DeepSeek eröffnet ein 305-Milliarden-Parameter-Modell, das endlich sehen kann

DeepSeek hat ein neues Modell auf Hugging Face veröffentlicht, ohne dass es viel Aufhebens darum gab. DeepSeek-V4-Flash-Vision-Exp ist das erste Modell der V4-Familie, das sowohl Bilder betrachten als auch Text lesen kann, es wiegt 305 Milliarden Parameter und wird unter einer MIT-Lizenz ausgeliefert, was in etwa so freizügig ist, wie es bei Softwarelizenzen nur geht. Das Unternehmen beschreibt es als experimentell, und der Name trägt das „Exp“, um dies zu beweisen.

Der Ansatz ist unkompliziert: Nehmen Sie die vorhandene V4-Flash-Architektur, schrauben Sie Vision-Module ein und trainieren Sie weiter. Das Ergebnis ist ein Modell, das bei der Arbeit mit multimodalen Agenten deutlich besser geworden ist, während die Leistung beim Nur-Text-Ansatz in etwa auf dem gleichen Niveau blieb. Bei ApexBench, einem multimodalen Agententest, erreicht es 36,5 Punkte gegenüber 26,2 Punkten beim vorherigen V4-Flash-0731, obwohl dieser Vergleich großzügig ausfällt, da das ältere Modell Bilder in der Eingabe einfach ignoriert. Bei Agents’ Last Exam liegt der Wert bei 27,3 und liegt damit knapp über den 25,7, die DeepSeeks eigene Tabelle für Opus 4.8 auflistet. Die textseitigen Zahlen sind nahezu unverändert: 83,9 auf Terminal Bench 2.1, 59,3 auf DeepSWE. Das Repository enthält einen Tokenizer, eine Referenzimplementierung und Bereitstellungsrezepte für vLLM und SGLang, und quantisierte Community-Versionen erschienen fast sofort.

Zwei Begriffe, die es wert sind, auseinandergenommen zu werden. Parameter sind die einstellbaren Zahlen innerhalb eines Modells, die Dinge, die das Training abstimmt. 305 Milliarden davon sind groß, und das bedeutet, dass man dies nicht auf einem Laptop ausführen kann. Offene Gewichte bedeuten, dass DeepSeek diese Zahlen für jedermann zum Herunterladen veröffentlicht hat, was sich von Open-Source-Software unterscheidet: Sie erhalten das fertige Modell, nicht das Rezept oder die Trainingsdaten. Die MIT-Lizenz ist der bemerkenswerte Teil, da sie der kommerziellen Nutzung nahezu keine Einschränkungen auferlegt. Ein europäisches Unternehmen kann dies herunterladen, vollständig auf seiner eigenen Hardware ausführen und niemals ein einziges Kundendokument an den Server eines anderen senden. Das ist eine echte Option, die es vor ein paar Jahren noch nicht gab, und deshalb sind Freigewichtsfreisetzungen aus chinesischen Labors für Unternehmen, die nichts mit China zu tun haben, nach wie vor von Bedeutung.

Was das für Sie bedeutet. Wenn Sie KI über ein Chatfenster nutzen, ist hier heute nichts für Sie, und das ist in Ordnung. Wenn Sie Dinge erstellen, ist dies einen Blick wert: Ein Modell mit freizügiger Lizenz, das Diagramme, Screenshots und Dokumente liest, in einer Größe, die Sie tatsächlich selbst hosten können, wenn Sie über die entsprechende Hardware verfügen, ist eine nützliche Sache. Es lohnt sich jedoch, die Erwartungen auf dem Boden zu halten. „Experimentell“ in einem Modellnamen bedeutet normalerweise Ecken und Kanten, die Benchmark-Vergleiche stammen von DeepSeek und nicht von einem unabhängigen Gutachter, und die ehrliche Interpretation der Zahlen zeigt, dass dies bei einigen multimodalen Agentenaufgaben mit den besten proprietären Modellen übereinstimmt und bei anderen hinter ihnen zurückbleibt. Die Richtung ist das Interessante, nicht die Position in der Bestenliste.

Quellen

• DeepSeek-V4-Flash-Vision-Exp-Modellkarte (Hugging Face)
• DeepSeek-V4-Sammlung (Hugging Face)