> For the complete documentation index, see [llms.txt](https://yeasy.gitbook.io/ai_beginner_guide/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://yeasy.gitbook.io/ai_beginner_guide/di-er-bu-fen-he-xin-ji-shu-jie-xi/08_new_architectures/8.7_deepseek_r1.md). # 8.7 DeepSeek-R1：推理模型的黑马 > 用远低于 o1 的训练成本达到相当的推理能力 ## 8.7.1 DeepSeek-R1 的出现 2024 年 12 月 DeepSeek 发布了 V3，随后在 2025 年 1 月 20 日又发布了 R1（推理模型版本）。 这有两个重要意义： 1. **速度**：从无到有推出与顶级模型竞争的产品的时间表 2. **推理能力**：证明推理模型可以用相对经济的方式构建 ## 8.7.2 性能对标 ### 复杂问题上的表现 ### 数学与代码推理基准 ``` 更稳妥的结论应该这样理解： - 在 DeepSeek 官方技术报告列出的数学、代码和综合推理基准中，R1 确实进入了第一梯队 - 它在若干推理任务上可以与 OpenAI o 系列等强模型正面竞争 - 但不同厂商公布的分数常受提示词、采样设置、评测版本和披露口径影响 因此，不建议把跨厂商对比写成“固定领先几个百分点”的硬结论。 ``` **建议来源：** * [DeepSeek 官方技术报告](https://github.com/deepseek-ai/DeepSeek-R1) * 相关基准测试的官方说明与评测仓库 ## 综合对标结论 ``` 综合来看，DeepSeek-R1 的真正意义不在于“永远稳压所有对手”， 而在于它证明了： 1. 开源/开放权重路线也能做出第一梯队推理模型 2. 高质量推理能力不一定只能靠最高成本路线获得 3. 推理模型的价格与部署门槛可以继续下降 ``` ## 8.7.3 如何实现如此低的成本？ ## DeepSeek-R1 的架构 DeepSeek 公开了完整的技术报告，训练流程如下（与 7.2.4 一致）： ``` 推断的R1架构： 基础模型：DeepSeek V3 ├─ 已经有MLA + MoE的效率优势 ├─ 已经有很强的基础能力 └─ 这是推理模型的基础 推理训练： ├─ 方法1：强化学习微调 │ └─ 类似OpenAI o1的方法 │ └─ 但基于V3的高效基础 │ └─ 成本更低 │ ├─ 方法2：思维链蒸馏 │ └─ 从大型模型学习思维过程 │ └─ 然后压缩到小型模型 │ └─ DeepSeek可能用的方向 │ └─ 方法3：混合方法 └─ 两种方法结合 └─ 最可能 核心优势： 从已经高效的V3出发 └─ 基础计算成本已经很低 └─ 推理训练的成本也会很低 └─ 总成本是底部的百分比 ``` ## 成本对比（详细版） ``` 成本问题要拆成两层看： 1. 训练成本 - DeepSeek-V3 论文披露过一次代表性训练运行的成本量级 - 但这并不等于“R1 全部研发总成本” - OpenAI 并未公开 o1 的完整训练账单，因此两者不能做精确的一比一财务对账 2. 使用成本 - 托管 API 通常按输入/输出 token 计费 - 开源权重自部署则会转化为显卡、运维、电力和延迟成本 - 所谓“每道复杂问题固定多少钱”只适合做粗略示意，不适合写成精确结论 ``` ## 8.7.4 DeepSeek-R1 的思考过程 ## 显示思考 vs 隐藏思考 ``` OpenAI o1的方法： 思考过程 → 隐藏在内部 用户看不到 直接给出答案 DeepSeek-R1的方法： 思考过程 → 可以选择显示或隐藏 用户可以看到"思路"（如果想要） 或只看最终答案（如果想快速） 这是一个用户体验的优势： 透明性 > 神秘性 用户可以理解AI是如何思考的 ``` ## 思考效率 ``` 更稳妥的说法是： - 推理模型的延迟高度依赖问题难度、上下文长度、服务负载和产品设置 - 公开材料通常不会给出“同一道题固定思考多少秒”的稳定结论 - DeepSeek-R1 的优势更适合描述为“在成本与性能之间取得了很强平衡”， 而不是写成某类问题永远比 o1 快多少秒 ``` ## 8.7.5 对整个推理模型市场的影响 ## 改变价格预期 ``` 推理模型在o1之前： 不存在（没有商用推理模型） 推理模型在o1之后： OpenAI