DeepSeeks Paukenschlag

Die Berichterstattung in den Medien legt nahe, dass bis dato kein so großes und fähiges Modell mit derart wenig Rechenleistung erstellt beziehungsweise trainiert wurde. Das Modell kann in unterschiedlichen Größen und Leistungsklassen selbst betrieben werden, die Kosten für programmatische Anfragen und Antworten (Inference) sind ein Bruchteil im Vergleich zu den Modellen von OpenAI oder Anthropic. Eine App für die einfache Endanwenderbedienung steht auch schon bereit.

Ist das zu gut um wahr zu sein? Wo liegt der Haken?

Die veröffentlichten Daten der Modellevaluierung unter https://bit.ly/4aP2ESg zeigen sehr gute Ergebnisse. Und auch wir wurden technisch nicht enttäuscht: DeepSeek-R1 wurde anhand einer Codierungsaufgabe mit der Programmiersprache Rust in Kombination mit einer Aufgabe für das Anforderungsmanagement getestet. Das Testset-up umfasste die Implementierung einer API zur Überwachung eines Krypto-Handelspaares auf Binance, die Berechnung von Handelsindikatoren sowie die Bereitstellung von Signalen über WebSockets, mit Fokus auf Erweiterbarkeit und Performance.

Im Folgenden sind unsere Ergebnisse und Eindrücke zusammengefasst:

• Strukturierte Entwicklung: Das Modell plante systematisch API-Komponenten, Datenabrufmechanismen und Indikatorberechnungen, bevor es den Code in modularen Rust-Dateien umsetzte.
• Effektives Kontextmanagement: Das Modell bearbeitete die Aufgaben im Rahmen der Kontextfenstergröße (64K Input, 32K Chain-of-Thought, 8K Output) gut und vollständig, teilte Aufgaben intelligent auf und dokumentierte offene Punkte nachvollziehbar.
• Iterative Implementierung: Die Kernfunktionalität wurde mit Fokus auf essenzielle Features implementiert, während die Implementierung einer Fehlerbehandlung nur in Ansätzen erfolgte.
• Fähigkeitsdefinition und Anforderungsmanagement: DeepSeek-R1 zeigte eine fundierte Strukturierung von Vision, Geschäftszielen und technischen Fähigkeiten, einschließlich Capability-Mapping in standardisierten Formaten.

Sebastian Guckes, Lead Developer bei talsen team © talsen team

Insgesamt überzeugte das Modell durch einen klaren, methodischen Entwicklungsansatz mit guten Umsetzungsfähigkeiten. Der technischen Begeisterung steht allerdings ein gehöriger Respekt der erschaffenden Quelle gegenüber. So wird berichtet, dass das Modell bei manch historisch oder politisch unliebsamem Ereignis Gedächtnislücken hat. Und auch die Verwendung der Daten bei Benutzung der App, dürfte weniger transparent sein als gewünscht.

Dr.- Ing. Hans Egermeier, Geschäftsführer der talsen team © talsen team

So gilt als Fazit zu sagen – was allerdings für alle anderen LLMs ebenso gilt: LLMs liefern systembedingt nur Formulierungsvorschläge, sie sind kein Wikipedia-Ersatz, keine Datenbank und nicht »das Internet«. Wer dies bei der Anwendung von DeepSeek-R1 beherzigt, und vielleicht sogar durch ein eigenes Hosting den unkontrollierten Datenabfluss vermeidet, wird mit diesem Modell hochwertige KI-Funktionen für sehr geringe Kosten bekommen. Und mit ‚DeepSeek Janos‘ steht schon das nächste Modell mit multimodalen Fähigkeiten in den Startlöchern. Das Rennen ist eröffnet. Und für Europa, derzeit ja eher etwas abgeschlagen, was LLMs anbelangt, bleibt zu sagen: Die neue Konkurrenz belebt das Geschäft erstmal positiv.