Nachrichten & Updates
1. Dezember 2025
DeepSeek veröffentlicht die offizielle Version von V3.2: Die allgemeinen Funktionen werden erweitert und gleichzeitig werden Inference-to-Speciale-Varianten eingeführt
Am 1. Dezember 2025 veröffentlichte DeepSeek die offizielle Version von V3.2 unter dem MIT-Protokoll, was Effizienzforschung wie spärliche Aufmerksamkeit in die offizielle Version einbrachte, und brachte gleichzeitig die DeepSeek-V3.2-Speciale-Variante auf den Markt, die sich auf das Denken konzentriert und eine Kombination aus „Universal + Argumentation“ bildet.
Quelle: DeepSeek-Beamter
21. August 2025
DeepSeek veröffentlicht V3.1: Einführung einer hybriden Argumentationsarchitektur, Umschalten zwischen denkenden/nicht denkenden Dualmodi mit einem Klick
Am 21. August 2025 veröffentlichte DeepSeek V3.1 unter dem MIT-Protokoll. Es verwendet eine denkende/nicht denkende Dual-Mode-Hybridarchitektur und trainiert zusätzlich über 800 Milliarden Token auf Basis von V3. Es hat sich im Vergleich zur vorherigen Generation bei SWE-Bench, Terminal-Bench und anderen Benchmarks erheblich verbessert und die Agentenfunktionen erweitert.
Quelle: DeepSeek-Beamter
29. September 2025
DeepSeek veröffentlicht experimentelle Version V3.2-Exp: Einführung von DSA mit geringer Aufmerksamkeit, um die Langtexteffizienz zu verbessern
Am 29. September 2025 veröffentlichte DeepSeek die experimentelle Version V3.2-Exp, die DeepSeek Sparse Attention (DSA) einführte, um die Recheneffizienz in Szenarien mit langem Kontext zu verbessern und den Weg für Effizienzoptimierung in nachfolgenden offiziellen Versionen zu ebnen.
Quelle: DeepSeek-Beamter
6. Mai 2024
DeepSeek veröffentlicht V2 Open-Source-Großmodell: die erste MLA-Architektur, 236B MoE mit Fokus auf hohe Kostenleistung
Im Mai 2024 veröffentlichte DeepSeek die DeepSeek-V2-Serie großer Open-Source-Modelle, die erstmals Multi-Head Latent Attention (MLA) und MoE-Sparse-Architektur einführten. Es verfügt über insgesamt 236 Milliarden Parameter und eine einzelne Token-Aktivierung von etwa 21 Milliarden. Es vergleicht Mainstream-Modelle mit extrem niedrigen Inferenzkosten und legt einen effizienten Weg für nachfolgende V3 und R1 fest.
Quelle: DeepSeek-Beamter
20. Januar 2025
DeepSeek veröffentlicht R1-Inferenzmodell: MIT Open-Source-Benchmark OpenAI o1, was einen globalen KI-Schock auslöst
Am 20. Januar 2025 stellte DeepSeek das DeepSeek-R1-Inferenzmodell unter dem MIT-Protokoll als Open Source zur Verfügung. Es wurde von V3-Base aus initialisiert und mit einem durch Verstärkungslernen gesteuerten Training trainiert. Die mathematischen und programmtechnischen Überlegungen wurden mit OpenAI o1 verglichen und sind kostenlos verfügbar. Die Anwendung erreichte schnell die Spitze des US-amerikanischen App Stores und sorgte für einen Schock auf dem Markt.
Quelle: DeepSeek-Beamter
24. April 2026
DeepSeek veröffentlicht Version 3.2.0, um die Inferenzstabilität und API-Leistung zu verbessern
DeepSeek veröffentlicht 3.2.0 und konzentriert sich auf die Verbesserung der Stabilität komplexer Inferenzen und der Leistung von Diensten mit hoher Parallelität.
Quelle: DeepSeek-Beamter
28. Mai 2025
DeepSeek veröffentlicht die aktualisierte Version R1-0528: stärkere Argumentation, weniger Halluzinationen, deutlich verbesserte mathematische Benchmarks
Am 28. Mai 2025 veröffentlichte DeepSeek die aktualisierte Version R1-0528 unter der MIT-Lizenz. Die Denkfähigkeit wird erheblich verbessert, Halluzinationen werden reduziert und die Leistung bei mathematischen Benchmarks wie AIME 2025 wird deutlich verbessert. Es handelt sich um eine wichtige Iteration des R1-Inferenzmodells.
Quelle: DeepSeek-Beamter
7. Mai 2026
DeepSeek Open-Source-Familien-Bucket-Inventar: Die MoE-Inferenztechnik von einer „Black Box“ zum „Lehrbuch“ machen
Die intensive Open-Source-Inferenz- und Trainingsinfrastruktur von DeepSeek für 2025–2026, FlashMLA, DeepEP, DeepGEMM, DeepSpec, 3FS usw., deckt die gesamte Verbindung „Algorithmus-Kernel-Kommunikation-Speicher“ ab, ist unter dem MIT-Protokoll offen und exportiert systematisch effiziente MoE-Inferenz-Engineering-Funktionen an globale Entwickler.
