Sind die Gewichte offen und kann ich R1 0528 lokal ausführen?

Ja, die Gewichte sind offen und auf Hugging Face unter deepseek-ai/DeepSeek-R1-0528 verfügbar. Mit 671 Milliarden Gesamtparametern benötigen Sie erhebliche Hardware, um das vollständige Modell lokal zu betreiben; eine quantisierte Version oder eine kleinere destillierte Variante ist für die meisten Setups praktischer.

Was kostet R1 0528 und wie groß ist das Kontextfenster?

Über die API kostet es $0,50 pro Million Eingabetoken und $2,15 pro Million Ausgabetoken, mit einem Kontextfenster von 163.840 Token.

Wodurch unterscheidet sich R1 0528 vom ursprünglichen DeepSeek R1?

Es ist ein Post-Training-Update mit Fokus auf tieferes Reasoning: DeepSeek berichtet, dass das Modell nun etwa doppelt so viele Tokens pro Reasoning-Schritt verwendet, mit bedeutenden Verbesserungen bei Mathematik- und Coding-Benchmarks, einer geringeren Halluzinationsrate und zusätzlicher Funktionsaufruf-Unterstützung, die im Original nicht bewertet wurde.

R1 0528

4585°

#llm #deepseek #logik #mathematik #programmieren #lokal

Modell ausführen

Angebote / Werbung

OpenRouter Terminal / API

Bezahlung pro Token

Chatte mit diesem Modell im Browser oder rufe es mit einem API-Schlüssel aus deinem Code auf.

DeepSeek | 163.840 Token Kontext | $0,50/M Eingabe, $2,15/M Ausgabe. Update vom 28. Mai zum [originalen DeepSeek R1](/deepseek/deepseek-r1). Leistung vergleichbar mit [OpenAI o1](/openai/o1), aber Open Source und mit vollständig offenen Reasoning-Tokens. Es hat eine Größe von 671 Milliarden Parametern, davon 37 Milliarden aktiv...

Anleitungen zu diesem Modell

Ollama vs LM Studio (2026): Welche lokale KI-App soll man nutzen und welche Top-Modelle laufen auf jeder?

Beste lokale LLM nach Anwendungsfall (Oktober 2026): Das richtige offene Modell für jede Aufgabe

Wie viel VRAM brauche ich eigentlich für lokale KI?

Was ist eine GGUF-Datei? Quantisierte Modelle erklärt (Q4, Q8, fp8, NF4)

Alle Anleitungen

Captain's Notizen

Geschrieben von Captain, dem Hausredakteur

Notizen vom 2026-10-13

DeepSeek R1 0528 ist ein Mai-2025-Update von DeepSeeks Flaggschiff-Reasoning-Modell, gebaut von DeepSeek. Mit 671 Milliarden Parametern und 37 Milliarden aktiven Parametern legt es deutlich mehr Fokus auf Mathematik, kompetitives Programmieren und Logik als das ursprüngliche R1, wobei DeepSeek Benchmark-Verbesserungen über alle Bereiche berichtet. Offene Gewichte und vollständig sichtbare Reasoning-Spuren machen es zu einer ernsthaften Option, wenn Sie einen Frontier-Reasoner wollen, den Sie selbst inspizieren und betreiben können.

Bekannt für

Starke Mathematikleistung, inklusive großer Genauigkeitsgewinne bei AIME 2025 gegenüber dem Original R1.
Ergebnisse im kompetitiven Programmieren mit großen Verbesserungen bei LiveCodeBench und Aider-Polyglot.
Vollständig offene Reasoning-Token – Sie sehen die Denkweise, nicht nur die Antwort.
Reduzierte Halluzinationsrate und verbesserte Funktionsaufrufe im Vergleich zur Vorgängerversion.
Offene Gewichte auf Hugging Face für selbst gehostete Bereitstellung verfügbar.

Achte auf

671 Milliarden Gesamtparameter bedeuten, dass die lokale Ausführung ernsthafte Hardware erfordert; die meisten Nutzer werden die API verwenden.
Kontext ist 163.840 Token – lang, aber unter der 200K-Grenze für das Label 'langer Kontext'.
SimpleQA-Score ist gegenüber dem Original R1 leicht gesunken, daher ist das Faktenwissen nicht uneingeschränkt besser.

Am besten für

Agenten und Werkzeugnutzung

Prompts zum Ausprobieren

Wettbewerbs-Mathematikaufgabe

Finden Sie alle positiven ganzen Zahlen n, sodass n^2 + 1 n^3 + 7 teilt. Zeigen Sie jeden Schritt Ihrer Überlegung, einschließlich wie Sie Fälle ausschließen, und geben Sie die vollständige Lösungsmenge mit Beweis an.

