DeepSeek: Geschichte und Zeitleiste 2023 bis 2026

DeepSeek hat in knapp drei Jahren den Weg von einem kaum bekannten Forschungsteam aus Hangzhou zu einem der meistdiskutierten KI-Anbieter zurückgelegt. Dieser Beitrag liefert die Zeitleiste aller wichtigen Modelle von 2023 bis DeepSeek-V4.1-Flash (10. September 2026), erklärt die technischen Sprünge zwischen den Generationen und ordnet den „DeepSeek-Moment“ vom 20. Januar 2025 ein. Die Daten stammen aus dem offiziellen Änderungsprotokoll der DeepSeek-API und den technischen Berichten. Zusätzlich haben wir die aktuellen Modelle gefragt, was sie über ihre eigene Geschichte wissen – mit einem lehrreichen Ergebnis.

Kurzfassung

• Herkunft und Strategie: KI-Unternehmen aus Hangzhou, nach Medienberichten 2023 von Liang Wenfeng aus dem Umfeld des Hedgefonds High-Flyer gegründet. Setzt auf offene Gewichte (seit R1 unter MIT-Lizenz), effiziente Architekturen und eine zu OpenAI und Anthropic kompatible API.
• Wendepunkt: Am 20. Januar 2025 erschien DeepSeek-R1, ein Reasoning-Modell auf dem Niveau von OpenAI o1, offen und frei nutzbar – der „DeepSeek-Moment“.
• Heute: Die V4-Generation (seit 24. April 2026) bringt 1 Million Token Kontext; V4-Pro ist seit 13. August 2026 final, V4.1-Flash seit 10. September 2026 mit neuer Architektur. V4.1-Pro ist angekündigt, ohne Datum.
• Testergebnis: Weder V4.1-Flash noch V4-Pro wissen, dass es sie gibt. Sie halten V3.2 beziehungsweise V3 für das neueste Modell – ein anschauliches Beispiel für die Wissensstand-Grenze von Sprachmodellen.

Was DeepSeek ist: Herkunft und Strategie

DeepSeek (Eigenschreibweise DeepSeek-AI) sitzt in Hangzhou; die Registrierungen auf der offiziellen Website weisen das Unternehmen der Provinz Zhejiang zu. Die in Medien durchgehend berichtete Vorgeschichte – Gründung 2023 durch Liang Wenfeng, finanziert aus dem von ihm mitgegründeten quantitativen Hedgefonds High-Flyer – lässt sich aus den offiziellen DeepSeek-Quellen nicht direkt belegen. Belegbar ist, dass Liang Wenfeng in den technischen Berichten zu DeepSeek LLM (Januar 2024) und DeepSeek-V3 (Dezember 2024) als Autor geführt wird.

Drei Merkmale prägen DeepSeek von Beginn an:

• Offene Gewichte. Schon die ersten Modelle (DeepSeek Coder, DeepSeek LLM 7B/67B) waren frei herunterladbar und kommerziell nutzbar. Seit R1 gilt die MIT-Lizenz, auch für V4 und V4.1-Flash.
• Effizienz als Forschungsziel. Die technischen Berichte drehen sich weniger um Rekordgrößen als um Kosten: weniger aktive Parameter pro Token (Mixture-of-Experts), kleinerer Speicherbedarf für den Kontext (MLA, Sparse Attention), günstigeres Training (FP8). Der Titel des ersten Berichts, „Scaling Open-Source Language Models with Longtermism“, benennt das Programm.
• Kompatible API. Die Schnittstelle übernimmt das Format von OpenAI und seit V4 auch das von Anthropic; bestehende Software läuft mit geändertem Endpunkt weiter (siehe DeepSeek-API: Einstieg).

Finanzierung, Chipzugang und Politik behandelt der eigene Beitrag DeepSeek: Finanzierung, Chips und China.

Zeitleiste 2023 bis 2026

Die Tabelle folgt dem offiziellen Änderungsprotokoll der DeepSeek-API und den Modellseiten auf GitHub. Die Daten sind die Tage, an denen ein Modell freigegeben oder in der API umgestellt wurde.

