18.12.2024 AI Engineering4 Minuten Lesezeit

DeepSeek-R1: Offenes Reasoning steht bevor

OpenAIs o1 machte Test-Time-Reasoning zur prägenden Frontier-Fähigkeit des Jahres 2024 — geschlossen, teuer und nur per API verfügbar. DeepSeeks R1-Lite-Preview und Alibabas QwQ-32B-Preview deuten darauf hin, dass offene Alternativen Wochen statt Jahre entfernt sind. Wir untersuchen, was durch Reinforcement Learning geprägtes Reasoning leistet, wie offene Gewichte seine Kostenstruktur verändern und warum das für europäische Datensouveränität relevant ist.

Reasoning wurde ein Produkt hinter einer API

Am 12. September 2024 veröffentlichte OpenAI o1-preview, das erste kommerzielle Modell, das vor der Antwort nachdenkt. Am 5. Dezember folgte o1 in ChatGPT; gestern — am 17. Dezember — erreichte es als o1-2024-12-17 die API. Damit ist Reasoning zur bestimmenden Frontier-Fähigkeit der Branche geworden — und sie bleibt geschlossen. Die Gedankenkette ist verborgen, die Gewichte sind unzugänglich, und der API-Preis liegt bei 15 US-Dollar pro Million Input-Tokens sowie 60 Dollar pro Million Output-Tokens.

Für europäische Engineering-Teams entsteht daraus eine doppelte Abhängigkeit: Fähigkeit und Infrastruktur gehören demselben Anbieter. Jede nachgelagerte Architekturentscheidung — Caching, Routing oder Fallbacks — übernimmt diese Bindung. Zwei Ankündigungen aus China innerhalb der vergangenen vier Wochen sprechen jedoch dafür, dass dieser Zustand nicht von Dauer sein wird.

Eine Anfrage kommt an — der Router stuft die Schwierigkeit ein. 1/4

Test-Time Compute ist die neue Skalierungsachse

Modelle der o1-Klasse verlagern den Rechenaufwand. Statt weiter Parameter zu skalieren, werden sie nachtrainiert — Reinforcement Learning spielt die zentrale Rolle —, um vor der finalen Antwort lange Gedankenketten zu erzeugen. OpenAI beschreibt sie als Modelle, die mehr Zeit mit Nachdenken verbringen, bevor sie antworten. Die Genauigkeit skaliert dann mit der Denkzeit, nicht mit der Modellgröße. DeepSeek hat die Kurve veröffentlicht: Auf AIME erreicht R1-Lite-Preview 21 Prozent mit weniger als 1.000 Reasoning-Tokens und 66,7 Prozent mit mehr als 100.000.

Diese Skalierungsachse hat klare Grenzen. Sie macht ein Modell nicht klüger pro Token, sondern erkauft zusätzliche Genauigkeit mit Latenz und Output-Kosten. Für latenzkritische oder hochvolumige Pfade bleibt sie deshalb das falsche Werkzeug.

DeepSeek-R1 legt den Denkprozess offen

Am 20. November 2024 stellte DeepSeek R1-Lite-Preview in seinem Web-Chat bereit, begrenzt auf 50 Nachrichten pro Tag. Anders als o1, das nur eine Zusammenfassung zeigt, streamt R1 den vollständigen Denkprozess in Echtzeit — inklusive Selbstkorrekturen. DeepSeek kündigt wörtlich an: "Open-source models & API coming soon." Die selbst berichteten Benchmarks verorten die Preview auf mathematiklastigen Aufgaben auf oder über o1-preview-Niveau.

Die Zahlen stammen von DeepSeek selbst und sind nicht unabhängig verifiziert. Auf GPQA Diamond, LiveCodeBench und ZebraLogic liegt die Preview hinter o1-preview. Gewichte, Lizenz und Releasedatum sind noch nicht veröffentlicht. Bis dahin ist R1 eine Demo, keine Abhängigkeit, auf der Sie bauen können.

Benchmark	DeepSeek-R1-Lite-Preview	OpenAI o1-preview
AIME 2024 (pass@1)	52,5	44,6
MATH (Genauigkeit %)	91,6	85,5
Codeforces (Rating)	1450	1428

QwQ legt Reasoning-Gewichte auf Hugging Face

Eine Woche später, am 27. November, veröffentlichte Alibabas Qwen-Team QwQ-32B-Preview — das erste herunterladbare Reasoning-Modell unter Apache 2.0. Es hat 32,5 Milliarden Parameter, ein Kontextfenster von 32.768 Tokens und meldet 65,2 Prozent auf GPQA, 50,0 Prozent auf AIME und 90,6 Prozent auf MATH-500.

