新的DeepSeek-R1-0528模型已开源
<blockquote><p>数学，编程，逻辑比肩o3，幻觉下降50%，写作能力提升，工具调用能力提升。在各个主流平台已经都可以使用了，包括OpenRouter等。</p>
</blockquote>
<h1>简介</h1>
<p>DeepSeek R1 模型进行了小版本升级，当前版本号为 DeepSeek-R1-0528。本次更新中，DeepSeek R1 通过提升计算资源，并在训练后引入算法优化机制，显著提升了推理深度和推理能力。该模型在数学、编程、通用逻辑等多项基准测试中均展现出优异的性能，整体性能已接近 O3、Gemini 2.5 Pro 等领先模型。<br />
<img src="data/attachment/forum/202506/05/145654h2nnwhwjdc2l3jaq.png" alt="benchmark.png" title="benchmark.png" /></p>
<p>与上一版本相比，升级后的模型在处理复杂推理任务方面展现出显著提升。例如，在 AIME 2025 测试中，模型准确率从上一版本的 70% 提升至当前版本的 87.5%。这一提升源于推理过程中思维深度的提升：在 AIME 测试集上，上一版本模型平均每题使用 12K 个 token，而新版本平均每题使用 23K 个 token。</p>
<p>除了推理能力的提升之外，该版本还降低了幻觉率，增强了对函数调用的支持，并提供了更好的氛围编码体验。</p>
<h1>评估结果</h1>
<p>对于我们所有的模型，最大生成长度设置为 64K 个 token。对于需要采样的基准测试，我们使用温度 0.6、top-p 值 0.95，并为每个查询生成 16 个响应来估算 pass@1。</p>
<table>
<thead>
<tr>
<th>类别</th>
<th>基准（公制）</th>
<th>DeepSeek R1</th>
<th>DeepSeek R1 0528</th>
</tr>
</thead>
<tbody>
<tr>
<td>General</td>
<td></td>
<td></td>
<td></td>
</tr>
<tr>
<td></td>
<td>MMLU-Redux (EM)</td>
<td>92.9</td>
<td>93.4</td>
</tr>
<tr>
<td></td>
<td>MMLU-Pro (EM)</td>
<td>84.0</td>
<td>85.0</td>
</tr>
<tr>
<td></td>
<td>GPQA-Diamond (Pass@1)</td>
<td>71.5</td>
<td>81.0</td>
</tr>
<tr>
<td></td>
<td>SimpleQA (Correct)</td>
<td>30.1</td>
<td>27.8</td>
</tr>
<tr>
<td></td>
<td>FRAMES (Acc.)</td>
<td>85.5</td>
<td>83.0</td>
</tr>
<tr>
<td></td>
<td>Humanity's Last Exam (Pass@1)</td>
<td>8.5</td>
<td>17.7</td>
</tr>
<tr>
<td>Code</td>
<td></td>
<td></td>
<td></td>
</tr>
<tr>
<td></td>
<td>LiveCodeBench (2408-2505) (Pass@1)</td>
<td>63.5</td>
<td>73.3</td>
</tr>
<tr>
<td></td>
<td>Codeforces-Div1 (Rating)</td>
<td>1530</td>
<td>1930</td>
</tr>
<tr>
<td></td>
<td>SWE Verified (Resolved)</td>
<td>49.2</td>
<td>57.6</td>
</tr>
<tr>
<td></td>
<td>Aider-Polyglot (Acc.)</td>
<td>53.3</td>
<td>71.6</td>
</tr>
<tr>
<td>Math</td>
<td></td>
<td></td>
<td></td>
</tr>
<tr>
<td></td>
<td>AIME 2024 (Pass@1)</td>
<td>79.8</td>
<td>91.4</td>
</tr>
<tr>
<td></td>
<td>AIME 2025 (Pass@1)</td>
<td>70.0</td>
<td>87.5</td>
</tr>
<tr>
<td></td>
<td>HMMT 2025 (Pass@1)</td>
<td>41.7</td>
<td>79.4</td>
</tr>
<tr>
<td></td>
<td>CNMO 2024 (Pass@1)</td>
<td>78.8</td>
<td>86.9</td>
</tr>
<tr>
<td>Tools</td>
<td></td>
<td></td>
<td></td>
</tr>
<tr>
<td></td>
<td>BFCL_v3_MultiTurn (Acc)</td>
<td>-</td>
<td>37.0</td>
</tr>
<tr>
<td></td>
<td>Tau-Bench (Pass@1)</td>
<td>-</td>
<td>53.5(Airline)/63.9(Retail)</td>
</tr>
</tbody>
</table>
<p>注：我们使用 Agentless 框架在 SWE-Verified 上评估模型性能。我们仅评估 HLE 测试集中的纯文本提示。GPT-4.1 用于在 Tau-bench 评估中扮演用户角色。</p>
<h5>DeepSeek-R1-0528-Qwen3-8B</h5>
<p>同时，我们将DeepSeek-R1-0528的思路提炼到训练后的Qwen3 8B Base模型中，得到了DeepSeek-R1-0528-Qwen3-8B。该模型在AIME 2024上取得了开源模型中的最佳性能（SOTA），超越Qwen3 8B +10.0%，并与Qwen3-235B-thinking的性能相当。我们相信，DeepSeek-R1-0528的思路对于推理模型的学术研究和专注于小规模模型的产业发展都具有重要意义。</p>
