DeepSeek antwortet trotz starker Leistung oft in der falschen Sprache
Das Reasoning-Modell von DeepSeek löst schwierige Mathe-Aufgaben und generiert Code, wechselt aber gelegentlich unerwartet die Sprache. Nutzer bleiben dann auf Nachfragen und wartende Antworten sitzen.
Ein leistungsstarkes Reasoning-Modell. Ein unerwarteter Sprachwechsel. Und die teuersten drei Worte des Gesprächs: „Bitte versuche es noch einmal.“
DeepSeek kann anspruchsvolle Mathematik lösen, Code generieren und beeindruckendes Reasoning liefern.
Manchmal schickt es einem aber auch eine unerwartete Nebenaufgabe:
Um Missverständnisse zu vermeiden: Chinesisch ist nicht das Problem. Das Problem ist ein Assistent, der die gewünschte Sprache ignoriert. Dieselbe Kritik würde gelten, wenn das Modell unerwartet ins Englische, Französische oder Klingonische wechseln würde.
Und das ist keine bloß hypothetische Beschwerde. Nutzer haben berichtet, dass DeepSeek während englischer Gespräche auf Chinesisch antwortet, darunter Fälle, in denen das sichtbare Reasoning, die endgültige Antwort oder beides die Sprache wechseln.
Offenbar steht „folge dem Gespräch“ noch auf der Roadmap.
Die Berichte beschränken sich nicht auf eine einzige Quelle.
Es handelt sich um Nutzerberichte, nicht um einen kontrollierten Benchmark. Sie belegen, dass Menschen dieses Verhalten erlebt haben, nicht aber, wie häufig es bei allen Nutzern auftritt.
Ein intermittierender Fehler bleibt ein Fehler, wenn der eigene Workflow vom Ergebnis abhängt.
Das R1-Papier beschreibt Reinforcement-Learning-Methoden zur Entwicklung von Reasoning-Fähigkeiten sowie Ergebnisse zu mathematischen und Programmieraufgaben. Es diskutiert auch offen Sprachmischung als eine Einschränkung.
Das Papier beschreibt gemischtes englisch-chinesisches Reasoning in R1-Zero sowie einen Belohnungswert für Sprachkonsistenz, der während des R1-Trainings eingesetzt wurde, um das Problem zu reduzieren.
Mit anderen Worten: Hier erfindet nicht bloß ein Außenstehender eine Beschwerde. Sprachkonsistenz ist bereits ein anerkanntes Engineering-Thema.
Doch ein Problem zu erkennen und es zuverlässig zu verhindern, sind zwei unterschiedliche Meilensteine.
Und das R1-Papier erklärt für sich genommen nicht jeden Sprachwechselvorfall in späteren Produkten.
„Nutzer sagen, das Modell wechselt ständig die Sprache.“
„Nein. Um dem ersten Modell zu zeigen, welche Sprache das Gespräch führt.“
Wunderbar. Wir haben den zweisprachigen Supervisor-Agenten erfunden.
Oder, und bleiben Sie dabei mit mir, wir könnten Sprachkonsistenz als Produktanforderung behandeln statt als Prompting-Wettbewerb.
Nutzer: „Bitte antworte auf Englisch.“ Modell: „Selbstverständlich.“ Nutzer: „Warum verwendest du dann immer noch Chinesisch?“
Die Korrekturschleife existiert tatsächlich: Nutzer haben beschrieben, das System wiederholt gebeten zu haben, zum Englischen zurückzukehren.
Wenn eine Antwort in der falschen Sprache eintrifft, kann die Interaktion so aussehen:
Anfrage → Unbrauchbare Antwort → Sprachkorrektur → Neu generierte Antwort → Prüfung, ob es funktioniert hat. Wir sollten für diese Schleife weder eine Dollarsumme noch eine Energieschätzung erfinden. Die Berichte liefern nicht die Messwerte, die dafür nötig wären.
Mehr Ausgabe. Mehr Korrektur. Mehr Aufmerksamkeit, die darauf verwendet wird zu prüfen, ob das Werkzeug einer einfachen Anweisung gefolgt ist.
Eine Antwort mit tausend Tokens ist nicht automatisch produktiv, nur weil sie tausend Tokens enthält. Wenn der Nutzer sie neu generieren lassen muss, um sie zu verwenden, ist die Ausgabemenge ein irreführender Wertmaßstab.
Reuters berichtete, dass DeepSeek im Juni rund 7,4 Milliarden Dollar aufgenommen hat, gefolgt von Berichten über eine weitere große Finanzierungsrunde im Herbst.
