US-KI-Modelle spiegeln DeepSeek wider: Schlechtere Leistung, höhere Kosten, doch zugeschnitten auf die US-Bestimmungen

Das erste Projekt von Mustafa Suleyman, dem ehemaligen Chief Technology Officer von OpenAI, hat die Entwicklung großer Sprachmodelle zwischen China und den Vereinigten Staaten unerwartet auf den Kopf gestellt. Am 15. Juli startete er das Thinking Machines Lab und stellte sein erstes Modell, Inkling, vor. Unter Nutzung einer Hybrid-Expert-Architektur, die von DeepSeek-V3 inspiriert ist, und unter Verwendung synthetischer Daten aus offenen Modellen wie Moonshots Kimi K2.5 für die Initialisierung des Post-Trainings sind die Ergebnisse differenziert. In mehreren Benchmarks liegt Inkling hinter Kimi und GLM zurück, bei Preisen, die deutlich höher sind. Trotz der Einwerbung von 2 Milliarden US-Dollar und einer Bewertung von 12 Milliarden US-Dollar verfehlte der Debütstart die Erwartungen, doch Suleyman hatte möglicherweise von Anfang an nicht die Spitzenklasse im Visier.

Ein Blick auf die Hardware zeigt, dass Inkling dem Prestige eines Top-Labs entspricht. Es verwendet eine Hybrid-Expert-Architektur mit insgesamt 975 Milliarden Parametern, wobei pro Token 41 Milliarden aktiviert werden. Das Pre-Training nutzte 45 Billionen Token über Text, Bilder, Audio und Video hinweg und unterstützt bis zu 1 Million Token Kontext. Das Modell verarbeitet Text, Bilder und Audio, gibt Text aus und ermöglicht eine einstellbare Intensität der Reasoning-Phase, um Leistung, Geschwindigkeit und Kosten in Einklang zu bringen. Da die Gewichte unter der großzügigen Apache-2.0-Lizenz veröffentlicht wurden, können Entwickler sie selbst bereitstellen oder über Thinking Machines’ Tinker-Plattform feinabstimmen. Die Strategie ist klar: Anstatt direkt an Verbraucher zu richten, dient Inkling als Grundlage für Unternehmens-KI-Anwendungen.

Der technische Bericht offenbart ein kritisches Detail in seiner Architektur. Thinking Machines gibt explizit an, dass Inklings Hybrid-Expert-Design DeepSeek-V3 folgt, mit zahlreichen Expert-Modulen, bei denen jedes Token nur eine Teilmenge aktiviert, sowie DeepSeek-V3s Lastenausgleich ohne Assistent-Verlust. Der chinesische Einfluss erstreckt sich auch auf das Training: Das Post-Training begann mit überwachter Feinabstimmung unter Verwendung synthetischer Daten aus Open-Weight-Modellen, wobei speziell Kimi K2.5 zitiert wird.

Ein klarer Fahrplan zeichnet sich ab: Ein von OpenAI’s ehemaligem CTO gegründetes amerikanisches Labor, dessen erstes Modell DeepSeek’s Architektur nachahmt, und dessen Post-Training auf Kimis Daten zurückgreift. Das Ausleihen von offenen Modellen ist an sich nicht problematisch, da DeepSeek und Kimi Gewichte und Nutzungsrechte öffentlich teilen und auf öffentlichen Errungenschaften aufbauen. Auffälliger ist jedoch, dass Inkling trotz der Übernahme chinesischer Modelltechnologien seine Vorgänger nicht übertrifft. Thinking Machines räumt offen ein: Inkling ist derzeit nicht das stärkste Modell, weder im Open-Source- noch im Closed-Source-Bereich.

Die Zahlen verdeutlichen die Diskrepanz. Bei reinen Textbewertungen in finalen menschlichen Prüfungen erzielte Inkling 29,7 %, während Kimi K2.6 und GLM 5.2 jeweils 35,9 % und 40,1 % erreichten. Mit aktivierten Tools stieg Inkling auf 46 %, lag jedoch immer noch hinter Kimi K2.6’s 54 % und GLM 5.2’s 54,7 % zurück. In SWE-Bench Pro, das echte Softwareentwicklungs Fähigkeiten testet, erzielte Inkling 54,3 %, im Vergleich zu Kimi K2.6’s 58,6 % und GLM 5.2’s 62,1 %. Die Lücke war im Terminal Bench 2.1 am ausgeprägtesten, wo Inkling 63,8 % erreichte, während Kimi K2.6 und GLM 5.2 jeweils 71,3 % und 82,7 % erreichten.