Quelle: Offizielle DeepSeek GitHub-Organisation
9. Juni 2026
Verstehen Sie DeepL. Schreiben Sie in einem Artikel: KI-Assistent für mehrsprachiges Schreiben und Polieren
Die Kernfunktionen, die Kostenstruktur, die Versionsentwicklung, die Anwendungsszenarien und die anwendbaren Grenzen von DeepL Write helfen dem Team bei der Durchführung von Pilotprojekten und Evaluierungen vor dem Kauf.
Quelle: DeepL Schreiben Sie eine offizielle Dokumentation
DataRobot-Fähigkeitsinventar: Auswahlreferenz für KI-Datenverarbeitungsteams
DataRobot ist eine 2012 gegründete KI/ML-Automatisierungsplattform auf Unternehmensebene. Sie bedient über 1.000 große Unternehmenskunden auf der ganzen Welt und bietet komplette Lebenszykluslösungen von AutoML bis hin zur Modellbereitstellung, Überwachung von Alarmen und KI-Governance.
Quelle: Offizielle Dokumentation von DataRobot
D-ID-Publishing-Side-Capability-Inventar: der Implementierungspfad von KI-Video und interaktivem Avatar
D-ID bietet Unternehmen und Teams KI-Video, interaktive Avatare, Videoübersetzung und API-Zugriffsfunktionen. Öffentliche Informationen zeigen, dass seine Produktlinie mehrere kommerzielle Lieferszenarien abdeckt.
Quelle: Offizielle D-ID-Dokumentation, Evaluierung der Plattform für die digitale Mensch- und Videogenerierung, AI-Video-Tool-Matching
Verstehen Sie DALL-E in einem Artikel: OpenAI-Text-zu-Bild-Modell
DALL-E 3 ist ein OpenAI-Text-zu-Bild-Modell, das direkt in ChatGPT verwendet werden kann. Es verfügt über ein präzises Wortverständnis und eine integrierte Inhaltssicherheitsfilterung. Der API-Preis beginnt bei 0,040 $/Stück und eignet sich für Entwickler zur Integration von KI-Bildfunktionen.
Quelle: Offizielle DALL-E-Dokumentation
Cursor-Produktbeobachtung: Fähigkeitsinventar in der KI-Programmierrichtung
Cursor ist ein nativer KI-Code-Editor von Anysphere, der Agent-, Composer-, Tab-, Cmd-K-, Bugbot-, CLI-, Cloud-Agents-, MCP- und andere Funktionen bietet.
Quelle: Offizielle Dokumentation von Cursor
Demontage der CustomPod.io-Funktion und anwendbare Szenarioanalyse
Die öffentlichen Funktionen, die Kostenstruktur, die Versionsinformationen und die geltenden Grenzen von CustomPod.io werden organisiert.
Quelle: Offizielle Dokumentation von CustomPod.io
Demontage der CrewAI-Funktion und anwendbare Szenarioanalyse
CrewAI ist ein Multi-Agenten-Orchestrierungsframework, das die Rollenteilung und Zusammenarbeit zur Erledigung komplexer Aufgaben unterstützt. Dieser Artikel fasst seine Funktionen, Preise und Anwendungsszenarien zusammen.
Quelle: Offizielle CrewAI-Dokumentation
So verwenden Sie Craiyon: mit ausführbarem Taskflow als Kern
Die öffentlichen Funktionen, die Kostenstruktur, die Versionsinformationen und die geltenden Grenzen von Craiyon werden organisiert.
Quelle: Offizielle Dokumentation von Craiyon
CowAgent-Fähigkeitsinventur: Auswahlreferenz für KI-Agententeams
CowAgent bietet Terminal-Agent-Funktionen und unterstützt mehrere Modelle, Speicher, Tool-Aufruf und Kompetenzerweiterung. In diesem Artikel werden der Versionsrhythmus, die Kostenstruktur, die Implementierungsmethoden und die anwendbaren Grenzen erläutert.
Quelle: Offizielle Dokumentation von CowAgent
Coze-Fähigkeitsanalyse: Verwendung von KI-Agentenszenarien
Coze ist eine codefreie KI-Bot-Konstruktionsplattform, die von Bytedance eingeführt wurde. Es nutzt Topmodelle wie GPT-4 kostenlos. Es verfügt über mehr als 100 integrierte Plug-Ins und Wissensdatenbankfunktionen und unterstützt die Veröffentlichung mit einem Klick auf Feishu, Discord und anderen Kanälen. Die inländische Version ist „Button“.
Quelle: Offizielle Coze-Dokumentation
Coqui-Fähigkeitsanalyse: Verwendung von KI-Audioszenen
Coquis öffentliche Funktionen, Kostenstruktur, Versionsinformationen und anwendbare Grenzen werden organisiert.
Quelle: Offizielle Coqui-Dokumentation
3. Februar 2026
DeepSeek Open Source OCR-2: Lange Dokumente mit „visuellem Kausalfluss“ neu verstehen
DeepSeek hat eine neue Generation des Open-Source-OCR-Modells DeepSeek-OCR-2 auf GitHub veröffentlicht. Es ist Open Source unter dem Apache-2.0-Protokoll. Die technische Lösung basiert auf „Visual Causal Flow“ und ist hinsichtlich der OCR für lange Dokumente und der Erkennung komplexer Layouts besser als die erste Generation. Das Projekt der ersten Generation hat rund 23.700 Sterne erhalten.
Quelle: Offizielles DeepSeek GitHub-Repository