DeepSeek enthüllt V4-Vorschau: Ein Open-Source-Sprung mit Billionen Parametern in die Ära des Millionen-Kontexts
Zusammenfassung der Nachrichten
Am 24. April 2026 (Peking-Zeit CST) veröffentlichte DeepSeek offiziell und quelloffen eine Vorschau seiner nächsten Generation von Sprachmodellen, DeepSeek-V4, was einen bedeutenden Meilenstein in der Open-Source-KI-Landschaft darstellt. Die Veröffentlichung stellt zwei Mixture-of-Experts (MoE)-Varianten vor – DeepSeek-V4-Pro und DeepSeek-V4-Flash –, die beide ein standardisiertes Kontextfenster von 1 Million Token aufweisen und sofort über die API von DeepSeek, die offizielle Weboberfläche und Hugging Face unter der MIT-Lizenz verfügbar sind. Das V4-Pro-Modell mit insgesamt 1,6 Billionen Parametern beansprucht führende Leistung unter den Open-Source-Modellen bei Agenten-Coding-, Mathematik- und MINT-Benchmarks, während V4-Flash eine schlankere, kostenoptimierte Alternative für hochfrequente Produktions-Workloads bietet.
Zwei Modelle, ein Architektur-Sprung
DeepSeek-V4 wird als zweistufige Serie eingeführt, die für unterschiedliche Leistungs- und Kostenanforderungen entwickelt wurde. Das Flaggschiff DeepSeek-V4-Pro verfügt über insgesamt etwa 1,6 Billionen Parameter, von denen nur 49 Milliarden pro Inferenz-Token aktiviert werden – ein Designmerkmal der Mixture-of-Experts-Architektur, das den Rechenaufwand pro Abfrage trotz der enormen Gesamtgröße des Modells eng kontrolliert. Das leichtere DeepSeek-V4-Flash verfügt über insgesamt 284 Milliarden Parameter, von denen 13 Milliarden pro Token aktiviert werden, und priorisiert die Reaktionsgeschwindigkeit und Kosteneffizienz für alltägliche und agentenorientierte Aufgaben. Beide Modelle werden mit identischen 1-Million-Token-Kontextfenstern als Standardfunktion für alle offiziellen DeepSeek-Dienste ab dem Veröffentlichungstag (24. April 2026 CST) ausgeliefert.
Technische Architektur: DSA, Hybrid Attention und der Muon Optimizer
Die V4-Familie führt mehrere architektonische Innovationen ein, die sie von ihrem Vorgänger, DeepSeek-V3.2, unterscheiden. Zentral dabei ist ein neuartiger DSA (Dynamic Sparse Attention)-Mechanismus, der Aufmerksamkeitsberechnungen auf Token-Ebene komprimiert und so die Speicher- und Rechenkosten drastisch reduziert, die typischerweise mit der Verarbeitung von Ultra-Langzeit-Kontexten verbunden sind. Ergänzt wird dies durch eine Hybrid Attention Architecture, die lokale und globale Aufmerksamkeitsmuster kombiniert – so kann das Modell kohärente Erinnerungen über Sequenzen von fast einer Million Token aufrechterhalten, ohne den exponentiellen Kostenanstieg, der bei traditioneller dichter Aufmerksamkeit auftritt. Der Trainingsprozess verwendet Manifold-Constrained Hyper-Connections (mHC) für eine stabile Ausbreitung von Residualsignalen, zusammen mit dem Muon-Optimizer, der Herausforderungen bei der Gradienteninstabilität angeht, die das Training von Billionen-Parameter-MoE-Modellen historisch schwierig zu einer zuverlässigen Konvergenz gemacht haben. Das Vortraining wurde auf über 32 Billionen Token mit einer FP4- und FP8-Mixed-Precision-Strategie durchgeführt.