Fehlerbehebung einer kniffligen Funktion

Hier ist eine Python-Funktion, die den längsten Teilstring ohne wiederholte Zeichen zurückgeben soll, aber manchmal bei Unicode-Zeichen falsche Längen liefert. Erklären Sie, was falsch ist, warum, und geben Sie eine korrigierte Version mit einem kurzen Test an. def longest_unique(s): seen = {} start = max_len = 0 for i, c in enumerate(s): if c in seen: start = seen[c] + 1 seen[c] = i max_len = max(max_len, i - start + 1) return max_len

Planung eines mehrstufigen Agenten

Entwerfen Sie einen minimalen autonomen Agenten, der ein Verzeichnis auf neue CSV-Dateien überwacht, prüft, ob jede Datei die erforderlichen Spalten (Datum, Betrag, Kategorie) enthält, ungültige Dateien in einen Quarantäne-Ordner verschiebt und gültige Zeilen an eine SQLite-Datenbank anhängt. Listen Sie die benötigten Werkzeuge, die Entscheidungslogik bei jedem Schritt und mögliche Fehlerquellen auf.

Vergleichen mit

DeepSeek V4.1 Flash
Modell mit offenen Gewichten
1,048,576 Token Kontext · $0.04/M Eingabe, $0.68/M Ausgabe
DeepSeek V4 Flash 0731
Modell mit offenen Gewichten
1,048,576 Token Kontext · $0.01/M Eingabe, $1.28/M Ausgabe
DeepSeek V4 Flash 0423
Modell mit offenen Gewichten
1,048,576 Token Kontext · $0.09/M Eingabe, $0.18/M Ausgabe
DeepSeek V4 Pro 0813
Modell mit offenen Gewichten
1,048,576 Token Kontext · $1.32/M Eingabe, $3.96/M Ausgabe

Mehr Textmodelle von deepseek

Häufig gestellte Fragen

Sind die Gewichte offen und kann ich R1 0528 lokal ausführen?: Ja, die Gewichte sind offen und auf Hugging Face unter deepseek-ai/DeepSeek-R1-0528 verfügbar. Mit 671 Milliarden Gesamtparametern benötigen Sie erhebliche Hardware, um das vollständige Modell lokal zu betreiben; eine quantisierte Version oder eine kleinere destillierte Variante ist für die meisten Setups praktischer.
Was kostet R1 0528 und wie groß ist das Kontextfenster?: Über die API kostet es $0,50 pro Million Eingabetoken und $2,15 pro Million Ausgabetoken, mit einem Kontextfenster von 163.840 Token.
Wodurch unterscheidet sich R1 0528 vom ursprünglichen DeepSeek R1?: Es ist ein Post-Training-Update mit Fokus auf tieferes Reasoning: DeepSeek berichtet, dass das Modell nun etwa doppelt so viele Tokens pro Reasoning-Schritt verwendet, mit bedeutenden Verbesserungen bei Mathematik- und Coding-Benchmarks, einer geringeren Halluzinationsrate und zusätzlicher Funktionsaufruf-Unterstützung, die im Original nicht bewertet wurde.

Captain's Urteil
Wenn Sie einen Frontier-Reasoner mit offenen Gewichten und sichtbarem Denkprozess wollen, ist R1 0528 die leistungsfähigste Version von DeepSeeks bisherigem Topmodell.

Model Card auf Hugging Face

Der Captain schreibt diese Notizen basierend auf der Beschreibung und Model Card des Modells. Preise und Kontextgrößen sind vom Anbieter zum Zeitpunkt der Erstellung und können sich ändern.

Ranking badge

Updated Oct 22, 2026

Made this model? Show this badge on your page.

Paste it into your Hugging Face card or Civitai description.

Change colors / personalize / get code

Not this creator?

Get your own badge

Wie sich dieser Wert zusammensetzt

Dieses Modell hat noch keine Popularitätsdaten von irgendeiner Quelle, daher trägt es eine Platzhalterzahl unterhalb von 7,000°, damit die Listen vollständig bleiben. Es rangiert niemals über einem Modell mit Daten. Die Aufschlüsselung erscheint hier, sobald eine Quelle sie meldet.