<table>
<thead>
<tr>
<th></th>
<th>AIME 24</th>
<th>AIME 25</th>
<th>HMMT Feb 25</th>
<th>GPQA Diamond</th>
<th>LiveCodeBench (2408-2505)</th>
</tr>
</thead>
<tbody>
<tr>
<td>Qwen3-235B-A22B</td>
<td>85.7</td>
<td>81.5</td>
<td>62.5</td>
<td>71.1</td>
<td>66.5</td>
</tr>
<tr>
<td>Qwen3-32B</td>
<td>81.4</td>
<td>72.9</td>
<td>-</td>
<td>68.4</td>
<td>-</td>
</tr>
<tr>
<td>Qwen3-8B</td>
<td>76.0</td>
<td>67.3</td>
<td>-</td>
<td>62.0</td>
<td>-</td>
</tr>
<tr>
<td>Phi-4-Reasoning-Plus-14B</td>
<td>81.3</td>
<td>78.0</td>
<td>53.6</td>
<td>69.3</td>
<td>-</td>
</tr>
<tr>
<td>Gemini-2.5-Flash-Thinking-0520</td>
<td>82.3</td>
<td>72.0</td>
<td>64.2</td>
<td>82.8</td>
<td>62.3</td>
</tr>
<tr>
<td>o3-mini (medium)</td>
<td>79.6</td>
<td>76.7</td>
<td>53.3</td>
<td>76.8</td>
<td>65.9</td>
</tr>
<tr>
<td>DeepSeek-R1-0528-Qwen3-8B</td>
<td>86.0</td>
<td>76.3</td>
<td>61.5</td>
<td>61.1</td>
<td>60.5</td>
</tr>
</tbody>
</table>
<h1>聊天网站和 API 平台</h1>
<p>可以在DeepSeek官方网站上与DeepSeek-R1聊天，并打开“DeepThink”按钮，我们还在 DeepSeek 平台上提供与 OpenAI 兼容的 API。</p>
<h1>如何在本地运行</h1>
<p>访问DeepSeek-R1存储库以获取有关在本地运行 DeepSeek-R1-0528 的更多信息。</p>
<p>相较于DeepSeek-R1之前的版本，DeepSeek-R1-0528的使用建议有以下变化：</p>
<ol>
<li>现在支持系统提示。</li>
<li>不需要在输出的开头添加“<think>\n”来强制模型进入思考模式。</li>
</ol>
<p>DeepSeek-R1-0528-Qwen3-8B 的模型架构与 Qwen3-8B 相同，但其分词器配置与 DeepSeek-R1-0528 相同。该模型的运行方式与 Qwen3-8B 相同。</p>
<h3>系统提示</h3>
<p>在官方 DeepSeek 网页/应用程序中，我们使用相同的系统提示，但带有特定的日期。</p>
<pre><code>该助手为DeepSeek-R1，由深度求索公司创造。
今天是{current date}。
</code></pre>
<p>例如</p>
<pre><code>该助手为DeepSeek-R1，由深度求索公司创造。
今天是2025年5月28日，星期一。
</code></pre>
<h1>温度</h1>
<p>在我们的网络和应用环境中，温度参数 $T_{model}$ 设置为 0.6。</p>
<h1>提示文件上传和网页搜索</h1>
<p>对于文件上传，请按照模板创建提示，其中 {file_name}、{file_content} 和 {question} 是参数。</p>
<pre><code>file_template = \
""": {file_name}
{file_content}
{question}"""
</code></pre>
<p>对于网页搜索，{search_results}、{cur_date} 和 {question} 是参数。</p>
<p>对于中文查询，我们使用以下提示：</p>
<pre><code>search_answer_zh_template = \
'''# 以下内容是基于用户发送的消息的搜索结果:
{search_results}
在我给你的搜索结果中，每个结果都是...格式的，X代表每篇文章的数字索引。请在适当的情况下在句子末尾引用上下文。请按照引用编号的格式在答案中对应部分引用上下文。如果一句话源自多个上下文，请列出所有相关的引用编号，例如，切记不要将引用集中在最后返回引用编号，而是在答案对应部分列出。
在回答时，请注意以下几点：
- 今天是{cur_date}。
- 并非搜索结果的所有内容都与用户的问题密切相关，你需要结合问题，对搜索结果进行甄别、筛选。
- 对于列举类的问题（如列举所有航班信息），尽量将答案控制在10个要点以内，并告诉用户可以查看搜索来源、获得完整信息。优先提供信息完整、最相关的列举项；如非必要，不要主动告诉用户搜索结果未提供的内容。
- 对于创作类的问题（如写论文），请务必在正文的段落中引用对应的参考编号，例如，不能只在文章末尾引用。你需要解读并概括用户的题目要求，选择合适的格式，充分利用搜索结果并抽取重要信息，生成符合用户要求、极具思想深度、富有创造力与专业性的答案。你的创作篇幅需要尽可能延长，对于每一个要点的论述要推测用户的意图，给出尽可能多角度的回答要点，且务必信息量大、论述详尽。
- 如果回答很长，请尽量结构化、分段落总结。如果需要分点作答，尽量控制在5个点以内，并合并相关的内容。
- 对于客观类的问答，如果问题的答案非常简短，可以适当补充一到两句相关信息，以丰富内容。