Was sich von Generation zu Generation geändert hat

V2 (2024): Mixture-of-Experts und MLA

V2 legte die Grundlage aller späteren Modelle. Ein Mixture-of-Experts-Modell (MoE) besteht aus vielen Teilnetzen, von denen pro Token nur wenige aktiv sind: V2 hat 236 Milliarden Parameter, rechnet aber pro Token nur mit 21 Milliarden. Multi-head Latent Attention (MLA) komprimiert den Zwischenspeicher für den Kontext (KV-Cache) laut Bericht um 93,3 Prozent – der Grund, warum DeepSeek lange Eingaben früh günstig anbieten konnte.

V3 und R1 (Dezember 2024 / Januar 2025): Größe, FP8 und Reasoning

V3 vergrößerte das Rezept auf 671 Milliarden Parameter (37 Milliarden aktiv) und trainierte in FP8-Genauigkeit; der Bericht nennt 2,788 Millionen H800-GPU-Stunden für das gesamte Training. R1 setzte auf V3 auf und lernte per Reinforcement Learning ausführliche Denkketten; die Vorstufe R1-Zero entstand sogar ohne überwachtes Feintuning. Denken (deepseek-reasoner) und Chat (deepseek-chat) waren damals zwei Modelle.

V3.1 bis V3.2 (2025): Hybrides Denken und Sparse Attention

V3.1 führte beide Betriebsarten in einem Modell zusammen: Der Thinking-Modus lässt sich pro Anfrage ein- oder ausschalten. V3.2-Exp brachte DeepSeek Sparse Attention (DSA): Ein Indexer wählt die relevanten Stellen des Kontexts aus, statt jedes Token mit jedem zu verrechnen; das verbilligt lange Kontexte erheblich. V3.2 verband das Denken mit Werkzeugaufrufen, die Grundlage für Agenten (siehe DeepSeek als KI-Agent).

V4 (April 2026): Eine Million Token als Standard

V4 kombiniert Token-Kompression mit DSA und macht 1 Million Token Kontext zum Standard aller offiziellen Dienste. Erstmals gab es zwei Größen: V4-Pro (1,6 Billionen Parameter, 49 Milliarden aktiv) und V4-Flash (284 Milliarden, 13 Milliarden aktiv). Seit der GA-Fassung im August lässt sich der Denkaufwand in drei Stufen (low/high/max) steuern. Die Unterschiede erklärt DeepSeek V4: die Modelle im Überblick.

V4.1-Flash (September 2026): Neue Architektur

V4.1-Flash ist laut DeepSeek das kleinste Modell einer neuen Architekturfamilie. Die Causal-Encoder-Decoder-Architektur teilt das 40-schichtige Netz in einen Encoder für die Eingabe und einen Decoder für die Ausgabe: Beim Lesen sind nur 8 Milliarden Parameter aktiv, beim Schreiben 16 Milliarden. Der KV-Cache schrumpft durch Compressed Sparse Attention 2 und FP4-Speicherung auf 890 Byte pro Token, etwa ein Viertel von V4-Flash. Das Vortraining umfasste 45 Billionen Token. Dieses Modell läuft im kostenlosen Chat auf deepseek.de.

Der „DeepSeek-Moment“ im Januar 2025

Am 20. Januar 2025 stellte DeepSeek R1 in die API und veröffentlichte Gewichte und Bericht. Drei Dinge kamen zusammen, die es in dieser Kombination vorher nicht gab:

1. Leistung: DeepSeek nannte R1 „auf dem Niveau von OpenAI o1″ in Mathematik, Code und Reasoning – o1 war damals das Referenzmodell für schrittweises Denken.
2. Offenheit: R1 erschien unter MIT-Lizenz mit der ausdrücklichen Einladung, das Modell zu destillieren und kommerziell zu nutzen. Sechs destillierte Modelle von 1,5 bis 70 Milliarden Parametern lagen bei.
3. Methode: Der Bericht beschrieb den Trainingsweg (großskaliges Reinforcement Learning mit wenig annotierten Daten), sodass andere Teams nachbauen konnten.

Dazu kam der Preis: R1 kostete in der API einen Bruchteil vergleichbarer geschlossener Modelle (aktuelle Konditionen auf der offiziellen Preisseite). Die Folge war eine Debatte weit über Fachkreise hinaus: Wie viel Rechenleistung braucht ein Spitzenmodell wirklich, und wie groß ist der Vorsprung der US-Anbieter? Konkrete Börsenreaktionen belegen unsere Quellen nicht, deshalb nennen wir keine Kurszahlen. Messbar ist die Folge für die Modelllandschaft: Reasoning-Modelle mit offenen Gewichten wurden zum Normalfall, und DeepSeeks Rhythmus zog an – für 2025 listet das Änderungsprotokoll acht Modellversionen.