Inkling glänzt im Webanwendungsdesign, Audio-Verständnis und Sicherheitsbewertung und übertrifft Kimi und DeepSeek sogar in bestimmten Mathematik-Aufgaben. Dennoch hat es die Spitzenklasse für umfassendes Reasoning, Programmierung und Agenten-Fähigkeiten noch nicht erreicht. Die Preisgestaltung bietet keine Erleichterung: Auf der Tinker-Plattform berechnet die 64K-Version 1,87 US-Dollar pro Million Prefill-Token und 4,68 US-Dollar pro Million Sample-Token, bereits um fünf Tage reduziert. Die 256K-Version kostet jeweils 3,74 US-Dollar und 9,36 US-Dollar. Im Vergleich zu Kimi K2.6’s API-Raten von 0,95 US-Dollar für Eingabe und 4 US-Dollar für Ausgabe sowie GLM 5.2’s 1,4 US-Dollar und 4,4 US-Dollar ist Inklings Prefill-Preis fast doppelt so hoch wie der von Kimi K2.6, mit höheren Generierungskosten und keinem offensichtlichen Preisvorteil. Die Situation ist heikel: Die Architektur referenziert DeepSeek, das Post-Training stützt sich auf Kimi, die Leistung hinkt Chinas führenden Open-Modellen hinterher, und die Preise sind höher.

Das Interesse liegt in Thinking Machines’ einzigartiger Hintergrund. Das Unternehmen ähnelt einem OpenAI-Alumni-Netzwerk – vorgestellt im Februar 2025, bestand das Team von etwa 30 Personen zu zwei Dritteln aus OpenAI-Mitarbeitern, andere stammten von Meta und Mistral. Zu den Gründungsmitgliedern gehörten John Schulman, Barret Zoph, Lilian Weng, Andrew Tulloch und Luke Metz, wobei Reuters berichtete, dass Suleyman mindestens 20 Forscher von seinem ehemaligen Arbeitgeber rekrutierte.

Suleyman trat 2018 OpenAI bei, trug zu DALL-E, Codex, ChatGPT und Sora bei, wurde 2022 CTO und diente kurzzeitig als geschäftsführender CEO nach Altman’s Entlassung im November 2023. Diese Gruppe, die OpenAI’s Entwicklung und Produktvermarktung intim kennt, verließ das Unternehmen, um ein neues technisches System aufzubauen, was Außenstehende zu der Erwartung einer von OpenAI inspirierten Route führte. Stattdessen weist die primäre technische Quelle auf chinesische Modelle hin, was eine dramatische Verschiebung signalisiert: Diejenigen, die OpenAI am besten kannten, übernahmen schließlich den technischen Bauplan chinesischer Modelle.

Diese Schlussfolgerung erfordert sorgfältige Analyse. OpenAI’s jüngste Spitzemodelle sind Closed-Source, was externen Zugriff auf Gewichte, Architektur oder Trainingspläne verhindert. Selbst wenn Suleyman interne Technologien kannte, konnte er keine kommerziellen Geheimnisse von OpenAI an das neue Unternehmen übertragen. Im Gegenteil, DeepSeek und Kimi haben Gewichte und technische Berichte öffentlich veröffentlicht, was es erlaubt, ihre Architekturen, Trainingsmethoden und Toolchains legal zu erforschen und wiederzuverwenden.

Inkling ist ein Open-Weight-Modell, und für Unternehmen, die ein offenes Ökosystem aufbauen, ist die Übernahme reifer Lösungen aus offenen Modellen wie DeepSeek und Kimi eine logische ingenieurtechnische Wahl. Die Entwicklung eines Open-Modells bei Ignorierung öffentlich verfügbarer chinesischer Errungenschaften würde höhere Kosten für Versuch und Irrtum nach sich ziehen. Daher beweist die Inspiration durch chinesische Modelle nicht, dass Suleyman glaubt, DeepSeek übertreffe OpenAI. Die Unterschiede in Offenheit und Referenzbedingungen sind eindeutig, aber das Signal ist klar: Chinesische Modelle sind zu einer wichtigen Referenz für amerikanische KI-Teams im Open-Weight-Bereich geworden.

Die eigentliche Frage ist, warum Thinking Machines, mit bestehenden Architekturen und Trainingserfahrungen, ein Inkling mit schwächerer Leistung und höheren Preisen hervorbrachte. Suleyman verfügt über ein Top-Team, reichlich Mittel und die neuesten NVIDIA-Trainingsysteme. Es gibt keinen Grund, diese Lücken zu ignorieren, was darauf hindeutet, dass die teurere Alternative eine kalkulierte Entscheidung sein könnte.