Finanzmittel eliminieren keine Fehler auf magische Weise. Und nicht jeder Produktmangel sollte zum Argument werden, dass Forschung wertlos sei.
Doch enorme Investitionen machen eine berechtigte Frage schwerer entkräftbar:
Verbessern wir nützliche Intelligenz oder finanzieren wir nur noch beeindruckendere Ausgaben, die Nutzer überwachen müssen?
Ein Modell kann brillant darin sein, ein Problem zu lösen, und unzuverlässig darin, die Lösung zu übermitteln.
Man sollte bewerten, ob der Assistent die Aufgabe des Nutzers erfüllt, nicht nur, ob er irgendwo innerhalb einer wiederherstellbaren Interaktion eine starke Antwort erzeugen kann.
Sprachkonsistenz gehört in diese Bewertung.
Genauso wie Korrekturhäufigkeit, der Aufwand für Wiederholungsversuche und die Frage, ob die endgültige Ausgabe ohne ein zweites Modell, das sie aufräumt, brauchbar ist.
DeepSeek hat echte Stärken. Gerade deshalb verdienen die Schwachstellen ernsthafte Kritik.
Aber bevor man die nächsten tausend Tokens generiert, sollte man sicherstellen, dass der Nutzer die ersten hundert tatsächlich verwenden kann.
Automatisch übersetzt. Das Original auf Englisch ist unten aufklappbar.
Original (Englisch) anzeigen
A powerful reasoning model. An unexpected language switch. And the most expensive three words in the conversation: “Please try again.”
DeepSeek can tackle difficult math, generate code, and produce impressive reasoning.
Sometimes, it also gives you an unexpected side quest:
To be clear: Chinese is not the problem. An assistant ignoring the requested language is the problem. The same criticism would apply if it unexpectedly switched to English, French, or Klingon.
And this is not just a hypothetical complaint. Users have reported DeepSeek answering in Chinese during English conversations, including cases where the visible reasoning, the final answer, or both change language. github
Apparently, “follow the conversation” is still on the roadmap.
The reports are not limited to one place.
These are user reports, not a controlled benchmark. They establish that people have encountered the behavior—not how frequently it happens across all users.
An intermittent failure is still a failure when your workflow depends on the output.
The R1 paper describes reinforcement-learning methods for developing reasoning capabilities, alongside results on mathematical and programming tasks. It also openly discusses language mixing as a limitation. nature
The paper describes mixed English–Chinese reasoning in R1-Zero and a language-consistency reward used during R1 training to reduce the problem. nature
In other words, this is not merely an outsider inventing a complaint. Language consistency is already a recognized engineering concern.
But recognizing a problem and reliably preventing it are different milestones.
And the R1 paper does not, by itself, explain every language-switching incident in later products.
“Users say the model keeps switching languages.”
“No. To remind the first model which language the conversation is in.”
Excellent. We have invented the bilingual supervisor agent.
Or—and stay with me here—we could treat language consistency as a product requirement rather than a prompting competition.
User: “Please answer in English.” Model: “Of course.” User: “Then why are you still using Chinese?”
The corrective loop is not: users have described repeatedly asking the system to return to English. reddit
When an answer arrives in the wrong language, the interaction can become:
Request → Unusable response → Language correction → Regenerated response → Check whether it worked Enter fullscreen mode Exit fullscreen mode We should not invent a dollar figure or an energy estimate for that loop. The reports do not provide the measurements needed.
More output. More correction. More attention spent checking whether the tool followed a basic instruction.
A thousand-token answer is not productive merely because it contains a thousand tokens. If the user must regenerate it to use it, output volume has become a misleading proxy for value.
Reuters reported that DeepSeek raised roughly $7.4 billion in June, followed by reporting on another large fundraising round in the autumn. reuters
Funding does not magically eliminate bugs. Nor should every product defect become an argument that research is worthless.
But enormous investment makes a reasonable question harder to dismiss:
Are we improving useful intelligence—or just financing more impressive output that users must supervise?
A model can be brilliant at solving the problem and unreliable at delivering the solution.
Evaluate whether the assistant completes the user’s task—not just whether it can produce a strong answer somewhere inside a recoverable interaction.
Language consistency belongs in that evaluation.
So do correction frequency, retry burden, and whether the final output is usable without another model cleaning it up.
DeepSeek has real strengths. That is precisely why the rough edges deserve serious criticism.
But before generating another thousand tokens, make sure the user can actually use the first hundred. created by: https://almodarresieh.github.io/