DeepSeek-R1发布：AI模型的新突破与挑战

最近，AI领域迎来了一个重要事件——DeepSeek-R1模型发布并开源。这一举措在AI社区引发了广泛关注，下面从技术层面客观分析它的特性和性能。

开源许可与模型蒸馏

DeepSeek-R1采用MIT License，这种开源许可方式非常宽松。它允许开发者自由使用、修改和分发模型，商业用途也不受限制，无需额外申请。这极大地降低了技术门槛，促进了开源社区的创新活力。

同时，产品协议明确支持“模型蒸馏”。模型蒸馏是一种将大模型的知识转移到小模型的技术，能在不损失太多性能的前提下，提升小模型效率。DeepSeek-R1支持模型蒸馏，有助于开发者训练出更高效、更具针对性的小模型，推动AI技术在不同场景的应用。

对标OpenAI o1正式版

DeepSeek-R1在性能上对标OpenAI o1正式版，其成功的关键在于后训练阶段大规模运用强化学习技术。即使在标注数据极少的情况下，该技术也显著提升了模型的推理能力。

从实际测试数据来看，在数学、代码、自然语言推理等任务中，DeepSeek-R1表现出色。以AIME 2024（数学竞赛）的Pass@1指标为例，DeepSeek-R1达到96.6%，OpenAI o1正式版为96.3%；MATH-500测试里，DeepSeek-R1的Pass@1成绩是94.3% ，OpenAI o1正式版同样为94.3%。这些数据表明，DeepSeek-R1在复杂任务处理上，与行业领先的OpenAI o1正式版处于同一水平。

蒸馏小模型

基于DeepSeek-R1，团队蒸馏出6个小模型并开源。其中32B和70B的小模型在多项能力上对标OpenAI o1-mini。如DeepSeek-R1-Distill-Qwen-32B在AIME 2024竞赛题测试中Pass@1达到72.6% ，超过OpenAI o1-mini的63.6%；在MATH-500测试里，前者Pass@1成绩为94.3%，OpenAI o1-mini是90.0%。

不过，小模型也有局限。虽然在部分任务表现优异，但面对复杂场景和大规模数据时，相比大模型可能存在性能差距。例如在处理长篇文本的复杂语义理解和生成任务时，小模型的上下文理解和逻辑连贯性可能不如大模型。

应用与API

DeepSeek-R1在应用方面十分便捷，用户登录官网或官方App，开启“深度思考”模式，就能调用它处理各种推理任务，像代码编写、内容创作等场景都能适用。其API也对外开放，通过设置 model='deepseek-reasoner' 即可调用。

但在API定价上，输入tokens缓存命中时每百万1元，未命中每百万4元，输出tokens每百万16元。对于需要大规模使用的企业和开发者来说，成本是个不可忽视的因素。而且在高并发场景下，API的响应速度和稳定性还有优化空间。

DeepSeek-R1的发布为AI领域带来了新的技术思路和应用可能。它在开源许可、模型性能和小模型蒸馏方面取得了显著成果，但在小模型完善和API优化上仍有进步空间，值得开发者持续关注和探索。

原文始发于微信公众号（代码小铺）：DeepSeek-R1发布：AI模型的新突破与挑战