Kurz gesagt: Deep Cogito v2 ist eine Familie offener Reasoning-Modelle (Open Weights) des US-Startups Deep Cogito. Die ersten vier Modelle (70B, 109B, 405B und 671B) erschienen am 31. Juli 2025 als Vorschau. Das Flaggschiff Cogito v2.1 671B folgte am 19. November 2025. Jedes Modell kann direkt antworten oder zuerst nachdenken, bevor es antwortet. Die Idee dahinter: Die Modelle sollen mit weniger Reasoning-Tokens zu guten Antworten kommen und sind dadurch günstiger im Betrieb. Sie können die Modelle kostenlos im Web-Chat testen, über mehrere APIs aufrufen oder die Gewichte von Hugging Face herunterladen.
Deep Cogito v2 auf einen Blick
Merkmal | v2 Preview | v2.1 |
|---|---|---|
Veröffentlicht | 31. Juli 2025 | 19. November 2025 |
Größen | 70B dense, 109B MoE, 405B dense, 671B MoE | nur 671B MoE |
Basismodelle | Llama 3 70B, Llama 4 Scout, Llama 3 405B und ein DeepSeek-Modell | Fork einer DeepSeek-Basis vom November 2024 |
Modi | Direkt antworten oder zuerst nachdenken | Identisch |
Kontextlänge | Von Cogito nicht angegeben | 128K, laut Ollama |
Lizenz | Llama-basierte Modelle folgen den Llama-Bedingungen von Meta; Modellkarte jeweils prüfen | MIT, laut Ollama |
Gewichte | Hugging Face | Hugging Face |
Ausprobieren | chat.deepcogito.com (kostenlos), APIs, lokal | Identisch |
Was ist Deep Cogito v2?
Deep Cogito ist ein KI-Unternehmen mit Sitz in den USA. Die v2-Serie besteht aus „hybriden Reasoning-Modellen“. Jedes Modell funktioniert als normales Chat-Modell oder kann eine Weile nachdenken, bevor es antwortet. Auch andere Reasoning-Modelle nutzen diese Zweiteilung.
Besonders ist das Training. Die meisten Reasoning-Modelle werden besser, indem sie zur Antwortzeit länger nachdenken. Cogito verfolgt den entgegengesetzten Ansatz: Dem Modell wird beigebracht, welche Gedankengänge erfahrungsgemäß funktionieren, sodass später weniger Denkaufwand nötig ist. Wenn Sie Optionen vergleichen, zeigt unser Leitfaden zu den besten KI-Reasoning-Modellen 2026, wo offene Modelle wie dieses einzuordnen sind. Unser DeepSeek-V4-Leitfaden behandelt die neuere Modellreihe von DeepSeek, auf der die 671B-Modelle von Cogito in einer früheren Form aufbauen.
Wie trainiert Cogito seine Modelle?
Cogito beschreibt zwei Ideen:
Iterated Distillation and Amplification (IDA): Das Modell denkt ein Problem durch, das System behält die erfolgreichen Denkpfade, und diese werden zurück in die Gewichte des Modells trainiert. Wiederholt man diese Schleife, entwickelt das Modell eine Art „Intuition“, wo es zuerst suchen sollte. Eine ausführlichere Erklärung finden Sie in unserem Beitrag über Deep Cogito und IDA-gestützte offene LLMs.
Prozessüberwachung (Process Supervision): Für v2.1 gibt Cogito an, dass die Modelle mit Feedback auf die Denkschritte selbst trainiert werden, nicht nur auf die Endantwort (Beitrag zu Cogito v2.1). Einfach gesagt: Gutes Denken wird belohnt, nicht nur korrekte Antworten.
Außerdem berichtet das Unternehmen, für das Training aller acht Cogito-Modelle (v1 und v2 Preview, 3B bis 671B) weniger als 3,5 Millionen US-Dollar ausgegeben zu haben, einschließlich Datengenerierung und mehr als tausend Experimenten (Beitrag zu Cogito v2 Preview).
Cogito-v2-Modelle und Größen
Modell | Größe | Basiert auf | Am besten geeignet für |
|---|---|---|---|
Cogito v2 70B | Dense | Llama 3 70B | Kleinste Option; am einfachsten zu hosten |
Cogito v2 109B | MoE | Llama 4 Scout | Reasoning der mittleren Klasse bei geringerem Rechenaufwand |
Cogito v2 405B | Dense | Llama 3 405B | Großes Dense-Modell |
Cogito v2 671B | MoE | DeepSeek (Unsloth nennt R1) | Flaggschiff der Vorschau |
Cogito v2.1 671B | MoE | Fork einer DeepSeek-Basis | Flaggschiff |
Die Angaben zu den Basismodellen stammen aus dem Leitfaden von Unsloth. Auf Hugging Face ist das 109B-Modell das einzige, das für Bild- und Texteingaben gekennzeichnet ist.