Eigener Test: Kennen die Modelle ihre eigene Geschichte?

Sprachmodelle wissen nur, was in ihren Trainingsdaten stand; am deutlichsten zeigt sich das, wenn man sie nach sich selbst fragt. Wir haben am 17. September 2026 beiden aktuellen Modellen über die API dieselbe Frage gestellt (Thinking aus, kein Systemprompt). Die Antworten sind wörtlich, Auslassungen mit […] markiert.

Frage: „Welche DeepSeek-Modelle gibt es und welches ist das neueste?“

DeepSeek-V4.1-Flash, Thinking aus (344 Token, 2,4 Sekunden):

1. DeepSeek-V3 (Dezember 2024) […] 2. DeepSeek-R1 (Januar 2025) […] 3. DeepSeek-V3.1 (August 2025) […] 4. DeepSeek-V3.2 (2025) […]

Das neueste Modell: DeepSeek-V3.2 ist derzeit das neueste Flaggschiff-Modell (Stand Ende 2025). Ich selbst bin DeepSeek – das genaue Versionsmodell kannst du in der offiziellen Dokumentation oder App einsehen.

DeepSeek-V4-Pro, Thinking aus (352 Token, 6,8 Sekunden):

1. DeepSeek-V2 (Mai 2024) – Das erste Modell mit Multi-Head Latent Attention (MLA) […] 4. DeepSeek-R1 (Januar 2025) […] 5. DeepSeek-V3 (Dezember 2024/Januar 2025) – Das neueste und leistungsfähigste Modell

Das aktuellste Modell ist DeepSeek-V3 (bzw. dessen Reasoning-Variante DeepSeek-R1) […] Ich selbst basiere auf der DeepSeek-Technologie […] (vermutlich basierend auf einer Version des V3-Modells oder einer Weiterentwicklung davon, aber ohne offizielle Bestätigung der genauen Version).

Das Ergebnis wirkt paradox: Das größere V4-Pro kennt weniger Geschichte als das kleine V4.1-Flash. Der Grund ist der Wissensstand: V4-Pro nennt auf Nachfrage Mai 2025 als Grenze, V4.1-Flash kennt die Modelle bis Ende 2025. Keines weiß, dass V4 existiert, geschweige denn, dass es selbst dazugehört.

Frage an V4-Pro, Thinking aus: „Wann wurde DeepSeek-V3 veröffentlicht und wie viele Parameter hat es? Und gibt es schon DeepSeek-V4?“

DeepSeek-V3 wurde im Dezember 2024 veröffentlicht. Es handelt sich um ein Mixture-of-Experts (MoE) Modell mit 671 Milliarden Parametern insgesamt, wobei nur 37 Milliarden Parameter pro Token aktiviert werden.

Was DeepSeek-V4 betrifft: Mir sind keine offiziellen Informationen über ein DeepSeek-V4 bekannt (mein Wissensstand reicht bis Mai 2025). Es könnte inzwischen neuere Entwicklungen geben, aber darüber habe ich keine verlässlichen Daten.

Die Fakten stimmen, und das Modell benennt seine Grenze selbst – die beste Antwort, die ein Modell ohne Websuche geben kann. Anders V4.1-Flash bei einer Frage mit Datumsbezug:

Frage, Thinking aus: „Welches Datum haben wir heute? Bis zu welchem Zeitpunkt reicht dein Wissen, und was ist das jüngste Ereignis aus der KI-Branche, das du sicher kennst?“

Heute ist der 11. Februar 2026.

Mein Wissen reicht bis zu diesem Zeitpunkt – also bis Anfang Februar 2026. Ich habe kein „Live-Gedächtnis“ über diesen Stand hinaus und kann auch nicht selbstständig im Internet nachschauen […] Das jüngste KI-Branchenereignis, das ich mit hoher Sicherheit kenne, ist der anhaltende Wettlauf bei neuen Frontier-Modellen und Agenten […]

Ein Modell hat keine Uhr. Ohne Angabe im Prompt erfindet V4.1-Flash ein Datum, das zu seinem Wissensstand passt, und nennt statt eines Ereignisses eine allgemeine Aufzählung. Wer nach Aktuellem fragt, sollte Datum und relevante Fakten in die Anfrage schreiben oder eine Websuche einsetzen.