Angesichts der Behandlung durch Thinking Machines sollte Inkling mehr als ein solides Modell sein. Im Juli 2025 schloss das Unternehmen eine Seed-Runde über 2 Milliarden US-Dollar ab, bevor es irgendein Produkt startete, und bewertete sich selbst auf 12 Milliarden US-Dollar, wobei Investoren a16z, NVIDIA, AMD und Sequoia waren. Vier Monate später zielten Verhandlungen auf eine Bewertung von bis zu 500 Milliarden US-Dollar, was das Unternehmen als potenziellen Konkurrenten zu OpenAI und Anthropic positionierte. Das Starten eines Produkts, das chinesische Modelle unterperformt und mehr kostet, entspricht nicht den Erwartungen. Doch aus Geschäftssicht hatte Suleyman möglicherweise nie vor, Benchmarks zu gewinnen.

Das Unternehmen betont offene Gewichte, Multimodalität und Anpassbarkeit und ermutigt Unternehmen, Tinker zu nutzen, um Inkling in spezialisierte Modelle für Kundenservice, Programmierung und Branchen-Agenten feinabzustimmen. Suleyman setzt auf einen Markt, der Benchmark-Ranglisten nicht priorisiert. Unternehmen kümmern sich mehr um private Bereitstellung, Datenkontrolle und kontinuierliches Training entsprechend ihren Geschäftsanforderungen. Ein Großteil dieser Nachfrage wird von chinesischen Open-Modellen gedeckt: OpenAI und Anthropic bleiben Closed-Source, und nach Meta’s Llama4, das unter den Erwartungen blieb, reduzierte es seine Open-Source-Bemühungen. Inzwischen veröffentlichen DeepSeek, Kimi, Qwen und GLM kontinuierlich Gewichte, wobei die Leistung chinesischer Modelle in der Nähe amerikanischer Closed-Source-Modelle liegt, jedoch zu viel niedrigeren Preisen.

US-Unternehmen haben schnell reagiert – laut OpenRouter-Daten, die CNBC bereitgestellt wurden, lag der wöchentliche Anteil chinesischer Modelle an Token, die von US-Unternehmen über die Plattform aufgerufen wurden, seit Februar 2026 bei über 30 %, erreichte 46 %, im Vergleich zu einem Durchschnitt von 4,5 % in der ersten Hälfte von 2025. Cursor testete mehrere Basismodelle für Composer2 und entschied sich schließlich für Kimi K2.5 aufgrund seiner starken Bewertung. Bridgewater Fund feinstimmte Alibaba’s Qwen über Tinker ab und erzielte bessere Ergebnisse als einige Top-Closed-Source-Modelle. Chinesische Open-Modelle sind zu einem kostensparenden Shortcut für US-Unternehmen geworden, aber dieser Weg steht nun unter Druck.

Gleichzeitig verschärft sich das US-Regulierungsumfeld gegenüber chinesischen KI-Modellen. Relevante Abteilungen haben vor Datensicherheit, Modellquellen und Lieferkettenrisiken gewarnt, wobei einige Unternehmen, die chinesische Modelle nutzen, Untersuchungen ausgesetzt sind. Selbst ohne einheitliche Einschränkungen beeinträchtigt die politische Unsicherheit die Unternehmensentscheidungen, insbesondere für solche, die Regierungsgeschäfte und sensible Daten bearbeiten.

Dies schafft einen Marktraum für Inkling: Ein Open-Weight-Modell eines amerikanischen Unternehmens, das die Apache-2.0-Lizenz verwendet, private Bereitstellung und Anpassung unterstützt. US-Unternehmen wählen es, ohne sich Sorgen über politische Kontroversen durch die Nutzung chinesischer Modelle machen zu müssen, was es einfacher macht, Compliance-Prüfungen von Regierungsclients und großen Unternehmen zu bestehen. Inklings echter Wert liegt in dieser Compliance-Sicherheit – Suleyman hat öffentliche Errungenschaften von DeepSeek und Kimi in ein Modell umgewandelt, das von einem amerikanischen Unternehmen bereitgestellt wird. Es muss chinesische Modelle in Benchmarks nicht besiegen, sondern nur eine akzeptable Wahl für US-Unternehmen sein, die zögern, chinesische Modelle weiterhin zu nutzen. Dies erklärt seine höheren Preise: Die Politik hat den Wettbewerbsrahmen eingegrenzt, wodurch Leistungs- und Preisunterschiede weniger kritisch sind. Für einige US-Unternehmen ist ein etwas schwächeres und teureres Modell ausreichend.