Ein Lineal, achtzehn Markierungen, und keine davon gehört dir.
Am Vormittag des 18. Oktober schickte jemand das gerade erst gestartete neue Modell von DeepSeek durch ein Tool namens ModelTrace. Das Ergebnis: eine Ähnlichkeit von 84,66 mit GPT-6 Astra. Innerhalb eines halben Tages schoss diese Zahl auf Platz sieben der Zhihu-Trendingliste. Derselbe Beitrag erreichte auf der Startseite von Hacker News 744 Punkte.
Die erste Schlussfolgerung in den Kommentaren bestand aus vier Zeichen: „Distillation bewiesen“.
Zwei Tage zuvor hatte das Unternehmen noch eine fünfstündige Störung mit Rückerstattungen wiedergutgemacht: Das Guthaben wurde vollständig anhand des Verbrauchs der letzten sieben Tage erstattet. Das Vertrauen war ein wenig zurückgewonnen. Für ganze zwei Tage. Dann ging die Rechnung mit dem neuen Modell, kaum einen Tag nach dem Start, wieder von vorn los.
Ich habe mir die Dokumentation des Tools angesehen. Die Referenzdatenbank enthält insgesamt achtzehn Kandidatenmodelle, alle aus den beiden Modellfamilien GPT und Claude. Keine einzige Version von DeepSeek ist dabei. In der Dokumentation steht außerdem ein noch folgenreicherer Hinweis: Nicht erfasste Modelle bekommen trotzdem das Label eines bereits vorhandenen Kandidaten. Das Ergebnis taugt also überhaupt nicht dazu, die Identität eines Modells festzustellen.
Achtzehn Felder, und in keinem steht dein Name. Wenn du dort hineingehst, muss das Tool dich dem nächsten Verwandten zuordnen. Genau so funktioniert es.
Jemand hat es tatsächlich ausprobiert. Mit reinem Python Zufallszahlen erzeugt, eingespeist – und als dem GPT-5.5 am ähnlichsten eingestuft. Haben Zufallszahlen etwa auch eine Abstammung?
Andere verließen sich auf ihr Gefühl und sagten, der Schreibstil des neuen Modells beim Programmieren sei genau wie der von Astra. Aber ein Gefühl ist kein Beweis.
Schauen wir uns auch an, wie die Stichproben erhoben wurden. Die GPT-Beispiele stammen aus einem Codex-Abo, die Claude-Beispiele von einem Drittanbieter. Wenn man Stichproben aus zwei unterschiedlich erhobenen Quellen als Maßstab nimmt, zeigt die gemessene Distanz nur, welches Modell innerhalb dieser Liste näher liegt. Wie weit es von den Modellen außerhalb der Liste entfernt ist, darauf sollte das Tool von Anfang an gar keine Antwort geben.
Gegenläufige Belege gibt es allerdings auch. Im Praxistest lieferte das neue Modell 244 tok/s, bei einzelnen Anfragen fast 300. Welche gehostete Astra-Version hat jemals eine solche Geschwindigkeit erreicht? Die Gewichte liegen außerdem auf Hugging Face, unter MIT-Lizenz. Jeder kann sie herunterladen und selbst ausführen.
Wer schon einmal einen API-Proxy genutzt hat, dürfte diese Situation kennen. Du zahlst für A und bekommst B, und auf der Rechnung ist nichts Auffälliges zu sehen. Gehostete Dienste, außerbörsliche Angebote, Quant-Schnittstellen – überall dasselbe Problem. Wo immer die Dinge außerhalb des eigenen Kontobuchs liegen, hängt die Überprüfung davon ab, ob die Gegenseite mitspielt. Sie sagt, was es ist, und du musst es glauben. Die Möglichkeit, es selbst nachzuprüfen, hast du schlicht nicht. Und wenn etwas schiefgeht, bleibt auf Nachfrage meist nur: „Wir haben es überprüft.“ Nur wenige übernehmen die Verantwortung.
Was sich auf der Blockchain selbst nachweisen lässt, ist eigentlich ganz simpel: eine Signatur, eine Blockhöhe. Wer signiert hat und wann – das lässt sich nicht nachträglich ändern. Aber auch dieses Verfahren hat seine blinden Flecken. Nur wenige überprüfen tatsächlich alles selbst; die meisten verlassen sich auf die Ergebnisse, die andere bereits geprüft haben. Selbst nachzusehen kostet Zeit und Mühe. Genau das ist das Problem.
Je länger ich darüber nachdenke, desto klarer wird mir: Was man aus dieser Kontroverse vor allem mitnehmen sollte, ist die Skala dieses Lineals. Das Tool kann Ähnlichkeit messen, aber keine Abstammung. Das sind zwei verschiedene Dinge. Wer Ähnlichkeit mit Abstammung gleichsetzt, muss sich den Vorwurf selbst gefallen lassen – nicht das Tool.
Bis zum frühen Abend hat DeepSeek noch nicht reagiert. Auch die Trainingsdaten wurden nie im Einzelnen offengelegt. Wie die Ursache-Wirkungs-Kette zwischen diesen beiden Dingen tatsächlich verläuft, kann niemand mit Sicherheit sagen.
Die Punktzahl ist echt. Die Benchmark-Werte sind gestiegen, und der Preis pro Einzelaufgabe wurde von 3,3 auf 1,3 gesenkt – für beides gibt es offizielle Grafiken und Tabellen. Die Abstammung ist eine andere Frage. Sie lässt sich nicht messen. Wir müssen warten, bis die Infrastruktur für unabhängige Nachtests entsteht; im Moment gibt es sie noch nicht.
