Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
deepseekohne Datum · Q003685

DeepSeek-V2.5: A New Open-Source Model Combining General and Coding Capabilities

api-docs.deepseek.com · Originalbericht öffnen ↗

Zusammenfassung

Kurz

DeepSeek beschreibt V2.5 als kombiniertes Chat- und Coding-Modell, das seine Vorgänger laut Hersteller in den meisten allgemeinen Benchmarks sowie bei mehreren Programmier- und Sicherheitstests übertrifft. Die Ergebnisse beruhen überwiegend auf internen Bewertungen; bei HumanEval Multilingual und Aider lag das Vorgängermodell leicht vorn, und beide Modelle schnitten bei SWE-verified relativ schwach ab.

Mittel

DeepSeek präsentiert V2.5 als Zusammenführung der allgemeinen Gesprächsfähigkeiten von DeepSeek-V2-0628 und der Programmierstärken von DeepSeek-Coder-V2-0724. Das Modell sei stärker an menschlichen Präferenzen ausgerichtet und beim Schreiben sowie Befolgen von Anweisungen verbessert. Es sei über Web und API verfügbar; bestehende Endpunkte und Funktionen wie Function Calling, FIM und JSON-Ausgabe blieben erhalten. Bei Problemen empfiehlt der Bericht Anpassungen an Systemprompt und Temperatureinstellung.

Laut DeepSeek übertrifft V2.5 seine Vorgänger in den meisten allgemeinen Benchmarks. Interne chinesische Bewertungen meldeten höhere Erfolgsraten gegenüber GPT-4o mini und ChatGPT-4o-latest, besonders bei Inhaltserstellung und Fragenbeantwortung. Interne Sicherheitstests weisen einen höheren Sicherheitswert (82,6 statt 74,4 Prozent) und eine niedrigere Safety Spillover Rate (4,6 statt 11,3 Prozent) aus. Beim Programmieren verbessere sich V2.5 in HumanEval Python, LiveCodeBench und einem internen FIM-Test um 5,1 Prozent. Der Vorgänger liege leicht vorn bei HumanEval Multilingual und Aider; beide Modelle schnitten bei SWE-verified relativ schwach ab. Die Aussagen beruhen vor allem auf herstellereigenen Tests, deren Methoden im Bericht nicht näher erklärt werden. DeepSeek gibt an, V2.5 auf Hugging Face veröffentlicht zu haben.

Ausführlich lesen

Der Bericht stellt DeepSeek-V2.5 als neues Open-Source-Modell vor, das die allgemeinen Gesprächsfähigkeiten von DeepSeek-V2-0628 mit den Programmierfähigkeiten von DeepSeek-Coder-V2-0724 verbinden soll. DeepSeek zufolge wurde das Modell außerdem stärker an menschlichen Präferenzen ausgerichtet und bei Schreibaufgaben sowie beim Befolgen von Anweisungen verbessert. Es sei über Web und API verfügbar; bestehende API-Endpunkte blieben kompatibel. Funktionen wie Function Calling, FIM-Vervollständigung und JSON-Ausgabe seien unverändert. Der Bericht empfiehlt bei Leistungseinbußen in einzelnen Fällen, Systemprompt und Temperatureinstellung anzupassen.

Zur Entwicklung beschreibt DeepSeek eine Folge von Modellanpassungen: Im Juni sei die Basis von DeepSeek-V2-Chat durch Coder-V2-base ersetzt worden, was Codegenerierung und Schlussfolgern verbessert habe. Daraus sei DeepSeek-V2-Chat-0628 hervorgegangen. DeepSeek-Coder-V2-0724 habe anschließend durch Optimierung der Ausrichtung bessere allgemeine Fähigkeiten erhalten. Die Zusammenführung beider Modelle bilde nun DeepSeek-V2.5.

Bei allgemeinen Fähigkeiten berichtet DeepSeek, das neue Modell liege in den meisten branchenüblichen Tests vor beiden Vorgängern. In internen chinesischen Bewertungen seien außerdem die von GPT-4o beurteilten Erfolgsraten gegenüber GPT-4o mini und ChatGPT-4o-latest im Vergleich zu DeepSeek-V2-0628 deutlich gestiegen, besonders bei Inhaltserstellung und Fragenbeantwortung. Zu den zugrunde liegenden Benchmarks werden Abbildungen gezeigt, aber im Text keine detaillierten Einzelwerte genannt.