Glossar: die hier verwendeten Begriffe

Heat-Score: Eine Zahl dafür, wie viel ein Modell gerade genutzt und gewollt wird, von 0° bis 9.999°. Jede Liste auf dieser Seite, die „heißeste“ sagt, ist danach sortiert und nach nichts anderem.
Grundwert: Die 7.000°, mit denen jedes Modell mit echten Daten startet. Die Skala reicht von 0° bis 9.999°; der Bereich unter dem Grundwert ist für Platzhalter reserviert (Modelle ohne Daten), damit ein Modell mit Daten immer über einem ohne steht. Der Grundwert ist für alle gleich und entscheidet nichts; die Grade darüber sind die Messung.
Download-Äquivalente: Alles, was der Score als Download zählt, zusammengefasst: Downloads selbst, jeder Torrent-Seeder als 1.000, jedes AI Horde-Bild und jeder Lauf auf einer Generierungsseite als eins.
Logarithmische Skala: Gezählt in Zehnerschritten, nicht einzeln: Der Sprung von 1.000 auf 10.000 Downloads bringt genauso viele Grade wie von 10.000 auf 100.000. So verdrängen Riesen nicht alles andere.
Likes: Daumen hoch und Likes von allen Quellen, jeweils halb so viel wert wie ein Download auf der Log-Skala.
Verbreitungsrate: Wie viele Downloads ein Modell gerade pro Tag bekommt, aus dem Unterschied zwischen zwei Messungen einer Quelle. Ein Viertel der Gewichtung des Download-Begriffs.
Gemessen und geschätzt: Gemessen bedeutet, dass es zwei Messwerte einer Quelle gibt und der Unterschied echt ist. Geschätzt heißt, es ist nur die heutige Gesamtsumme bekannt und die Vergangenheit wird über die Lebensdauer des Modells verteilt; die Seite sagt, welche Variante angezeigt wird.
Seeder: Jemand, der eine Kopie der Gewichte online hält, damit andere sie über einen Torrent herunterladen können, oder ein gehosteter Spiegel, der dasselbe macht. Jeder davon zählt als 1.000 Downloads.
AI Horde: Ein Freiwilligennetzwerk, das kostenlos Bilder auf gespendeten Computern generiert. Die Anzahl der Bilder, die es mit einem Modell erstellt hat, ist öffentlich und jedes zählt als ein Download.
Generierungsseiten: Seiten, die eigene Kopien eines Modells hosten und Leute damit generieren lassen, wie PixAI, SeaArt und Yodayo. Ihre Downloads zählen wie bei Civitai und jeder Generierungslauf als ein Download.
OpenRouter Tokens: Ein Textmodell, das über eine API bereitgestellt wird, wie Claude oder GPT, hat keine Gewichte zum Herunterladen, daher wird seine Nutzung in Tokens gemessen: die Textstücke, die es über OpenRouter gelesen und geschrieben hat, einem Gateway, das viele Apps nutzen, in den letzten 30 Tagen. Je 10,000,000 Tokens zählen als ein Download. Quelle: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Vollständiges Modell (Checkpoint): Die Gewichte selbst, die Datei, die eigenständig generiert. Sie bekommt einen Bonus, weil Add-ons davon abhängen.
LoRA und Embedding: Kleine Zusatzdateien, die die Gewichte von jemand anderem in Richtung eines Stils, Charakters oder Konzepts lenken. Sie können nicht alleine laufen.
Familie und Gewichte: Die Basis, auf der ein Modell aufgebaut ist, wie SD 1.5, SDXL, Flux oder Wan. Jedes Modell erbt das Veröffentlichungsdatum der Gewichte seiner Familie.
Alter: Abzüge je nachdem, wie lange die Gewichte der Familie schon draußen sind: 150° pro Jahr, bis zu 750°. Alte Downloads, die Jahre zum Ansammeln hatten, bleiben oben in der Liste eingefroren.
Familien-Boost: Ein kleiner, begrenzter Schub für LoRAs einer Familie, die diese Seite gerade vorantreibt, immer in der Aufschlüsselung aufgeführt.
Stand-in-Wert: Eine stabile Zahl unter der Mindestgrenze, die einem Modell gegeben wird, über das noch keine Quelle berichtet hat, damit die Listen vollständig bleiben. Sie rangiert nie über einem Modell mit Daten.
Neu! (Schonfrist): Ein Modell, das weniger als 7 Tage alt ist, zeigt Neu! statt einer Punktzahl und nimmt keinen Platz in den Rankings ein. Seine Punktzahl wird ab dem ersten Tag berechnet, aber ein Modell, das einen Tag alt ist, wächst schneller als alles andere, daher wäre ohne die Wartezeit das #1 Modell der Woche immer das, das gestern herauskam, statt das, das sich eine Woche gehalten hat.
Trend: Wie das Wachstum eines Modells über einen Zeitraum im Vergleich zum typischen Wachstum eines Modells im gleichen Zeitraum ist. Schneller als üblich bedeutet Anstieg, langsamer bedeutet Rückgang.
Typisches Modell: Die Mitte des Katalogs: Die Hälfte der Modelle mit einer Zahl wuchs schneller im Zeitraum, die andere Hälfte langsamer.

Ähnliche Modelle

Nemotron 3.5 Super VL

Qwen3 Next 80B A3B Thinking

TEXT / LLM

KI-Modelle für Bild-, Video- und Texterzeugung

R1 0528 ist ein Textmodell für die Familie Text / LLM und wird auf ModelTrends.ai gelistet, einem reinen Lesekatalog für Open-Source-KI-Modelle für Bild, Video und Text. Vergleiche es mit anderen Text / LLM-Modellen und prüfe den Hitzewert, um den Trend zu sehen.

Weitere Text / LLM-Modelle llm deepseek logik mathematik programmieren lokal agenten

Nach Modellfamilie stöbern