o1：很贵（token成本很高） 用户期望：推理模型就是要贵 推理模型在DeepSeek-R1之后： DeepSeek-R1：证明强推理模型可以用更低成本路线构建和开放 用户期望：推理能力不应只属于少数高价闭源产品 市场反应： ├─ 闭源厂商面临价格和开放生态压力 ├─ 创业公司有机会基于开源权重做垂直产品 ├─ 企业会更认真比较 API、私有化和本地部署 └─ 价格趋势仍取决于供应商策略、硬件成本和需求规模 ``` ## 推理模型的民主化 ``` 之前（o1时代）： 推理模型是高端产品 ├─ 只有有钱的用户能用 ├─ 主要用于高价值的任务 └─ 大众无法访问 之后（DeepSeek-R1时代）： 推理模型更接近大众可用 ├─ 权重开放后，开发者可以下载和研究 ├─ 可以用于日常问题 ├─ 在硬件足够时可以本地运行 └─ 在线服务和 API 仍会受服务条款、速率、地区和价格限制 影响： └─ 推理能力变成"基础设施"而不是"奢侈品" ``` ## 8.7.6 开源 vs 闭源的策略 ## DeepSeek-R1 的开源策略 ``` DeepSeek 的做法： 开放了 R1 相关权重与若干 Distill 模型 └─ 任何人都可以下载 └─ 可以在满足硬件条件时本地运行 └─ 可以继续做微调和二次开发 └─ 商业使用需遵循对应许可证与合规要求 为什么这样做？ 表面理由： ├─ 相信开源的力量 ├─ 推动AI民主化 └─ 获得社区支持 战略理由： ├─ 无法靠闭源竞争 │ （已经有o1了） ├─ 开源是更好的差异化 │ （成本低、可本地运行、可定制） ├─ 围绕开源建立生态 │ （而不是API调用） └─ 长期价值 > 短期API收入 对比OpenAI的闭源策略： OpenAI：保护产品，通过API赚钱 DeepSeek：开放权重，推动生态和部署选择 哪个更聪慧？ └─ 闭源路线更容易直接变现 └─ 开源路线更容易扩大采用和二次创新 └─ 谁更成功，取决于产品体验、生态、合规和成本结构 ``` ## 8.7.7 DeepSeek-R1 对不同用户的意义 ## 对于开发者 ``` 之前： ├─ 想用推理模型 → 必须用OpenAI的o1 ├─ 成本很高 └─ 无法定制 之后： ├─ 可以下载DeepSeek-R1开源版本 ├─ 在自己的服务器上运行 ├─ 成本只是计算资源（自部署后边际成本主要是显卡和电力） ├─ 可以完全定制 └─ 无需依赖OpenAI ``` ## 对于创业公司 ``` 之前的困境： ├─ 想提供"推理AI服务" → 成本太高 ├─ 无法大规模推理用户 └─ 商业模式不可行 之后的机会： ├─ 可以用DeepSeek-R1作为基础 ├─ 成本可控 ├─ 可以提供专业化的服务 └─ 商业模式可行 例子： 编程助手 → 可以用DeepSeek-R1进行深入代码分析 学习平台 → 可以提供个性化的推理帮助 企业用户 → 可以自部署进行机密推理 ``` ## 对于学生和个人 ``` 之前： ├─ 想用推理能力 → 必须付钱给OpenAI ├─ 每个问题花几毛钱 └─ 只能用API 之后： ├─ 可以免费下载DeepSeek-R1 ├─ 在自己的电脑上运行（如果有GPU） ├─ 本地运行没有 API 单次调用费，但有硬件、电力、部署和维护成本 ├─ 在线服务通常仍有速率、可用性、隐私和条款限制 └─ 可用于学习开源推理模型的工作方式 ``` ## 8.7.8 本节小结 DeepSeek-R1 证明了： * 推理模型可以以经济的方式构建 * 不需要数十亿的融资来竞争 * 开源可以是比闭源更强的策略 在推理模型领域： * 在数学、代码和推理等部分公开基准上进入第一梯队 * 成本路线明显更有压力测试价值 * 自由度更高（可本地运行、可研究、可定制），但不等于所有任务都优于闭源模型 这可能改变推理模型的整个市场格局。 ## 8.7.9 与其他章节的联系 📖 **延伸阅读**： * 想了解推理模型的工作原理？请参阅《第 7.2 推理模型的工作原理》 * 想了解 DeepSeek 使用的 MLA 和 MoE 架构？请参阅《第 8.6 技术创新：MLA 和 MoE》 * 想比较不同推理模型的性能？请参阅《第 7.4 主流推理模型深度对比》 * 对量子计算如何破解加密感兴趣？请参阅《第十六章 AI 硬件与量子计算入门》 ## 8.7.10 思考题 1. 如果 DeepSeek-R1 权重开放且本地运行成本持续下降，闭源推理模型如何保持竞争力？ 2. 推理模型的开源对 AI 安全有什么影响？（好的和坏的） 3. 五年后，用户会如何在闭源 API、开源权重、本地部署和托管服务之间做选择？