Für Sicherheit gibt der Bericht interne Testergebnisse an: Der Gesamtsicherheitswert steige von 74,4 Prozent bei DeepSeek-V2-0628 auf 82,6 Prozent bei V2.5. Die sogenannte Safety Spillover Rate, also unerwünschte Auswirkungen von Sicherheitsmaßnahmen auf normale Anfragen, sinke von 11,3 auf 4,6 Prozent. DeepSeek zufolge soll das Modell dadurch Jailbreak-Angriffen besser widerstehen und normale Anfragen seltener übermäßig einschränken.

Beim Programmieren behalte V2.5 die starken Fähigkeiten seines Coder-Vorgängers und verbessere sich laut Bericht bei HumanEval Python und LiveCodeBench für den Zeitraum Januar bis September 2024. DeepSeek-Coder-V2-0724 liege dagegen leicht vorn bei HumanEval Multilingual und Aider. Beide Modelle schnitten beim SWE-verified-Test relativ schwach ab. Ein internes FIM-Testset zeige für V2.5 eine Verbesserung um 5,1 Prozent; auch eine interne, subjektive Codebewertung melde höhere Erfolgsraten gegenüber Wettbewerbern, wobei GPT-4o als Beurteiler diente.

Die Angaben stammen überwiegend aus internen Tests und Bewertungen des Herstellers; unabhängige Bestätigungen oder ausführliche Testmethoden enthält der Bericht nicht. DeepSeek meldet, die Modellgewichte seien auf Hugging Face veröffentlicht.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Lunas Zusammenfassung wurde in Kurz- und Mittelfassung geprüft; beide enthalten keine klar erfundenen Angaben, die Kurzfassung ist aber verkürzt und stellt die Ergebnisse als überwiegend intern dar. Die Einordnung stützt sich nur auf den Bericht, nicht auf Lunas Stufen.

Im Bericht, aber nicht in der Zusammenfassung

  • Der Jailbreak-Widerstand und die Verringerung der Überverallgemeinerung von Sicherheitsregeln auf normale Anfragen werden nicht erwähnt.
  • Die Entstehungsgeschichte (Ersatz der Basis von DeepSeek-V2-Chat durch Coder-V2-base, Zusammenführung von Chat und Coder) fehlt.
  • Die Bewertung der Konversationsqualität durch GPT-4o als Richter bei den Chinesischen und Coding-Tests fehlt.
  • Der Hinweis, dass die Leistung in bestimmten Fällen sinken kann und Systemprompt sowie Temperatur angepasst werden sollten, fehlt in der kurzen Fassung.
  • Die Angabe, dass allgemeine Benchmarks mit branchenüblichen Testsets gemessen wurden, fehlt; die kurze Fassung stellt die Ergebnisse als überwiegend intern dar.

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Vorfälle melden
Fähigkeiten messen
  1. SF-F1 Wie misst man gefährliche Fähigkeiten eines Modells, vor allem im Cyberbereich, mit gemeinsam anerkannten, wiederholbaren Tests, die keine Sprache, Kultur oder Seite bevorzugen?
    • clef 100 %kein Bezug
    • Luna 26 %einzelne zitierbare Belege
    • JEV offen
    • amos 47 %gleiches Oberthema, hilft nicht
    • SubQ 46 %gleiches Oberthema, hilft nicht
    • drex 39 %gleiches Oberthema, hilft nicht
    • d3-ultra 51 %gleiches Oberthema, hilft nicht

    • SF-F1-T01 Welche Belege zu Cyberfähigkeiten soll ein Labor vor der Freigabe eines Modells veröffentlichen (Methoden, Aufgabenfamilien, Fehlerraten, getestete Version, reproduzierbare Cyber-Tests in abgeschirmter Umgebung für unabhängige Prüfer), damit jedes Ministerium sie nachstellen kann, statt ihnen vertrauen zu müssen? Und führt es für dieselbe Modellversion abgestimmte Cyber-Tests durch, die sowohl den durch Schutzmaßnahmen verhinderten Missbrauch als auch die legitimen Abwehraufgaben messen, die dieselben Schutzmaßnahmen blockieren, und weist es beide Ergebnisse aus? Luna: Stufe 3 · 28 % · Hintergrund, keine Belege
    • SF-F1-T05 Welche Cyber-Prüfungen und welche Testbausteine (Testfälle, Bewertungswerkzeuge, Datensätze) würden jedes Labor und jedes Ministerium anstelle einer bloßen Behauptung als gültig anerkennen, wenn andere sie an ihrem Modell durchführen? Und welche genormte Testsammlung würden Labore verschiedener Staaten gemeinsam an eingefrorenen Modellversionen laufen lassen, verwaltet von einer dritten Stelle, der alle trauen? Luna: Stufe 4 · 29 % · einzelne zitierbare Belege · Haiku-Prüfung: Stufe 2 · nur am Rande erwähnt
    • SF-F1-T07 Wie sollten führende KI-Modelle über Sprachen und Kulturen hinweg geprüft und verbessert werden, damit ihr Sicherheitsverhalten nicht vom Englischen oder den Normen eines Landes abhängt? Luna: Stufe 3 · 35 % · Hintergrund, keine Belege · Haiku-Prüfung: Stufe 2 · nur am Rande erwähnt
Unabhängig prüfen
  1. SF-P3 Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
    • clef 100 %kein Bezug
    • Luna 47 %einzelne zitierbare Belege
    • JEV offen
    • amos 29 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 29 %gleiches Oberthema, hilft nicht
    • d3-ultra 44 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung Hintergrund, keine Belege

