Warum DeepSeek außerhalb Chinas so bekannt wurde – und wie man die DeepSeek API 2026 aufruft

Zwei Fragen stehen oft im selben Satz, brauchen aber völlig verschiedene Antworten: Warum hat ein Modell aus China 2025 weltweit die Schlagzeilen beherrscht, und wie spricht man es 2026 eigentlich an? Die erste ist eine Mediengeschichte, die zweite eine Konfigurationsfrage. Wer nur die erste beantwortet, schreibt einen Kommentar. Wer nur die zweite beantwortet, kopiert vermutlich einen Modellnamen, der schon nicht mehr gültig ist.

Dieser Beitrag entstand mit KI-Unterstützung; die technischen Angaben habe ich gegen die offizielle Dokumentation geprüft. Ich gehe beide Fragen nacheinander durch und ende bei dem Punkt, an dem die meisten Integrationen tatsächlich hängen bleiben: bei der Frage, woher der Modellname kommt, den man in den Request schreibt.

Warum DeepSeek international zum Thema wurde

Am 20. Januar 2025 veröffentlichte DeepSeek R1. Bei AIME 2024 erreichte das Modell 79,8 %, bei MATH-500 97,3 % – Werte auf Augenhöhe mit OpenAI o1, in Mathematik, Code und Schlussfolgern. Für den letzten Trainingslauf des zugrunde liegenden V3 wurden rund 5,6 Millionen US-Dollar genannt: 2048 H800 über 55 Tage. In dieser Zahl stecken nur die Rechenkosten dieses einen Laufs, nicht Vorforschung, Experimente, Daten oder Hardwarebeschaffung; genau darüber wurde später heftig gestritten. Aber selbst mit diesem Abschlag war die Botschaft unübersehbar: Die stillschweigende Annahme, Vorsprung entstehe proportional zur eingesetzten Rechenleistung, war nicht mehr selbstverständlich.

Der eigentliche Bruch war meiner Ansicht nach aber nicht der Preis, sondern dass Überprüfbarkeit auf einmal billiger war als Vertrauen. Die Gewichte von R1 kamen unter MIT-Lizenz, dazu das technische Paper, die Trainingsmethode und sechs destillierte Modelle zwischen 1,5B und 70B – kommerziell nutzbar und frei veränderbar. o1 und vergleichbare Reasoning-Modelle waren zu der Zeit geschlossen und nur über eine API erreichbar. Teams aus Berkeley, der HKUST und Hugging Face reproduzierten zentrale Effekte für Beträge im zweistelligen Dollarbereich. In einer technischen Community zählt nicht die Behauptung, sondern dass jemand anderes sie nachgebaut hat. Deshalb verbreitete sich das in Foren und Repositories schneller als jede Pressemitteilung.

Dazu kam eine Geschichte, die sich nicht ignorieren ließ: ein rund 200köpfiges Team, hervorgegangen aus einem Quant-Fonds, überwiegend im Inland ausgebildet, mitten unter Chip-Exportkontrollen. Marc Andreessen nannte es den „Sputnik-Moment der KI“. Damit war DeepSeek kein Technikthema mehr, sondern ein öffentliches über die technologische Führung der USA, über die Wirksamkeit von Exportkontrollen und darüber, ob Investitionen in dreistelliger Milliardenhöhe gerechtfertigt sind.

Und schließlich der Tag, an dem es auch außerhalb der Branche ankam: Am 27. Januar 2025 stand die App in den US-App-Store-Charts auf Platz 1, vor ChatGPT; 100 Millionen Nutzer in sieben Tagen, wofür ChatGPT rund zwei Monate gebraucht hatte. Am selben Tag verlor NVIDIA etwa 17 % seines Börsenwerts, rund 600 Milliarden US-Dollar an einem einzigen Handelstag. WSJ, NYT, CNBC und Time titelten gleichzeitig. Das ist der Unterschied zwischen „in der Szene bekannt“ und „allgemein bekannt“.

Was von der DeepSeek-Aufregung 2026 übrig geblieben ist

2026 liegt der Token-Absatz chinesischer Modelle auf OpenRouter seit 27 Wochen in Folge über dem US-amerikanischer Modelle; vier der fünf meistgenutzten Modelle pro Woche stammen von dort, DeepSeek führt die Anbieterliste an. Im Frühjahrsbericht von Hugging Face steht, dass 41 % der Downloads großer Modelle im vorangegangenen Jahr auf in China entwickelte Modelle entfielen. Die Berichterstattung hat sich parallel verschoben: von „Schock“ und „Weckruf“ zu Finanzierungsrunden, IPO, Margen und der Frage, ob der Nachfolger noch überzeugt.