$TAO $FET $BTC
#DeepSeek #AI模型 #开源 #Krypto
Am Vormittag des 18. Oktober schickte jemand das gerade erst gestartete neue Modell von DeepSeek durch ein Tool namens ModelTrace. Das Ergebnis: eine Ähnlichkeit von 84,66 mit GPT-6 Astra. Innerhalb eines halben Tages schoss diese Zahl auf Platz sieben der Zhihu-Trendingliste. Derselbe Beitrag erreichte auf der Startseite von Hacker News 744 Punkte.
Die erste Schlussfolgerung in den Kommentaren bestand aus vier Zeichen: „Distillation bewiesen“.
Zwei Tage zuvor hatte das Unternehmen noch eine fünfstündige Störung mit Rückerstattungen wiedergutgemacht: Das Guthaben wurde vollständig anhand des Verbrauchs der letzten sieben Tage erstattet. Das Vertrauen war ein wenig zurückgewonnen. Für ganze zwei Tage. Dann ging die Rechnung mit dem neuen Modell, kaum einen Tag nach dem Start, wieder von vorn los.
Ich habe mir die Dokumentation des Tools angesehen. Die Referenzdatenbank enthält insgesamt achtzehn Kandidatenmodelle, alle aus den beiden Modellfamilien GPT und Claude. Keine einzige Version von DeepSeek ist dabei. In der Dokumentation steht außerdem ein noch folgenreicherer Hinweis: Nicht erfasste Modelle bekommen trotzdem das Label eines bereits vorhandenen Kandidaten. Das Ergebnis taugt also überhaupt nicht dazu, die Identität eines Modells festzustellen.
Achtzehn Felder, und in keinem steht dein Name. Wenn du dort hineingehst, muss das Tool dich dem nächsten Verwandten zuordnen. Genau so funktioniert es.
Jemand hat es tatsächlich ausprobiert. Mit reinem Python Zufallszahlen erzeugt, eingespeist – und als dem GPT-5.5 am ähnlichsten eingestuft. Haben Zufallszahlen etwa auch eine Abstammung?
Andere verließen sich auf ihr Gefühl und sagten, der Schreibstil des neuen Modells beim Programmieren sei genau wie der von Astra. Aber ein Gefühl ist kein Beweis.
Schauen wir uns auch an, wie die Stichproben erhoben wurden. Die GPT-Beispiele stammen aus einem Codex-Abo, die Claude-Beispiele von einem Drittanbieter. Wenn man Stichproben aus zwei unterschiedlich erhobenen Quellen als Maßstab nimmt, zeigt die gemessene Distanz nur, welches Modell innerhalb dieser Liste näher liegt. Wie weit es von den Modellen außerhalb der Liste entfernt ist, darauf sollte das Tool von Anfang an gar keine Antwort geben.
Gegenläufige Belege gibt es allerdings auch. Im Praxistest lieferte das neue Modell 244 tok/s, bei einzelnen Anfragen fast 300. Welche gehostete Astra-Version hat jemals eine solche Geschwindigkeit erreicht? Die Gewichte liegen außerdem auf Hugging Face, unter MIT-Lizenz. Jeder kann sie herunterladen und selbst ausführen.
Wer schon einmal einen API-Proxy genutzt hat, dürfte diese Situation kennen. Du zahlst für A und bekommst B, und auf der Rechnung ist nichts Auffälliges zu sehen. Gehostete Dienste, außerbörsliche Angebote, Quant-Schnittstellen – überall dasselbe Problem. Wo immer die Dinge außerhalb des eigenen Kontobuchs liegen, hängt die Überprüfung davon ab, ob die Gegenseite mitspielt. Sie sagt, was es ist, und du musst es glauben. Die Möglichkeit, es selbst nachzuprüfen, hast du schlicht nicht. Und wenn etwas schiefgeht, bleibt auf Nachfrage meist nur: „Wir haben es überprüft.“ Nur wenige übernehmen die Verantwortung.
Was sich auf der Blockchain selbst nachweisen lässt, ist eigentlich ganz simpel: eine Signatur, eine Blockhöhe. Wer signiert hat und wann – das lässt sich nicht nachträglich ändern. Aber auch dieses Verfahren hat seine blinden Flecken. Nur wenige überprüfen tatsächlich alles selbst; die meisten verlassen sich auf die Ergebnisse, die andere bereits geprüft haben. Selbst nachzusehen kostet Zeit und Mühe. Genau das ist das Problem.
Je länger ich darüber nachdenke, desto klarer wird mir: Was man aus dieser Kontroverse vor allem mitnehmen sollte, ist die Skala dieses Lineals. Das Tool kann Ähnlichkeit messen, aber keine Abstammung. Das sind zwei verschiedene Dinge. Wer Ähnlichkeit mit Abstammung gleichsetzt, muss sich den Vorwurf selbst gefallen lassen – nicht das Tool.
Bis zum frühen Abend hat DeepSeek noch nicht reagiert. Auch die Trainingsdaten wurden nie im Einzelnen offengelegt. Wie die Ursache-Wirkungs-Kette zwischen diesen beiden Dingen tatsächlich verläuft, kann niemand mit Sicherheit sagen.
Die Punktzahl ist echt. Die Benchmark-Werte sind gestiegen, und der Preis pro Einzelaufgabe wurde von 3,3 auf 1,3 gesenkt – für beides gibt es offizielle Grafiken und Tabellen. Die Abstammung ist eine andere Frage. Sie lässt sich nicht messen. Wir müssen warten, bis die Infrastruktur für unabhängige Nachtests entsteht; im Moment gibt es sie noch nicht.
$TAO $FET $BTC
#DeepSeek #AI模型 #开源 #Krypto