Das Qwen-Team benennt die Defekte selbst: Das Modell mischt mitten in der Antwort Sprachen und gerät in rekursive Reasoning-Schleifen. Diese Offenheit zählt. Sie zeigt, dass Reasoning-Verhalten in ein 32B-Modell passt, das ein Engineering-Team quantisiert auf eigener Hardware betreiben kann — unvollkommen, aber inspizierbar.

Was offene Gewichte mit den Kosten machen

Reasoning-Tokens werden als Output-Tokens abgerechnet. Bei o1s 60 Dollar pro Million kostet eine einzelne Antwort, die 20.000 Tokens lang nachdenkt, 1,20 Dollar — bevor die eigentliche Antwort geschrieben ist. Dieser Multiplikator ist in Benchmarks unsichtbar und in Produktion dominant; Caching hilft wenig, weil jede Anfrage ihre eigene Spur erzeugt.

Warum R1 solche Erwartungen weckt, erklärt DeepSeeks Preishistorie. Im Mai 2024 startete das Unternehmen DeepSeek-V2, ein Mixture-of-Experts-Modell mit 236 Milliarden Parametern, zu 0,14 Dollar pro Million Input-Tokens — rund ein Hundertstel von GPT-4-Turbo — und löste einen Preiskrieg unter chinesischen Anbietern aus. Offene Gewichte verschieben die Rechnung weiter: Der Grenzpreis eines Reasoning-Tokens entspricht dann Ihrer GPU-Abschreibung und -Auslastung statt der Marge eines Anbieters. Gratis ist Self-Hosting dennoch nicht; es tauscht API-Ausgaben gegen Betriebsaufwand und Kapazitätsplanung.

Souveränität ist eine Deployment-Eigenschaft

Offene Gewichte machen die Modellwahl zu einer Deployment-Entscheidung. Gewichte auf eigener Hardware bedeuten Datenresidenz per Konstruktion, gepinnte Versionen statt stiller Modell-Updates und kein Deprecation-Risiko: API-Modelle werden nach dem Zeitplan des Anbieters abgeschaltet, Gewichte auf der eigenen Platte nicht. Unter DSGVO und der seit dem 1. August 2024 geltenden EU-KI-Verordnung sind diese Eigenschaften für deutsche Unternehmen bares Geld wert.

Zur ehrlichen Abgrenzung gehört: Offene Gewichte sind keine offenen Trainingsdaten. Herkunft, Alignment und Fehlermodi eines in China trainierten Modells müssen wie jede andere Abhängigkeit in der Lieferkette evaluiert werden. Wir behandeln Modell-Evaluation deshalb als Ingenieursdisziplin, nicht als Leaderboard-Lektüre. Zudem erstreckt sich die Souveränität über Gewichte nicht auf die exportkontrollierten GPUs, auf denen sie laufen.

Was offene Reasoning-Modelle nicht lösen

Beide Modelle sind Previews. Größe, Gewichte, Lizenz und RL-Rezept von R1 sind unveröffentlicht; was das Serving erfordert, ist unbekannt. QwQs eigene Model Card warnt vor unbeaufsichtigtem Einsatz. Alle Benchmark-Zahlen sind selbst berichtet.

Das Paradigma selbst hat Kosten, die keine Lizenz behebt: Antworten dauern Sekunden bis Minuten, und eine sichtbare Gedankenkette ist keine treue Erklärung der Modellberechnung — sie ist Output und kann rationalisieren. Reasoning-Modelle ergänzen schnelle Modelle; sie ersetzen sie nicht.

Ausblick vom Dezember 2024

Wir erwarten, dass DeepSeek die R1-Gewichte innerhalb von Wochen veröffentlicht, plausibel mit einem Technical Report zum Reinforcement-Learning-Rezept. Wir erwarten außerdem Distillation: Sichtbare Reasoning-Spuren sind Trainingsdaten. Kleine offene Modelle, die lange Gedankenketten imitieren, sind der naheliegende nächste Schritt.

Erreicht ein offenes Modell o1-Niveau zu DeepSeek-V2-Preisen, muss der Markt die Aufbau- und Betriebskosten von Reasoning neu bewerten — ebenso die Annahme, dass diese Fähigkeit Frontier-Kapital voraussetzt. Unser Arbeitsplan für 2025 folgt daraus: Bauen Sie jetzt modellagnostische Evaluations-Harnesse und behandeln Sie Reasoning als potenziell selbst hostbare Commodity, nicht als dauerhaft gemietetes Feature.