Für jemanden, der eine Anwendung baut, ist das die eigentlich interessante Wendung. Aus einem Ereignis wurde Infrastruktur. Die spannende Frage lautet nicht mehr, ob man das Modell ernst nehmen muss, sondern wie man es stabil anbindet – und welche Angaben man dabei besser nicht aus einem zwei Jahre alten Blogbeitrag übernimmt.

DeepSeek API: Warum man Modellnamen nicht aus Blogposts übernehmen sollte

Crazyrouter hat dafür eine eigene, leicht zu übersehende Seite: AI-Tools lesen die Dokumentation. Sie richtet sich ausdrücklich an Codex, Claude Code, ChatGPT und Cursor und nennt stabile Einstiegspunkte, allen voran llms.txt und die vollständige Fassung llms-full.txt. Der interessante Teil ist der Abschnitt mit den verbindlichen Regeln, denn er beschreibt genau den Fehler, den man beim automatisierten Generieren von Anbindungscode macht:

• llms.txt ist keine vollständige Modellliste.
• Modellnamen, Preise und Abrechnungsarten richten sich nach der Pricing-Seite.
• Welche Modelle ein konkreter API-Schlüssel wirklich aufrufen darf, entscheidet allein GET https://api.crazyrouter.com/v1/models.
• Beim Generieren von Aufrufcode sollen bevorzugt die Endpunkt-Beispiele aus der jeweiligen Modellseite verwendet werden.
• OpenAI-kompatible Clients nutzen https://api.crazyrouter.com/v1; Anthropic-native Clients die Root-Domain ohne selbst angehängtes /v1; Konto- und Verwaltungsendpunkte wie /api/user/self gehören auf https://crazyrouter.com und liefern auf der API-Domain 404 api_only_endpoint.

Warum das praktisch ist, zeigt ein Blick auf die DeepSeek-Doku selbst. Verschiedene Parameterversionen ihrer Seiten zeigen nebeneinander unterschiedliche, zeitlich versetzte Modellnamen: die parameterlose Startseite noch deepseek-chat und deepseek-reasoner, eine andere Seite deepseek-v4-flash zusammen mit deepseek-v4-flash-vision-exp, die aktuelle Seite deepseek-flash und deepseek-v4-pro. Selbst zur Behandlung von deepseek-v4-pro widersprechen sich zwei aktuelle Seiten. Das sind keine Erfindungen einzelner Blogs, sondern Cache-Generationen derselben Dokumentation.

Wer einem Coding-Assistenten einfach „schreib mir einen DeepSeek-Aufruf“ sagt, bekommt daher mit einiger Wahrscheinlichkeit einen Namen aus der falschen Generation. Die verlässliche Reihenfolge ist unspektakulär, spart aber Debugging-Zeit:

1. Das Tool zuerst den Index lesen lassen, nicht aus dem Gedächtnis generieren lassen.
2. Den öffentlichen Namen im Modellverzeichnis prüfen und zusätzlich mit GET /v1/models und dem eigenen Schlüssel gegenprüfen.
3. Den Namen in eine Umgebungsvariable wie API_MODEL legen, statt ihn im Code zu verteilen. Bei der nächsten Umbenennung bleibt es dann eine Konfigurationsänderung statt eines Releases.

Konkret veraltet sind deepseek-chat und deepseek-reasoner seit dem 24. Juli 2026; deepseek-v4-flash und deepseek-v4-flash-vision-exp bezeichnen bereits ausgemusterte Modelle, deren Anfragen von V4.1-Flash-1017 übernommen werden. Beides liest man auf deepseek-flash um.

DeepSeek direkt oder über Crazyrouter: zwei Wege, drei Werte

Beide Wege sprechen OpenAI-kompatibel, es bleibt also beim openai-SDK. Unterschiedlich sind genau drei Werte: API_KEY, API_BASE_URL und API_MODEL.

Direkt beim Anbieter. Base URL https://api.deepseek.com, Endpunkt POST /chat/completions, Authentifizierung per Authorization: Bearer, Schlüssel über platform.deepseek.com/api_keys. Aktuelle Modellnamen: deepseek-flash und deepseek-v4-pro.

Über Crazyrouter. Base URL https://api.crazyrouter.com/v1, in Ostasien https://cn.crazyrouter.com/v1, Endpunkt POST /v1/chat/completions, Schlüssel über crazyrouter.com/console/token. Die dort gelisteten DeepSeek-Namen sind deepseek-v4.1-flash und deepseek-v4-pro.

