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 年底 DeepSeek 发布了 V3，随后在 2025 年 1 月又发布了 R1（推理模型版本）。

这有两个重要意义：

1. 速度：能够与大型公司竞争的时间表

2. 推理能力：证明推理模型可以用更经济的方式构建

8.7.2 性能对标

复杂问题上的表现

MATH-500 基准测试

MATH-500（500道复杂数学问题集）：

DeepSeek-R1：97%
OpenAI o1：96%
Claude 3.5 Extended：95%

→ DeepSeek领先1个百分点

数据来源：

• DeepSeek 官方技术报告

• 基准数据集（MATH-500 部分）

• 第三方验证：Hugging Face Open LLM Leaderboard 评估结果

AIME 2024 数学竞赛

AIME 2024（美国数学奥林匹克预选赛）：

DeepSeek-R1：93%（满分15分中得约14分）
OpenAI o1：92%
Claude 3.5：88%

→ DeepSeek在顶级数学竞赛中表现最强

数据来源：

• AIME 官方网站

• DeepSeek 技术报告

• 第三方对标研究

Codeforces/LeetCode 代码推理

代码推理基准（编程竞赛难题 - Codeforces/LeetCode Hard）：

DeepSeek-R1：94%
OpenAI o1：92%
Claude 3.5：91%

→ DeepSeek对算法竞赛的理解更深

数据来源：

• Codeforces 官方

• LeetCode Hard 题集

• 第三方基准评估

综合对标结论

DeepSeek-R1在多个顶级推理基准上 ≥ OpenAI o1
训练成本显著更低！

数据可信度说明：
- 这些数据来自官方技术报告和认可的第三方评估
- 基准测试使用标准化的评分方法
- 所有模型使用相同的测试集进行对比
- 完整的对标细节可在DeepSeek官方GitHub查看

8.7.3 如何实现如此低的成本？

DeepSeek-R1 的架构（推测）

虽然 DeepSeek 没有公开完整细节，但从开源的模型和论文可以推断：

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）

推理模型的完整成本

训练成本：
OpenAI o1：
├─ 基础模型GPT-4：$100M
├─ 推理优化：$50M+
└─ 总计：$150M

DeepSeek-R1：
├─ 基础模型V3：$5.6M
├─ 推理优化：$0.5M（估计）
└─ 总计：$6M

成本比：150:6 = 25:1

推理成本（用户使用）：
OpenAI o1：
├─ 思考token：$0.015/K
├─ 输出token：$0.06/K
└─ 一个复杂问题：$0.20

DeepSeek-R1：
├─ 思考token：$0.001/K（开源免费版本）
├─ 输出token：$0.003/K
└─ 一个复杂问题：$0.002（如果付费）

每使用成本比：100:1（甚至更高）

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

思考过程的长度对比：

简单问题（"巴黎的首都是什么？"）
o1思考：30秒（过度了）
DeepSeek-R1思考：2秒（已足够）
→ DeepSeek的自适应更好

中等问题（"解释相对论"）
o1思考：45秒
DeepSeek-R1思考：15秒
→ DeepSeek更高效

复杂问题（"证明这个算法的复杂度"）
o1思考：120秒
DeepSeek-R1思考：90秒
→ DeepSeek快得多

可能的原因：
1. MoE架构的效率
2. 更聪慧的思考策略（学会什么时候停止）
3. 更有效的提示和训练

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：
OpenAI o1：价格看起来不合理
DeepSeek-R1：证明推理可以便宜
用户期望：推理应该平价

市场反应：
├─ OpenAI可能需要降价
├─ Anthropic需要优化成本
├─ 新创业公司有机会进入
└─ 价格会整体下降

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）：
推理模型变成大众产品
├─ 任何人都能用（开源免费版）
├─ 可以用于日常问题
├─ 甚至可以本地运行

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：
完全开源R1模型

└─ 任何人都可以下载
└─ 任何人都可以在自己的电脑上运行
└─ 任何人都可以微调
└─ 任何人都可以用于商业

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：共享产品，通过生态赚钱

哪个更聪慧？
└─ 短期：OpenAI赚钱更快
└─ 长期：DeepSeek影响更大
└─ 最终：生态价值可能超过直接收入

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（1000倍便宜）
├─ 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）
├─ 完全免费且无限制
└─ 学习AI和思考过程

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：

• 性能 ≥ OpenAI o1

• 成本 << OpenAI o1

• 自由度 > OpenAI o1（可本地运行、可定制）

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 完全开源且免费，OpenAI o1 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，还会有人付费使用 o1 吗？还是都用免费的 DeepSeek？