerklärung nennt ein Widerspruchsrecht gegen die Nutzung eigener Daten für das Training (per E-Mail an privacy@deepseek.com); die Nutzungsbedingungen beschreiben zusätzlich einen In-App-Schalter „Improve the model for everyone“.

Vertrauliche Unternehmensdaten, personenbezogene Daten Dritter oder Geschäftsgeheimnisse sollten ohne vorherige interne Prüfung nicht in die DeepSeek-Cloud-Dienste eingegeben werden. Ob ein konkreter Einsatz datenschutzrechtlich zulässig ist, hängt vom Einzelfall ab – BOMOTS nimmt dazu keine rechtliche Bewertung vor. Grundlagen: Datenschutz bei KI-Diensten.

DeepSeek lokal betreiben

Die Gewichte der V4-Modelle sind frei herunterladbar, ein Betrieb auf gewöhnlichen Endgeräten ist damit aber nicht automatisch realistisch: Schon V4-Flash umfasst 284 Milliarden Parameter, deren Speicherbedarf je nach Genauigkeit und Quantisierung erheblich ist; V4-Pro liegt mit 1,6 Billionen Parametern im Bereich dedizierter Serverinfrastruktur. Offizielle Mindestanforderungen für Endanwender-Hardware nennt der Anbieter nicht – konkrete Zahlen hängen von Laufzeitumgebung und Quantisierung ab.

Realistischer für lokale Nutzung auf Workstations sind die deutlich kleineren R1-Distill-Modelle (1,5 bis 70 Milliarden Parameter) oder andere lokal nutzbare Modellfamilien. Eine erste Einschätzung der eigenen Hardware liefert der Lokale-KI-Check.

Ältere Modelle: V3, V3.2 und R1

Die Vorgängergenerationen bleiben verfügbar, sind aber nicht mehr die aktuellen Modelle:

• DeepSeek-V3 (Dezember 2024) und die überarbeitete V3.2 (Dezember 2025, 685 Milliarden Parameter, MIT-Lizenz) waren bis zur V4-Vorstellung die Hauptmodelle.
• DeepSeek-R1 (Januar 2025, letzte Version R1-0528 vom Mai 2025) machte sichtbares Reasoning mit offenen Gewichten bekannt und bleibt unter MIT-Lizenz für Self-Hosting verfügbar. In der API wurde der zugehörige Name deepseek-reasoner am 24.07.2026 eingestellt; Reasoning übernimmt heute der Thinking-Modus von V4.

R1-Distill-Modelle

Neben dem großen R1 veröffentlichte DeepSeek sechs destillierte Varianten von 1,5 bis 70 Milliarden Parametern auf Basis von Qwen2.5 bzw. Llama 3.1/3.3. Sie übernehmen Reasoning-Verhalten des großen Modells in kleinere Architekturen, erreichen aber nicht dessen Leistungsniveau – ein R1-Distill ist nicht „R1 in klein“, sondern ein eigenständiges, schwächeres Modell mit deutlich geringeren Hardwareanforderungen. Zur MIT-Lizenz kommen die Lizenzen der jeweiligen Basismodelle hinzu.

Lizenzen im Überblick

Dabei sind zwei Ebenen zu trennen: Eine Open-Source-Lizenz der Gewichte macht ein KI-Modell noch nicht automatisch zu vollständigem „Open Source AI“. Die Open-Source-AI-Definition der Open Source Initiative (Version 1.0) verlangt als Referenz zusätzlich den vollständigen Trainings-/Verarbeitungscode und ausreichend detaillierte Informationen über die Trainingsdaten. BOMOTS weist deshalb Gewichte-Lizenz, Zugang und Open-Source-Einordnung getrennt aus, statt aus einem Lizenznamen ein Pauschalurteil über das gesamte Modell abzuleiten.

Herunterladbare Gewichte sind nicht automatisch Open Source – bei DeepSeek stehen die aktuellen Modelle allerdings tatsächlich unter der MIT-Lizenz, einer anerkannten Open-Source-Lizenz. Trainingsdaten und vollständiger Trainingscode sind gleichwohl nicht offengelegt.

DeepSeek-OCR-2: separates Dokumentmodell

Unabhängig von der V4-Sprachmodellreihe bietet DeepSeek mit DeepSeek-OCR-2 (Januar 2026) ein kompaktes Bild-zu-Text-Modell mit 3 Milliarden Parametern unter Apache-2.0-Lizenz an, das Dokumente erkennt und etwa in Markdown umwandelt. Es ist ein eigenständiges Spezialmodell, keine Variante von V4 – die V4-Modelle selbst verarbeiten Text zu Text.

Deutsch und Sprachen

DeepSeek dokumentiert seine Modelle vor allem für Englisch und Chinesisch. Eine offizielle Angabe zur deutschen Sprachqualität gibt es nicht, und BOMOTS hat sie nicht eigenständig getestet. Wer DeepSeek produktiv für deutsche Texte einsetzen möchte, sollte die Qualität mit eigenen, repräsentativen Beispielen prüfen – wie das methodisch sauber geht, zeigt KI-Modelle evaluieren.

Benchmarks: Anbieterangaben

DeepSeek veröffentlicht in den Model Cards unter anderem folgende Auswertungen:

Benchmark-Werte verschiedener Anbieter sind nur eingeschränkt vergleichbar, da Messaufbau und Konfiguration abweichen können. BOMOTS erstellt daraus bewusst kein eigenes Ranking.

Flash oder Pro – welche Variante wofür?

Nach der Positionierung des Anbieters: V4-Flash ist die effiziente Variante mit niedrigeren Preisen und höherem Durchsatz – laut Change Log zudem gezielt für Coding-Agent-Einsätze angepasst – und eignet sich damit für die meisten Alltags-, Automatisierungs- und Entwicklungsaufgaben. V4-Pro ist das größte Modell der Familie für besonders anspruchsvolle Aufgaben. Eine eigene vergleichende Bewertung hat BOMOTS nicht durchgeführt; bei Unsicherheit hilft ein Test beider Varianten mit eigenen Aufgaben oder der Modell-Finder.

Passend zu diesem Thema

• Sprachmodell-Verzeichnis – DeepSeek im Vergleich zu anderen Familien filtern
• Modelle mit offenen Gewichten und lokal nutzbare Modelle
• Qwen (Alibaba) und GLM (Zhipu AI) als weitere offene Familien aus China
• Modell-Finder – anhand Aufgabe, Datenschutz und Budget ein Modell finden
• Datenschutz bei KI-Diensten