Beobachtetes Signal · 21. Feb. 2025 · Technical Release · Quelle: OnlineMarketing.de · Relevanz: 3/5 · Sentiment: Neutral
Perplexity veröffentlicht unzensierte DeepSeek-R1-KI-Modellvariante R1 1776
Perplexity hat R1 1776 eingeführt, eine unzensierte Variante des auf DeepSeek R1 basierenden Modells. Das Post-Training von R1 1776 erfolgte mit einem mehrsprachigen Datensatz aus 40.000 Eingaben sowie einem Zensurklassifikator, der auf rund 300 in China zensierten Themen basiert und von menschlichen Annotatoren sowie LLM-Juries gesteuert wurde. Benchmark-Tests belegen, dass R1 1776 beim Kern-Reasoning auf Augenhöhe mit dem Basismodell R1 agiert und bei komplexen mathematischen sowie logischen Aufgaben eine stärkere Leistung liefert. Im direkten Vergleich schneidet R1 1776 im AIME-2024-Benchmark leicht besser ab, während die Kernfähigkeiten unbeeinträchtigt bleiben. Beide Modelle stehen auf HuggingFace zum Download bereit und sind über die Sonar API zugänglich. Unabhängig davon hatte DeepSeek im Januar 2025 die US-App-Store-Charts angeführt, was das enorme Marktinteresse an KI-Anwendungen unterstreicht.
Die Veröffentlichung eines unzensierten LLM-Modells mit umfassendem Benchmark-Kontext ist von hoher Relevanz für die gesamte KI- und LLM-Industrie.
Marktsignale zu Perplexity in Echtzeit verfolgen
Polaris7 erfasst behördliche Registrierungen, Primärquellen, Führungswechsel und Deal-Aktivitäten rund um die Uhr. Erstellen Sie Ihren kostenlosen Explorer-Workspace, um automatisierte Executive Briefings zu erhalten.
Wichtigste Kernpunkte & Evidenz
- Perplexity hat mit R1 1776 eine unzensierte Variante des DeepSeek-R1-Modells veröffentlicht.
- Das Training nutzte einen mehrsprachigen Datensatz mit 40.000 Eingaben und einen Klassifikator für rund 300 zensierte Themen in China.
- Menschliche Prüfer und LLM-Juries evaluierten das Zensurverhalten.
- Benchmarks zeigen, dass R1 1776 beim Kern-Reasoning mit der Basis mithält und beim AIME-2024-Benchmark besser abschneidet.
- R1 und R1 1776 sind über HuggingFace sowie die Sonar API verfügbar.
Verknüpfte Unternehmen
2 verknüpfte UnternehmenOntologie & Marktkonzepte
Verwandte Marktsignale & Trends
Aktuelle verifizierte Unternehmensentwicklungen und Deal-Aktivitäten in diesem Marktsegment.
DeepSeek stellt Vorschau auf Open-Source-LLM V4 vor
DeepSeek hat am 24. April 2026 den lang erwarteten Nachfolger DeepSeek V4 in den Varianten Pro und Flash als Open-Source Large Language Model mit einer neuen Architektur und 1,6 Billionen Parametern veröffentlicht. Das Modell erzielt signifikante Leistungssteigerungen beim logischen Schließen, in der Mathematik sowie in MINT-Disziplinen und unterstützt Kontextfenster von bis zu einer Million Token bei gleichzeitig reduzierten Rechen- und Speicherkosten. DeepSeek positioniert V4 Pro bei Programmieraufgaben als deutlich kostengünstiger im Vergleich zu OpenAI GPT-5.5. Der Rollout umfasst zudem eine strategische Partnerschaft mit Huawei zur Nutzung von Ascend-950-Supernode-Clustern, wodurch die Abhängigkeit von Nvidia und AMD verringert werden soll. Die Marktreaktion fällt jedoch verhaltener aus als beim R1-Durchbruch im Jahr 2025.
DeepSeek V4: Architektonische Revolution mit Fokus auf Long-Context-Codierung erwartet
DeepSeek, ein chinesisches Open-Source-KI-Startup, plant die Veröffentlichung von DeepSeek V4 (Gerüchte-Codenamen MODEL1) zum chinesischen Neujahrsfest im Februar 2026. Code-Commits deuten auf eine grundlegende architektonische Überholung hin, die auf extreme Long-Context-Codierung und Software-Engineering-Aufgaben ausgerichtet ist. Zu den wichtigsten Innovationen gehört Engram, ein konditionales Memory-Lookup, das faktisches Abrufen von Reasoning trennt und millionenfache Token-Wissensspeicher ermöglicht. Zudem stabilisieren Manifold-Constrained Hyper-Connections (mHC) die schichtübergreifende Konnektivität, während DeepSeek Sparse Attention (DSA) Kontextfenster von über einer Million Token unterstützt. Berichten zufolge verzögerte sich das Training des R2-Modells zuvor aufgrund von Hardware-Instabilitäten bei Huawei Ascend Chips, weshalb für das finale Training wieder auf Nvidia GPUs gewechselt wurde. Diese Entwicklung unterstreicht die rasante Innovationsdynamik chinesischer Open-Weight-Modelle und wirft ein Schlaglicht auf geopolitische Lieferkettenabhängigkeiten im KI-Training.
DeepSeek R1 gegen OpenAI o1: Die 27-fache LLM-Preisdiskrepanz
Eine Analyse von Tokonomics vergleicht das DeepSeek-R1-Modell mit OpenAIs o1 und offenbart einen Preis von 0,55 US-Dollar pro Million Input-Token bei R1 gegenüber 15,00 US-Dollar bei o1 – eine Differenz um den Faktor 27. Zitiert werden Benchmark-Ergebnisse, die eine hohe Leistungsparität bei Reasoning und Coding zeigen, wobei R1 bei Mathematik vorn liegt und o1 bei bestimmten naturwissenschaftlichen Tests führt. Als Treiber für den niedrigen Preis von R1 nennt der Autor geringere Betriebskosten in China, eine Mixture-of-Experts-Architektur sowie aggressive Marktanteilsstrategien, während interne 'Thinking Tokens' die effektiven Kosten erhöhen. Zusätzliche Rabatte für Caching vergrößern die Lücke weiter. Der Beitrag empfiehlt, R1 an Produktionsdaten zu validieren und o1 nur für strukturierte Ausgaben, Function Calling oder bei Enterprise-SLAs einzusetzen.
Marktsignale & Strategische Shifts in Echtzeit verfolgen
Erstellen Sie benutzerdefinierte Watchlists, um automatisierte, evidenzbasierte Executive Briefings zu erhalten, sobald wesentliche Signale oder Marktverschiebungen auftreten.