Cogito v2.1: Was sich geändert hat
Cogito v2.1 ist ein einzelnes 671B-Mixture-of-Experts-Modell. Deep Cogito bezeichnet es als das beste Open-Weight-LLM eines US-Unternehmens – das ist die eigene Einschätzung des Unternehmens. Laut Hersteller verbessert das Modell das Befolgen von Anweisungen, das Programmieren, den Umgang mit langen Anfragen, mehrstufige Dialoge und die Kreativität.
Der Hauptverkaufspunkt ist die Token-Effizienz. The Decoder berichtete über eine Grafik, nach der Cogito v2.1 pro Benchmark-Aufgabe die wenigsten Tokens benötigt – durchschnittlich 4.894 gegenüber 9.178 bei Gemini 2.5 Pro. Derselbe Artikel vermutet, dass die Basis DeepSeek R1-Lite ist; das ist jedoch Spekulation von The Decoder und wird von Cogito nicht bestätigt. Die hauseigenen Benchmark-Grafiken des Unternehmens nennen keine exakten Werte im Text, prüfen Sie die Grafiken daher selbst.
Cogito-v2-Benchmarks und Token-Effizienz
Für die Vorab-Version gibt Deep Cogito an, dass das 671B-MoE-Modell:
DeepSeek R1 und V3 in den eigenen Tests erreicht oder übertrifft und im Reasoning-Modus mit dem späteren R1 0528 gleichzieht;
DeepSeek V3 im Nicht-Reasoning-Modus übertrifft;
etwa 60 % kürzere Denkketten verwendet als DeepSeek R1 0528.
Das Unternehmen sagt außerdem, dass das Modell hinter den besten geschlossenen Modellen wie OpenAI o3 und Claude 4 Opus nur knapp zurückliegt. Cogito selbst weist darauf hin, dass die Benchmarks möglicherweise nicht die internen Evaluierungen oder die neuesten geschlossenen Modelle widerspiegeln. Testen Sie daher eigene Prompts, bevor Sie diesen Zahlen vertrauen. Für einen Vergleich mit geschlossenen Modellen lesen Sie unseren Claude-Opus-5-Test.
Kann Cogito Bilder verarbeiten?
Die Modelle wurden mit Text trainiert. Deep Cogito zeigte jedoch, wie sie bei aktiviertem Denkmodus Fotos einer Ente und eines Löwen miteinander verglichen. Das Unternehmen führt dies auf einen Transfer aus dem multimodalen Basismodell zurück und gibt an, die Modelle nicht anhand visueller Benchmarks getestet zu haben. Wenn Sie Bildverarbeitung benötigen, sollten Sie sich vorerst nicht darauf verlassen.
So betreiben Sie Cogito v2
Kostenloser Web-Chat
Am schnellsten probieren Sie es unter chat.deepcogito.com aus. Deep Cogito gibt an, dass im Chat keine Unterhaltungen gespeichert werden.
APIs
Cogito v2.1 ist über OpenRouter, Fireworks AI, Together AI, die Cloud von Ollama, Baseten und RunPod verfügbar (Beitrag zu Cogito v2.1). Bei Together AI liegt der Preis zum Zeitpunkt der Erstellung bei 1,25 US-Dollar pro Million Input-Tokens und 1,25 US-Dollar pro Million Output-Tokens. Die Preise unterscheiden sich je nach Anbieter, prüfen Sie daher die Seite des Anbieters, bevor Sie sich festlegen.
Lokal
Sie können Cogito mit Ollama (ollama run cogito-2.1, erfordert Ollama 0.13.0 oder neuer) oder mit den GGUF-Builds von Unsloth ausführen. Unsloth empfiehlt, dass RAM und VRAM zusammen nahe an der Größe der heruntergeladenen Datei liegen. Mit weniger Speicher läuft das Modell weiterhin, aber langsamer.
Modell | Empfohlene Quantisierung | Download-Größe |
|---|---|---|
70B dense | UD-Q4_K_XL | 44 GB |
109B MoE | UD-Q3_K_XL | 50 GB |
405B dense | UD-Q2_K_XL | 152 GB |
671B MoE | UD-Q2_K_XL | 251 GB |
Für das 671B-Modell gibt es außerdem einen 1,78-Bit-Build mit etwa 168 GB. In voller Präzision benötigt es Rechenzentrums-Hardware: laut den Hardware-Hinweisen von llmrun etwa 8 B200-GPUs oder 16 H200 für BF16. Für die meisten Anwender ist das 70B- oder 109B-Modell die realistische lokale Wahl.
Möchten Sie ein selbst gehostetes Modell in ein echtes Produkt oder einen Workflow integrieren? Unser KI-Beratungsteam unterstützt Sie bei der Modellauswahl und der Planung der Infrastruktur.
So aktivieren Sie den Denkmodus
Setzen Sie im Chat-Template enable_thinking=True, damit das Modell vor der Antwort nachdenkt, wie im Beitrag zu Cogito v2 Preview gezeigt. Lassen Sie die Option für schnelle, direkte Antworten deaktiviert. Die genaue Syntax kann je nach Tool abweichen, prüfen Sie daher die Modellkarte für Ihr Setup.
