Die Zeiten, in denen Open-Source-LLMs nur zweitklassig waren, sind vorbei. DeepSeek hat mit zwei Modellen bewiesen, dass offene Modelle mit den Besten mithalten können — und das nicht nur knapp, sondern auf Augenhöhe mit den teuersten proprietären Systemen von OpenAI und Google. Für Unternehmen, Entwickler und die gesamte KI-Community ist das ein Wendepunkt.
DeepSeek R1-0528: Der Reasoning-Spezialist
Mit einem Reasoning-Score von 88 und 93% auf AIME 2025 spielt R1 in der Liga von GPT-5.2. Und das als vollständig offenes Modell mit MIT-Lizenz. Self-Hosting, Finetuning, kommerzielle Nutzung — alles erlaubt.
Die technischen Details sind beeindruckend: R1-0528 basiert auf einer Mixture-of-Experts-Architektur (MoE) mit 671 Milliarden Parametern, von denen bei jeder Anfrage nur ein Bruchteil aktiviert wird. Auf dem AIME-2025-Mathematik-Benchmark erreicht das Modell 87,5% Korrektheit — ohne Tools, wohlgemerkt. OpenAIs o3 schafft zwar 91–98%, braucht dafür aber Tool-Unterstützung. Beim Aider-Polyglot-Coding-Test liegt R1-0528 mit 71–72% praktisch gleichauf mit o4-mini-high (69%).
Besonders bemerkenswert: Das Modell übertrifft Qwen3-8B um über 10 Prozentpunkte auf AIME 2024 und erreicht die Performance von Qwen3-235B-Thinking — einem Modell mit deutlich mehr aktiven Parametern. Für die Open-Source-Community ist das ein Signal: Man muss kein geschlossenes System nutzen, um Spitzenleistung bei komplexen Reasoning-Aufgaben zu erzielen.
DeepSeek V3.2 Speciale: Der Allrounder
V3.2 Speciale erreicht 86 Punkte Gesamtscore und überrascht besonders beim Creative Writing (82 Punkte). Damit schlägt es mehrere proprietäre Modelle in einer Kategorie, die traditionell die Schwäche offener Modelle war.
Technisch baut V3.2 auf der gleichen MoE-Architektur auf, bringt aber 685 Milliarden Parameter mit und führt eine entscheidende Neuerung ein: DeepSeek Sparse Attention (DSA). Dieser Mechanismus reduziert die Rechen- und Inferenzkosten bei langen Kontexten drastisch, ohne die Qualität zu opfern. Hinzu kommt Multi-Head Latent Attention (MLA), das die Effizienz des Modells weiter steigert.
Die Speciale-Variante hebt sich durch gelockerte Längenbeschränkungen ab — das Modell darf ausführlicher antworten, was besonders bei kreativen und analytischen Aufgaben zu besseren Ergebnissen führt. Laut BentoML erreicht V3.2 Speciale damit Performance auf dem Niveau von Googles Gemini 3.0 Pro und erzielte sogar Goldmedaillen-Ergebnisse bei der internationalen Mathematik- und Informatik-Olympiade 2025 (IMO und IOI).
Was das für Unternehmen bedeutet
Volle Datenkontrolle, keine API-Abhängigkeit, keine Token-Kosten nach dem Deployment. Für Unternehmen mit strengen Datenschutzanforderungen ist DeepSeek die erste echte Alternative zu den proprietären Anbietern.
Die konkreten Vorteile im Überblick:
- Datensouveränität: Keine Anfrage verlässt die eigene Infrastruktur. Für regulierte Branchen wie Finanzwesen, Gesundheit und öffentliche Verwaltung ein entscheidendes Kriterium.
- MIT-Lizenz: Sowohl R1 als auch V3.2 erlauben kommerzielle Nutzung, Modifikation und Redistribution ohne Einschränkungen — keine CLA, keine Nutzungsbeschränkungen.
- Finetuning-Freiheit: Unternehmen können die Modelle auf eigene Domänen spezialisieren, ohne auf den Goodwill eines API-Anbieters angewiesen zu sein.
- Kostenvorhersagbarkeit: Nach der initialen Investition fallen keine variablen Token-Kosten mehr an — ein enormer Vorteil bei hohem Durchsatz.
Der Haken
Self-Hosting erfordert massive GPU-Infrastruktur. Wer nicht die Hardware hat, zahlt bei Cloud-Anbietern ähnliche Preise wie bei den proprietären APIs. Der Kostenvorteil greift erst ab einer gewissen Skalierung.
Die Zahlen sind ernüchternd: Das vollständige R1-0528-Modell ist 715 GB groß. Für performante Inferenz empfiehlt sich mindestens eine H100-GPU, die etwa 14 Tokens pro Sekunde bei Einzelnutzer-Anfragen liefert. Wer das Modell in Produktion betreiben will, braucht typischerweise ein Multi-GPU-Setup mit mehreren hundert Gigabyte VRAM.
Es gibt allerdings Alternativen: Quantisierte Versionen und destillierte Varianten wie DeepSeek-R1-0528-Qwen3-8B laufen bereits auf Consumer-Hardware mit 20 GB RAM. Die Leistung ist naturgemäß geringer, aber für viele Anwendungsfälle ausreichend. Plattformen wie Unsloth bieten optimierte Versionen an, die den Einstieg ins Self-Hosting deutlich erleichtern.
Für Unternehmen ohne eigene GPU-Infrastruktur bleiben Cloud-Anbieter wie Together AI, Fireworks oder DeepSeeks eigene API eine Option. Die Preise liegen dort deutlich unter denen von OpenAI oder Anthropic — der Open-Source-Wettbewerb drückt auch hier die Kosten nach unten.
Fazit: Open Source ist angekommen
DeepSeek R1-0528 und V3.2 Speciale markieren einen Paradigmenwechsel. Zum ersten Mal stehen vollständig offene Modelle zur Verfügung, die in Mathematik, Coding, Reasoning und sogar Creative Writing mit den besten proprietären Modellen konkurrieren. Der Preisdruck auf OpenAI, Google und Anthropic wird weiter zunehmen — und das ist gut für die gesamte Branche.