Der Punkt, den man leicht übersieht: Die Modell-IDs sind auf beiden Seiten nicht identisch. deepseek-flash ist ein Name des Anbieters; deepseek-v4.1-flash steht im öffentlichen Verzeichnis des Gateways. Wer einen davon in die jeweils andere Konfiguration kopiert, bekommt einen Fehler, der auf den ersten Blick nach einem falschen Schlüssel aussieht. Wer ohnehin mehrere Modelle parallel betreibt, kann im öffentlichen Modellverzeichnis von Crazyrouter nachsehen, welche DeepSeek-Namen aktuell gelistet sind – und danach trotzdem mit GET /v1/models prüfen, was der eigene Schlüssel darf.

Der API-Schlüssel selbst gehört in eine Umgebungsvariable, nicht in den Quelltext und nicht in ein Repository. Auch als Platzhalter hat ein Schlüsselwert im Beispielcode nichts verloren.

Wofür sich DeepSeek eignet – und wo die Grenzen liegen

Die Wahl des Modells folgt der Aufgabe, nicht der Versionsnummer. Häufige, kurze Anfragen – Dialoge, Klassifikation, Extraktion, RAG – laufen auf deepseek-flash beziehungsweise deepseek-v4.1-flash. Mehrstufige Schlussfolgerungen und Code-Aufgaben mit langem Kontext eher auf deepseek-v4-pro. Das wirkt sich stärker auf das Ergebnis aus als das Feilen an Parametern.

Praktisch und ohne Änderung der Geschäftslogik: unveränderliche Inhalte wie System-Prompts oder lange Referenzdokumente an den Anfang des Prompts stellen, damit wiederholte Aufrufe den Kontext-Cache treffen. Wie viel davon tatsächlich getroffen wurde, steht in usage.prompt_cache_hit_tokens. Und man sollte usage ohnehin lesen, nicht nur den Antworttext – eine kurze Antwort mit HTTP 200 sagt nichts über langes Kontextfenster, Tool-Aufrufe oder Streaming aus.

thinking ist standardmäßig aktiv. Im Python-SDK gehört es nicht als Top-Level-Argument in den Aufruf, sondern in extra_body, etwa als {"thinking": {"type": "disabled"}}; bei einem direkten HTTP-Request steht es auf oberster Ebene im Body. Für einfache Fragen lohnt sich das Abschalten, weil sonst eine Menge Ausgabe-Tokens für Überlegungen entstehen, die niemand lesen will.

Zur Einordnung: Wenn nur DeepSeek genutzt wird und die feinsten Anbieter-Parameter sowie rohe Verbrauchsdetails gebraucht werden, ist der direkte Weg der kürzere. Sobald mehrere Anbieter im Projekt sind, werden Schlüssel, Verbrauch, Rate-Limits und Retry-Logik zu einem gemeinsamen Problem – dann ist ein einheitlicher Einstiegspunkt die einfachere Lösung. Das ist keine Qualitätsaussage über einen der beiden Wege, sondern eine Frage der Anzahl der Modelle im Projekt.

Eine Grenze sollte man ausdrücklich stehen lassen: Zur weiteren Behandlung von deepseek-v4-pro sind die offiziellen Seiten derzeit nicht einheitlich; eine nennt eine Umleitung auf V4.1 Flash ab September 2026, eine andere die Fortführung des Dienstes. „Aktuell im Verzeichnis gelistet“ ist deshalb die belastbare Aussage, „dauerhaft verfügbar“ wäre es nicht. Vor dem Produktivgang die Doku und GET /v1/models erneut prüfen.

Also: Warum wurde DeepSeek außerhalb Chinas so bekannt? Nicht wegen einer einzelnen Zahl. Drei Dinge fielen in denselben Monat – die Benchmarks von R1 auf o1-Niveau, MIT-Gewichte, die Nachbau für kleines Geld erlaubten, und der 27. Januar mit Platz 1 im US-App-Store und rund 600 Milliarden US-Dollar weniger NVIDIA-Börsenwert. Ein Modell wurde zum Ereignis, weil Technik, Überprüfbarkeit und ein öffentliches Narrativ gleichzeitig da waren.

Und die zweite Frage? Dass chinesische Modelle auf OpenRouter seit 27 Wochen in Folge mehr Token-Aufrufe haben als US-amerikanische, ist die nüchterne Antwort auf die Aufregung von damals: Das Ereignis ist zur Infrastruktur geworden, und was davon übrig ist, ist Konfiguration. Setz API_MODEL auf einen Namen, den du zuvor mit deinem eigenen Schlüssel geprüft hast, schick eine minimale Anfrage und sieh dir usage an. Schlägt sie fehl, prüfe in dieser Reihenfolge: Modell-ID, Base URL, Rechte des Schlüssels. Wenn diese eine Anfrage durchläuft, hast du beide Fragen aus der Überschrift nicht mehr als Meinung, sondern als laufende Konfiguration beantwortet.