Cogito v2 im Vergleich zu DeepSeek R1 und geschlossenen Modellen
Merkmal | Cogito v2.1 671B | DeepSeek R1 | Geschlossene Modelle (o3, Claude Opus) |
|---|---|---|---|
Gewichte | Open Weights | Open Weights | Nicht verfügbar |
Ausgangspunkt | Fork einer DeepSeek-Basis | Original | Original |
Reasoning-Stil | Hybrid, auf weniger Tokens trainiert | Lange Denkketten | Unterschiedlich; meist am stärksten |
Betrieb | Selbst hosten oder per API | Selbst hosten oder per API | Nur über die API des Anbieters |
Lizenz | MIT, laut Ollama-Eintrag | MIT | Proprietär |
Für wen eignet sich Cogito?
Nutzen Sie es, wenn Sie ein Open-Weight-Reasoning-Modell wollen, auf geringere Reasoning-Token-Kosten achten oder selbst hosten bzw. feinabstimmen möchten.
Verzichten Sie darauf, wenn Sie das stärkstmögliche Reasoning bei schwierigen Problemen benötigen (geschlossene Modelle liegen weiterhin vorn), zuverlässige Bildverarbeitung brauchen oder eine klar angegebene Lizenz für jede Modellgröße verlangen.
Einschränkungen
Die meisten Benchmark-Zahlen stammen vom Unternehmen selbst und werden als Grafiken dargestellt.
Die 671B-Modelle benötigen leistungsstarke Hardware, um gut zu laufen.
Die eigenen Seiten von Cogito nennen keine Lizenz. Die MIT-Lizenz für v2.1 stammt aus dem Eintrag von Ollama, und die Llama-basierten Vorschau-Modelle unterliegen den Lizenzbedingungen von Meta.
Die Bildverarbeitung wurde nicht getestet.
v2.1 gibt es nur mit 671B, daher existiert keine kleine v2.1-Variante.
Fazit
Deep CWette ist einfach: das Modell darauf trainieren, klüger statt länger zu denken. Aktuell lohnt sich vor allem ein Blickogito v2 ist eine ernstzunehmende Open-Weight-Option, wenn Ihnen die Kosten des Reasonings wichtig sind. Die auf v2.1 671B. Die Aussagen stammen allerdings größtenteils vom Unternehmen selbst – testen Sie das Modell daher zuerst an Ihren eigenen Aufgaben.
Beginnen Sie mit dem kostenlosen Chat und wechseln Sie dann zu einer API oder einem quantisierten lokalen Build, sobald das Modell seinen Platz in Ihrem Stack verdient hat. Mehr zu offenen Modellen und Reasoning finden Sie in unseren Beiträgen zu den besten KI-Reasoning-Modellen 2026 und zu DeepSeek V4 – oder sprechen Sie direkt mit unserem KI-Beratungsteam.
FAQs
Was ist Deep Cogito v2? Es ist eine Familie hybrider Open-Weight-Reasoning-Modelle von Deep Cogito. Die Vorschau erschien im Juli 2025 in vier Größen, v2.1 671B folgte im November 2025.
Ist Deep Cogito v2 Open Weight oder Open Source? Es ist Open Weight. Die Gewichte sind öffentlich auf Hugging Face verfügbar, Trainingsdaten und Code sind jedoch nicht offen. Ollama führt v2.1 unter der MIT-Lizenz auf. Die Llama-basierten Vorschau-Modelle unterliegen den Lizenzbedingungen von Meta, prüfen Sie daher die Seite des jeweiligen Modells.
Was ist Cogito v2.1? Cogito v2.1 ist das Update vom November 2025: ein einzelnes 671B-Mixture-of-Experts-Modell, das laut Deep Cogito weniger Reasoning-Tokens verbraucht als vergleichbare Modelle.
Wie kann ich Cogito kostenlos testen? Nutzen Sie den Web-Chat unter chat.deepcogito.com. Kleinere Modelle können Sie außerdem lokal mit Ollama oder Unsloth ausführen.
Kann ich Cogito lokal betreiben? Ja, mit quantisierten Builds. Das 70B-Modell benötigt etwa 44 GB, das 671B-Modell mindestens etwa 168 GB.
Was ist IDA bei Cogito? Iterated Distillation and Amplification: Die besten Denkpfade des Modells werden zurück in seine Gewichte trainiert, sodass es zur Antwortzeit weniger nachdenken muss.
Ist Cogito besser als DeepSeek R1? Deep Cogito gibt an, R1 mit kürzeren Denkketten zu erreichen oder zu übertreffen. Das sind die eigenen Tests des Unternehmens, probieren Sie daher beide an Ihren eigenen Aufgaben aus.
Unterstützt Cogito Bilder? Nicht von der Konzeption her. Die Modelle zeigen gewisse Fähigkeiten beim Bild-Reasoning, diese wurden aber nicht anhand visueller Benchmarks getestet.
Quellen
Deep Cogito: Cogito v2.1
Deep Cogito: Cogito v2 Preview
Hugging Face: Cogito v2 Preview Collection
Unsloth: Cogito v2.1, lokal ausführen
llmrun: Hardware-Anforderungen für Cogito 671B