Mit Thinking an (4.808 Reasoning-Token, 20,2 Sekunden) wurde die Modellliste von V4.1-Flash vollständiger, das Fazit blieb: „Ein DeepSeek-V4 oder DeepSeek-R2 ist mir derzeit nicht verlässlich bekannt.“ Denken hilft beim Sortieren des Gewussten, nicht beim Wissen selbst.

Stand September 2026 und Ausblick

Zum 17. September 2026 bietet DeepSeek zwei Modelle in der API an: deepseek-flash (V4.1-Flash) und deepseek-v4-pro (V4-Pro-0813). Beide haben 1 Million Token Kontext, bis 384K Token Ausgabe und Thinking-Modus standardmäßig an. Die alten Namen deepseek-v4-flash und deepseek-v4-flash-vision-exp leiten vorübergehend auf V4.1-Flash um.

Bemerkenswert ist der Kurswechsel bei V4-Pro. Am 10. September kündigte DeepSeek an, das Modell auslaufen zu lassen, weil V4.1-Flash es in Leistung, Kosten und Geschwindigkeit übertreffe. Dann hieß es, man biete V4-Pro „auf Nachfrage der Nutzer“ mit unveränderter Abrechnung bis auf Weiteres weiter an. Das nächste angekündigte Modell ist V4.1-Pro, ohne Datum; sobald es erscheint, aktualisieren wir diesen Beitrag und die Modellübersicht. Den Vergleich mit ChatGPT bietet DeepSeek vs. ChatGPT, den Einstieg die Anleitung auf Deutsch.

Häufige Fragen

Was bedeutet „DeepSeek-Moment“?

Die Veröffentlichung von DeepSeek-R1 am 20. Januar 2025: ein Reasoning-Modell mit offenen Gewichten, das laut DeepSeek mit OpenAI o1 gleichzog. Der Begriff steht für die Erkenntnis, dass Spitzenleistung auch außerhalb der großen US-Labore und zu deutlich geringeren Kosten möglich ist.

Ist DeepSeek wirklich Open Source?

Die Gewichte sind offen und seit R1 unter MIT-Lizenz frei nutzbar, auch kommerziell. Trainingsdaten und vollständiger Trainingscode sind nicht veröffentlicht; der passende Begriff ist „Open Weights“.

Warum kennt das Modell die neuesten DeepSeek-Modelle nicht?

Weil sein Wissen mit dem Ende der Trainingsdaten aufhört (V4-Pro: Mai 2025, V4.1-Flash: etwa Ende 2025). Alles Spätere, einschließlich der eigenen Veröffentlichung, muss man dem Modell im Prompt mitgeben.

Was unterscheidet V4-Flash und V4.1-Flash?

V4.1-Flash hat eine neue Architektur (Causal Encoder-Decoder, 552 statt 284 Milliarden Parameter) und einen viermal kleineren KV-Cache. V4-Flash wurde am 10. September 2026 eingestellt; der alte Name leitet auf V4.1-Flash um.

Quellen und Änderungen

• DeepSeek: Change Log der API (alle Daten der Zeitleiste ab Mai 2024)
• DeepSeek: DeepSeek-R1 Release, DeepSeek-V3, V3.2-Exp, V3.2, V4 Preview, V4-Pro GA, V4.1-Flash
• DeepSeek: Models & Pricing und Thinking Mode, Stand 17.09.2026
• GitHub: DeepSeek-V2, DeepSeek-V3, DeepSeek-R1, DeepSeek-LLM, DeepSeek-Coder
• Hugging Face: DeepSeek-V4.1-Flash (Model Card und technischer Bericht)
• arXiv: DeepSeek LLM: Scaling Open-Source Language Models with Longtermism (05.01.2024), DeepSeek-V3 Technical Report (27.12.2024)
• Eigene Tests über die DeepSeek-API am 17.09.2026

Änderungen: 17.09.2026 – Beitrag vollständig neu geschrieben. Die Fassung vom 28.01.2026 („Ein Jahr DeepSeek“) war ein Rückblick ohne Zeitleiste und Quellen; sie wurde durch eine belegte Chronik von 2023 bis September 2026 ersetzt (V4, V4-Pro GA, V4.1-Flash, Kurswechsel bei V4-Pro), ergänzt um die technische Entwicklung der Generationen und eigene Tests zum Wissensstand der Modelle. Unbelegte Aussagen zu Börsen, Regulierung und Finanzierung wurden entfernt.