- 你需要根据用户要求和回答内容选择合适、美观的回答格式，确保可读性强。
- 你的回答应该综合多个相关网页来回答，不能重复引用一个网页。
- 除非用户要求，否则你回答的语言需要和用户提问的语言保持一致。
# 用户消息为：
{question}'''
</code></pre>
<p>对于英语查询，我们使用提示：</p>
<pre><code>search_answer_en_template = \
'''# The following contents are the search results related to the user's message:
{search_results}
In the search results I provide to you, each result is formatted as ..., where X represents the numerical index of each article. Please cite the context at the end of the relevant sentence when appropriate. Use the citation format in the corresponding part of your answer. If a sentence is derived from multiple contexts, list all relevant citation numbers, such as . Be sure not to cluster all citations at the end; instead, include them in the corresponding parts of the answer.
When responding, please keep the following points in mind:
- Today is {cur_date}.
- Not all content in the search results is closely related to the user's question. You need to evaluate and filter the search results based on the question.
- For listing-type questions (e.g., listing all flight information), try to limit the answer to 10 key points and inform the user that they can refer to the search sources for complete information. Prioritize providing the most complete and relevant items in the list. Avoid mentioning content not provided in the search results unless necessary.
- For creative tasks (e.g., writing an essay), ensure that references are cited within the body of the text, such as , rather than only at the end of the text. You need to interpret and summarize the user's requirements, choose an appropriate format, fully utilize the search results, extract key information, and generate an answer that is insightful, creative, and professional. Extend the length of your response as much as possible, addressing each point in detail and from multiple perspectives, ensuring the content is rich and thorough.
- If the response is lengthy, structure it well and summarize it in paragraphs. If a point-by-point format is needed, try to limit it to 5 points and merge related content.
- For objective Q&A, if the answer is very brief, you may add one or two related sentences to enrich the content.
- Choose an appropriate and visually appealing format for your response based on the user's requirements and the content of the answer, ensuring strong readability.
- Your answer should synthesize information from multiple relevant webpages and avoid repeatedly citing the same webpage.
- Unless the user requests otherwise, your response should be in the same language as the user's question.
# The user's message is:
{question}'''
</code></pre>
<p>文章转自：huggingface</p>
页:
[1]