Benchmark-Leistung und Agenten-Fähigkeiten
DeepSeek veröffentlichte interne Benchmark-Vergleiche zusammen mit der Vorschau-Veröffentlichung. Auf MMLU-Pro wurde berichtet, dass V4-Pro mit GPT-5.4 von OpenAI mithalten und knapp hinter Gemini-3.1-Pro von Google liegen konnte. Bei Agenten-Coding-Bewertungen beanspruchte V4-Pro die Spitzenposition unter allen öffentlich bewerteten Open-Source-Modellen und ist Berichten zufolge zum primären Agenten-Coding-Tool geworden, das von den eigenen internen Ingenieurteams von DeepSeek verwendet wird. Bei Wettbewerbs-Programmier-Benchmarks wie Codeforces erzielte V4-Pro Ergebnisse, die mit führenden proprietären Frontier-Modellen konkurrieren. Langzeit-Kontext-Retrieval-Benchmarks im 1-M-Token-Maßstab zeigten wettbewerbsfähige, aber nicht führende Ergebnisse, wobei Top- proprietäre Angebote bei einigen Langzeit-Kontext-Gedächtnistests weiterhin Vorteile hatten. DeepSeek merkte an, dass dies Vorschau-Zahlen sind und eine unabhängige Bewertung durch Dritte noch nicht veröffentlicht wurde.
API-Verfügbarkeit und Entwicklerzugang
Die V4-Serie ist sofort über die offizielle API von DeepSeek unter Verwendung der Modellkennungen deepseek-v4-pro und deepseek-v4-flash zugänglich. Die API unterstützt sowohl Standard- als auch Reasoning-Konfigurationen (Thinking Mode) mit einem neuen Parameter reasoning_effort, der einstellbare Denkintensitätsstufen (hoch/maximal) für komplexe Aufgaben wie Code-Generierung und Multi-Dokumenten-Verarbeitung bietet. Open-Source-Modellgewichte werden über Hugging Face und ModelScope unter der MIT-Lizenz vertrieben, was es Entwicklern ermöglicht, die Modelle herunterzuladen, lokal auszuführen und zu modifizieren. DeepSeek kündigte an, dass die älteren Modellkennungen deepseek-chat und deepseek-reasoner – die zuvor V3.2 zugeordnet waren – am 24. Juli 2026 (CST) eingestellt werden, was Entwicklern ein dreimonatiges Migrationsfenster gibt.
Multimodale Roadmap und Chip-Infrastruktur
Die aktuelle V4-Vorschau-Veröffentlichung ist nur Text. DeepSeek gab in seiner Hugging Face-Ankündigung an, dass das Team aktiv an der Integration multimodaler Fähigkeiten arbeitet – das bedeutet, dass zukünftige Versionen voraussichtlich Bild- und Videoeingaben neben Text verarbeiten werden. Separat bestätigte Huawei am 24. April 2026 (CST), dass sein Ascend Supernode-Cluster, der von Ascend 950 KI-Prozessoren angetrieben wird, die DeepSeek-V4-Modellserie vollständig unterstützt. Der genaue Anteil der Huawei Ascend-Chips im Vergleich zu anderer Hardware, die während des V4-Trainings verwendet wurde, wurde von DeepSeek in der Vorschau-Dokumentation nicht bekannt gegeben.
Open-Source-Strategie und Fundraising-Kontext
DeepSeek verfolgt konsequent eine Open-Source-Strategie für die Modellverteilung, und V4 setzt diesen Ansatz unter der permissiven MIT-Lizenz fort. Gleichzeitig wird berichtet, dass das Unternehmen seine erste externe Finanzierungsrunde anstrebt, mit einer Zielbewertung von über 20 Milliarden US-Dollar. Die V4-Einführung positioniert DeepSeek als direkten Open-Source-Konkurrenten zu proprietären Frontier-KI-Systemen, wobei seine Kosteneffizienz-These – große Gesamtzahl von Parametern gepaart mit kleinen aktivierten Parameteranteilen – zentral für seine kommerzielle und Entwickler-Attraktivität bleibt. Das Vorschau-Label signalisiert, dass eine endgültige, vollständig validierte Veröffentlichung mit vollständigen Trainingsdetails noch aussteht, wobei kein strikter Finalisierungszeitplan neben dem Drop vom 24. April angekündigt wurde.