AI News

DeepSeek: Nachrichten

10 Meldungen über DeepSeek.

BerichtetOpen Source ·

DeepSeek stellt dsh-superagent als Open Source bereit, einen Forschungsprototyp für laufende Coding-Aufgaben

DeepSeek hat dsh-superagent veröffentlicht, einen Forschungsprototyp, der lang laufende Coding-Aufgaben in einem einzelnen GitHub-Repository verwaltet, wobei jede Aufgabe eine eigene Agenten-Session erhält.

Warum es wichtig ist: Unternehmen, die Coding-Agenten an Repositories anbinden, erhalten ein Modell für Aufgabenverfolgung und Wiederherstellung. Weil es aber keine Freigabe einzelner Befehle gibt, liegt das Zugriffsrisiko bei der Umgebung des Betreibers.

1 Quelle
BerichtetProdukte ·

DeepSeek öffnet App-Funktionen wie Suche, OCR und TTS über seine API

DeepSeek stellt App-Funktionen wie Suche, Dateiverarbeitung, OCR, ASR und TTS über seine API bereit. Die Tool-Gebühren werden gesondert abgerechnet.

Warum es wichtig ist: Entwickler können die Fähigkeiten der DeepSeek-App nun direkt nutzen. Da die Tool-Gebühren aber getrennt von der Modellnutzung abgerechnet werden, wirkt sich das auf die Kostenplanung aus.

1 Quelle
BerichtetSicherheit ·

Vals-Test: KI-Agenten dringen in realistische Unternehmensnetze ein, GPT-6 Sol führt mit 80,8 %

Im Benchmark Vals CyberOffense drangen KI-Agenten selbstständig in realistische Unternehmensnetzwerke ein: GPT-6 Sol erfüllte 80,8 % der Ziele, DeepSeek V4.1 Flash 72,8 %.

Warum es wichtig ist: Die Fähigkeit zum autonomen Eindringen wird inzwischen sowohl bei eingeschränkt zugänglichen als auch bei Open-Weight-Modellen gemessen. Sicherheitsteams sollten davon ausgehen, dass auch günstige offene Modelle ähnliche Angriffe versuchen können.

1 Quelle
BerichtetModelle ·

DeepSeek mit 53 % der 27 Billionen Tages-Token auf OpenRouter, so ein Beitrag

Laut einem Beitrag entfielen an einem Tag 53 % aller Token auf OpenRouter auf DeepSeek, Open-Weight-Labs kamen zusammen auf über 75 %.

Warum es wichtig ist: Die Nutzung auf einer Routing-Plattform zeigt, was Entwickler bevorzugen. Unternehmen, die KI in großem Umfang einkaufen, sollten sie aber nicht als Maßstab für ihre eigenen Kosten oder ihre Modellwahl heranziehen.

1 Quelle
OffiziellOpen Source ·

DeepSeek veröffentlicht Design und offenes Repository für den Prototyp seines Super-agent-Harness

DeepSeek hat einen Designartikel und ein Prototyp-Repository für einen langlebigen Router-Agenten veröffentlicht, der Arbeit an isolierte Worker übergibt, die durch GitHub-Events ausgelöst werden.

Warum es wichtig ist: Unternehmen, die Multi-Agenten-Workflows für die Softwareentwicklung aufbauen, erhalten eine konkrete, offene Referenz dafür, wie sich Arbeit auf parallele Worker verteilen lässt. Die eingeräumten Lücken bei Gedächtnis und Sicherheit bedeuten aber, dass das Konzept noch nicht produktionsreif ist.

1 Quelle
OffiziellOpen Source ·

ISTA veröffentlicht beschnittenen, quantisierten GGUF-Coder-Build von DeepSeek V4.1 Flash 1017

Der experimentelle Build des ISTA DAS Lab behält die Hälfte der Experten pro Schicht, setzt auf Low-Bit-Quantisierung und erreicht laut eigenen Angaben 98,7 % bzw. 94,8 % der Benchmark-Werte des Basismodells.

Warum es wichtig ist: Beschnittene und quantisierte große Coding-Modelle könnten auf kleinerer Hardware laufen. Die offenen Fragen zur Reproduzierbarkeit bedeuten aber, dass Interessierte die Ergebnisse prüfen sollten, bevor sie sich darauf verlassen.

1 Quelle
OffiziellProdukte ·

DeepSeek veröffentlicht öffentlichen Forschungsprototyp seines Super-agent

DeepSeek hat seinen intern genutzten Super-agent für die öffentliche Forschung aufbereitet: Er beobachtet ein GitHub-Repository und startet Agenten-Sessions, die Pull Requests liefern können.

Warum es wichtig ist: Entwicklungsteams erhalten eine weitere offene Option für ereignisgesteuerte Coding-Agenten, die den manuellen Aufwand für routinemäßige Repository-Aufgaben verringern könnte.

1 Quelle
OffiziellForschung ·

Realtime-Bench: Führende KI-Modelle tun sich mit zeitkritischen Aufgaben schwer

Ein Benchmark mit 50 Spiel- und Webaufgaben zeigt: Unter realer Latenz bestehen Spitzenmodelle nur 36 % der Aufgaben, bei angehaltener Uhr sind es bis zu rund 80 %.

Warum es wichtig ist: Die Lücke zwischen den Ergebnissen mit angehaltener Uhr und in Echtzeit deutet darauf hin, dass aktuelle Agenten überall dort unzuverlässig sind, wo Reaktionsgeschwindigkeit zählt, etwa beim Ticketkauf oder bei Auktionsgeboten. Teams sollten nicht davon ausgehen, dass starke Offline-Benchmark-Werte auf latenzkritische Live-Workflows übertragbar sind.

1 Quelle
OffiziellForschung ·

HarnessMM verwendet bereits getroffene Agenten-Entscheidungen wieder und senkt den Token-Verbrauch bei HumanEval um 87,93 %

Forschende der Tsinghua University und von Microsoft Research Asia berichten: Durch die Wiederverwendung bereits getroffener Entscheidungen stieg die Erfolgsquote von DeepSeek Harness bei 98 Aufgaben von 71,43 % auf 85,71 %.

Warum es wichtig ist: Wiederholte Modellaufrufe in Agenten-Harnesses verursachen direkte Kosten. Teams können daher möglicherweise Geld sparen, bevor sie ein größeres Modell brauchen. Die Autoren weisen allerdings darauf hin, dass die Einsparungen von der Cache-Abrechnung des Anbieters abhängen und davon, wie viele Aktionen bereits entschieden sind.

1 Quelle
BerichtetSicherheit ·

DeepSeek und Moonshot sollen Modelle mit Outputs von GPT-6 Astra trainieren

Berichten zufolge nutzen DeepSeek und Moonshot AI Outputs von GPT-6 Astra, um neue Modelle zu trainieren, nachdem Anthropic seine Abwehr gegen Destillation verschärft hat.

Warum es wichtig ist: Der Diebstahl von Modell-Outputs entwickelt sich zu einem Wettbewerbs- und Sicherheitsproblem. Das könnte bei den Anbietern von Frontier-Modellen zu strengeren Zugangskontrollen und Nutzungsbedingungen führen.

1 Quelle