    • SF-P3-T07 Wird jede öffentliche Aussage, ein führendes KI-Modell sei „besser ausgerichtet“ als ein anderes (folge also seinen vorgesehenen Zielen und Werten besser), reproduzierbare Kriterien, externe Prüfungen und widersprechende Ergebnisse enthalten? Luna: Stufe 4 · 44 % · einzelne zitierbare Belege · Haiku-Prüfung: Stufe 4 · einzelne zitierbare Belege
Tempo und Grenzen
Vertrauen in Modelle
  1. SF-V1 Was zählt als Beleg für die Werte eines Modells, wenn sein sichtbares Denken und seine Selbstauskünfte allein nicht genügen?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV offen
    • amos 27 %Hintergrund, keine Belege
    • SubQ 43 %gleiches Oberthema, hilft nicht
    • drex 40 %gleiches Oberthema, hilft nicht
    • d3-ultra 57 %gleiches Oberthema, hilft nicht
  2. SF-V3 Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
    • clef 100 %kein Bezug
    • Luna 43 %Hintergrund, keine Belege
    • JEV offen
    • amos 30 %nur am Rande erwähnt
    • SubQ 44 %gleiches Oberthema, hilft nicht
    • drex 45 %gleiches Oberthema, hilft nicht
    • d3-ultra 59 %gleiches Oberthema, hilft nicht

    • SF-V3-T01 Worauf verlässt sich ein Mensch, wenn er glaubt, niemand sehe zu, und lassen sich solche Werte einem System beibringen, das sie nur aus Text gelernt hat? Wie testen Labore heute, ob die Werte eines Modells halten, wenn es zu Recht oder zu Unrecht glaubt, niemand sehe zu? Und wenn niemand erkennen kann, ob jemand zusieht: Was hält Werte dann fest, Charakter, Training oder die Geschichte, die man sich selbst erzählt? Luna: Stufe 3 · 35 % · Hintergrund, keine Belege
  3. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 53 %Hintergrund, keine Belege
    • JEV offen
    • amos 26 %Hintergrund, keine Belege
    • SubQ 45 %gleiches Oberthema, hilft nicht
    • drex 40 %gleiches Oberthema, hilft nicht
    • d3-ultra 49 %gleiches Oberthema, hilft nicht

Agenten und vernetzte Systeme
Modelle teilen und schützen
  1. SF-H2 Was darf offen veröffentlicht werden, und wer ist verantwortlich, wenn ein offenes Modell anderswo Schaden anrichtet?
    • clef 100 %kein Bezug
    • Luna 59 %einzelne zitierbare Belege
    • JEV offen
    • amos 26 %nur am Rande erwähnt
    • SubQ 41 %gleiches Oberthema, hilft nicht
    • drex 34 %gleiches Oberthema, hilft nicht
    • d3-ultra 38 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung nur am Rande erwähnt

  2. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 42 %einzelne zitierbare Belege
    • JEV offen
    • amos 27 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 33 %gleiches Oberthema, hilft nicht
    • d3-ultra 60 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung umfangreiche Belege

Offenlegung und Rechenschaft
Beteiligung und Gemeinwohl
  1. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 31 %Hintergrund, keine Belege
    • JEV offen
    • amos 36 %gleiches Oberthema, hilft nicht
    • SubQ 47 %gleiches Oberthema, hilft nicht
    • drex 46 %gleiches Oberthema, hilft nicht
    • d3-ultra 49 %gleiches Oberthema, hilft nicht
Information und Öffentlichkeit

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →