深度探索-R1
1. 简介
我们介绍了第一代推理模型，深度探索-R1-Zero 和深度探索-R1。深度探索-R1-Zero 是一种通过大规模强化学习（RL）训练而来的模型，无需经过有监督微调（SFT）作为预处理步骤，在推理方面表现出惊人的性能。通过 RL，深度探索-R1-Zero 自然地呈现出许多强大而有趣的推理行为。
然而，深度探索-R1-Zero 遇到了无限重复、可读性差和语言混合等问题。为了解决这些问题并进一步提高推理性能，我们介绍了深度探索-R1，它在 RL 之前引入了冷启动数据。深度探索-R1 在数学、代码和推理任务方面的表现与 OpenAI-o1 相当。为了支持研究界，我们公开了深度探索-R1-Zero、深度探索-R1 以及六个基于 Llama 和 Qwen 的深度探索-R1 蒸馏模型。深度探索-R1-Distill-Qwen-32B 在各种基准测试中都超过了 OpenAI-o1-mini，在密集模型方面取得了新的最先进的成果。
注意：在本地运行深度探索-R1 系列模型之前，我们建议您查看使用建议部分。
2. 模型概述
后处理：基础模型上的大规模强化学习
-
我们直接将强化学习 (RL) 应用于基础模型，无需将有监督微调 (SFT) 作为预处理步骤。这种方法允许模型探索解决复杂问题的链式思维 (CoT)，从而产生了深度探索-R1-Zero。深度探索-R1-Zero 展示了自我验证、反思和生成长 CoT 等能力，这对研究界来说是一个重要的里程碑。值得注意的是，它是第一个验证 LLM 的推理能力可以通过纯 RL 激励，而无需 SFT 来进行验证的公开研究。这一突破为该领域的未来进展铺平了道路。
-
我们介绍了开发深度探索-R1 的管道。该管道包含两个旨在发现改进的推理模式并与人类偏好保持一致的 RL 阶段，以及两个充当模型推理和非推理能力种子的 SFT 阶段。我们相信该管道将通过创建更好的模型来造福行业。
蒸馏：较小的模型也可以很强大
-
我们证明了较大的模型的推理模式可以蒸馏到较小的模型中，与通过小模型上的 RL 发现的推理模式相比，性能更好。开源深度探索-R1 及其 API 将有利于研究界在未来蒸馏出更好的小型模型。
-
使用深度探索-R1 生成的推理数据，我们微调了几个在研究界广泛使用的密集模型。评估结果表明，蒸馏的小型密集模型在基准测试中表现出色。我们向社区开放了基于 Qwen2.5 和 Llama3 系列的 1.5B、7B、8B、14B、32B 和 70B 检查点。
3. 模型下载
深度探索-R1 模型
| 模型 | 总参数量 | 激活参数量 | 上下文长度 | 下载 |
|---|---|---|---|---|
| 深度探索-R1-Zero | 671B | 37B | 128K | 🤗 HuggingFace |
| 深度探索-R1 | 671B | 37B | 128K | 🤗 HuggingFace |
深度探索-R1-Zero & 深度探索-R1 基于深度探索-V3-Base 训练。有关模型架构的更多详细信息，请参阅 深度探索-V3 存储库。
深度探索-R1-Distill 模型
| 模型 | 基础模型 | 下载 |
|---|---|---|
| 深度探索-R1-Distill-Qwen-1.5B | Qwen2.5-Math-1.5B | 🤗 HuggingFace |
| 深度探索-R1-Distill-Qwen-7B | Qwen2.5-Math-7B | 🤗 HuggingFace |
| 深度探索-R1-Distill-Llama-8B | Llama-3.1-8B | 🤗 HuggingFace |
| 深度探索-R1-Distill-Qwen-14B | Qwen2.5-14B | 🤗 HuggingFace |
| 深度探索-R1-Distill-Qwen-32B | Qwen2.5-32B | 🤗 HuggingFace |
| 深度探索-R1-Distill-Llama-70B | Llama-3.3-70B-Instruct | 🤗 HuggingFace |
深度探索-R1-Distill 模型基于开源模型微调的，使用深度探索-R1 生成的样本。我们稍微更改了它们的配置和分词器。请使用我们的设置来运行这些模型。
4. 评估结果
DeepSeek-R1 评估
对于所有模型，最大生成长度均设置为 32,768 个标记。对于需要采样的基准测试，我们使用温度为 0.6、top-p 值为 0.95，并为每个查询生成 64 个响应以估计 pass@1。
| 类别 | 基准测试（指标） | Claude-3.5-Sonnet-1022 | GPT-4o 0513 | DeepSeek V3 | OpenAI o1-mini | OpenAI o1-1217 | DeepSeek R1 |
|---|---|---|---|---|---|---|---|
| 架构 | - | - | MoE | - | - | MoE | |
| 激活参数数量 | - | - | 37B | - | - | 37B | |
| 总参数数量 | - | - | 671B | - | - | 671B | |
| 英文 | MMLU (Pass@1) | 88.3 | 87.2 | 88.5 | 85.2 | 91.8 | 90.8 |
| MMLU-Redux (EM) | 88.9 | 88.0 | 89.1 | 86.7 | - | 92.9 | |
| MMLU-Pro (EM) | 78.0 | 72.6 | 75.9 | 80.3 | - | 84.0 | |
| DROP (3-shot F1) | 88.3 | 83.7 | 91.6 | 83.9 | 90.2 | 92.2 | |
| IF-Eval (Prompt Strict) | 86.5 | 84.3 | 86.1 | 84.8 | - | 83.3 | |
| GPQA-Diamond (Pass@1) | 65.0 | 49.9 | 59.1 | 60.0 | 75.7 | 71.5 | |
| SimpleQA (Correct) | 28.4 | 38.2 | 24.9 | 7.0 | 47.0 | 30.1 | |
