DeepSeek

DeepSeek is een Chinees AI-bedrijf uit Hangzhou, en de naam van zijn chatbot en AI-modellen. Je kunt ermee chatten in een app, of de modellen downloaden en op je eigen computers draaien, ook voor commercieel gebruik. Voor een bedrijf is dat de belangrijkste keuze: de eigen diensten van DeepSeek slaan je gegevens op in China, terwijl een kopie van het model op je eigen server ze binnenshuis houdt.

Welke modellen heeft DeepSeek uitgebracht?

DeepSeek publiceert de meeste modellen als open weights: iedereen kan het getrainde model downloaden. De bekendste:

• DeepSeek-V3 (december 2024): een groot taalmodel van 671 miljard parameters, waarvan er per token 37 miljard worden gebruikt. De volledige training kostte 2,788 miljoen GPU-uren op Nvidia H800-chips, oftewel 5,576 miljoen dollar bij 2 dollar per uur, zonder eerder onderzoek (technisch rapport).
• DeepSeek-R1 (20 januari 2025): een redeneermodel dat een probleem stap voor stap uitwerkt voordat het antwoordt, volgens DeepSeek vergelijkbaar met OpenAI's o1 op wiskunde, code en redeneren. R1 verscheen onder de MIT-licentie, die commercieel gebruik en distillatie toestaat, samen met zes kleinere versies van 1,5 tot 70 miljard parameters, gebouwd op modellen van Qwen en Llama.
• DeepSeek-V4 (24 april 2026, als preview): V4-Pro heeft 1,6 biljoen parameters, waarvan 49 miljard actief, en V4-Flash 284 miljard met 13 miljard actief, allebei met een contextvenster van 1 miljoen tokens. In september 2026 volgde V4.1-Flash, met een encoder-decoderontwerp.

Waarom trok R1 zoveel aandacht?

Met R1 en zijn voorloper R1-Zero liet DeepSeek zien dat redeneren grotendeels aan te leren is met reinforcement learning via GRPO: het model krijgt een beloning als zijn eindantwoord op een wiskunde- of programmeeropgave klopt, en leert uit zichzelf zijn stappen te controleren en te heroverwegen (DeepSeek-R1-paper). Volgens Hugging Face (maart 2026) ging het Chinese AI-ecosysteem na R1 sterk inzetten op open source. In het jaar voor het rapport namen Chinese modellen 41% van de downloads op het platform voor hun rekening, meer dan welk ander land ook, en werd DeepSeek-R1 het model met de meeste likes (zie Waarom loopt China voorop in open-source AI?).

Hoe werkt het?

Twee technieken uit DeepSeek-V2 (mei 2024) zitten ook in V3, de basis van R1:

• Mixture of experts: het model bestaat uit veel deelnetwerken, en elk token gebruikt er maar een paar van.
• Multi-head latent attention (MLA) comprimeert de KV-cache, het geheugen dat een model bijhoudt van de tekst tot dan toe. V2 had 93,3% minder KV-cache nodig dan het eerdere 67B-model van DeepSeek.

Waar moet een bedrijf op letten?

• Gegevens: volgens zijn privacybeleid slaat DeepSeek persoonsgegevens op in China en gebruikt het ze om zijn modellen te trainen. In januari 2025 raadde de Autoriteit Persoonsgegevens gebruikers aan goed na te denken voordat ze persoonlijke of gevoelige gegevens invoeren, en waarschuwde de AP dat wie gegevens van anderen uploadt, aansprakelijk kan zijn.
• Veiligheid en censuur: in september 2025 stelde CAISI, het AI-evaluatiecentrum van het Amerikaanse standaardeninstituut NIST, vast dat agents op basis van R1-0528 gemiddeld 12 keer vaker dan Amerikaanse frontier-modellen kwaadaardige instructies volgden (zie prompt injection), en dat de modellen vier keer zoveel misleidende verhalen van de Chinese Communistische Partij herhaalden als Amerikaanse modellen.
• Claims: volgens de eigen cijfers van DeepSeek is V4-Pro ongeveer zo goed als Claude Opus 4.6 en GPT-5.4. In de tests van CAISI (april 2026) presteerde het als GPT-5, dat zo'n acht maanden eerder uitkwam, en was het op vijf van de zeven benchmarks kostenefficiënter dan GPT-5.4 mini.
• Licentie: de gedistilleerde R1-versies die op Llama zijn gebouwd, vallen onder de Llama-licentie van Meta.

Voorbeeld

Stel: een accountantskantoor wil klantbrieven door AI laten samenvatten, maar klantgegevens mogen het kantoor niet uit. Het kantoor kan een van de kleinere R1-versies downloaden en op een eigen server draaien. De gegevens blijven dan binnenshuis; de prijs is dat een klein model lager scoort op benchmarks dan de grote modellen van DeepSeek.