| FRAMES (Acc.) | 72.5 | 80.5 | 73.3 | 76.9 | - | 82.5 | |
| AlpacaEval2.0 (LC-winrate) | 52.0 | 51.1 | 70.0 | 57.8 | - | 87.6 | |
| ArenaHard (GPT-4-1106) | 85.2 | 80.4 | 85.5 | 92.0 | - | 92.3 | |
| 代码 | LiveCodeBench (Pass@1-COT) | 33.8 | 34.2 | - | 53.8 | 63.4 | 65.9 |
| Codeforces (Percentile) | 20.3 | 23.6 | 58.7 | 93.4 | 96.6 | 96.3 | |
| Codeforces (Rating) | 717 | 759 | 1134 | 1820 | 2061 | 2029 | |
| SWE Verified (Resolved) | 50.8 | 38.8 | 42.0 | 41.6 | 48.9 | 49.2 | |
| Aider-Polyglot (Acc.) | 45.3 | 16.0 | 49.6 | 32.9 | 61.7 | 53.3 | |
| 数学 | AIME 2024 (Pass@1) | 16.0 | 9.3 | 39.2 | 63.6 | 79.2 | 79.8 |
| MATH-500 (Pass@1) | 78.3 | 74.6 | 90.2 | 90.0 | 96.4 | 97.3 | |
| CNMO 2024 (Pass@1) | 13.1 | 10.8 | 43.2 | 67.6 | - | 78.8 | |
| 中文 | CLUEWSC (EM) | 85.4 | 87.9 | 90.9 | 89.9 | - | 92.8 |
| C-Eval (EM) | 76.7 | 76.0 | 86.5 | 68.9 | - | 91.8 | |
| C-SimpleQA (Correct) | 55.4 | 58.7 | 68.0 | 40.3 | - | 63.7 |
蒸馏模型评估
| 模型 | AIME 2024 pass@1 | AIME 2024 cons@64 | MATH-500 pass@1 | GPQA Diamond pass@1 | LiveCodeBench pass@1 | CodeForces rating |
|---|---|---|---|---|---|---|
| GPT-4o-0513 | 9.3 | 13.4 | 74.6 | 49.9 | 32.9 | 759 |
| Claude-3.5-Sonnet-1022 | 16.0 | 26.7 | 78.3 | 65.0 | 38.9 | 717 |
| o1-mini | 63.6 | 80.0 | 90.0 | 60.0 | 53.8 | 1820 |
| QwQ-32B-Preview | 44.0 | 60.0 | 90.6 | 54.5 | 41.9 | 1316 |
| DeepSeek-R1-Distill-Qwen-1.5B | 28.9 | 52.7 | 83.9 | 33.8 | 16.9 | 954 |
| DeepSeek-R1-Distill-Qwen-7B | 55.5 | 83.3 | 92.8 | 49.1 | 37.6 | 1189 |
| DeepSeek-R1-Distill-Qwen-14B | 69.7 | 80.0 | 93.9 | 59.1 | 53.1 | 1481 |
| DeepSeek-R1-Distill-Qwen-32B | 72.6 | 83.3 | 94.3 | 62.1 | 57.2 | 1691 |
| DeepSeek-R1-Distill-Llama-8B | 50.4 | 80.0 | 89.1 | 49.0 | 39.6 | 1205 |
| DeepSeek-R1-Distill-Llama-70B | 70.0 | 86.7 | 94.5 | 65.2 | 57.5 | 1633 |
5. 聊天网站和 API 平台
您可以在 DeepSeek 的官方网站上与 DeepSeek-R1 聊天：chat.deepseek.com，并点击“DeepThink”按钮。
我们还在 DeepSeek 平台提供与 OpenAI 兼容的 API：platform.deepseek.com
6. 如何在本地运行
DeepSeek-R1 模型
有关在本地运行 DeepSeek-R1 的更多信息，请访问 DeepSeek-V3 存储库。
注意：Hugging Face 的 Transformers 目前尚未得到直接支持。
DeepSeek-R1-Distill 模型
DeepSeek-R1-Distill 模型可以与 Qwen 或 Llama 模型相同的方式使用。
例如，您可以使用 vLLM 轻松启动服务：
vllm serve deepseek-ai/DeepSeek-R1-Distill-Qwen-32B --tensor-parallel-size 2 --max-model-len 32768 --enforce-eager您还可以使用 SGLang 轻松启动服务。
python3 -m sglang.launch_server --model deepseek-ai/DeepSeek-R1-Distill-Qwen-32B --trust-remote-code --tp 2使用建议
我们建议在使用 DeepSeek-R1 系列模型（包括基准测试）时，遵循以下配置，以实现预期性能：
- 将温度设置在 0.5-0.7 的范围内（建议为 0.6），以防止无限重复或不连贯的输出。
- 避免添加系统提示；所有指令都应包含在用户提示中。
- 对于数学问题，建议在提示中包含一个指令，例如："请逐步推理，并将最终答案放在 \boxed{} 内。"
- 在评估模型性能时，建议进行多次测试并对结果取平均值。
此外，我们注意到 DeepSeek-R1 系列模型在响应某些查询时倾向于绕过思维模式（即输出 "\