LLM EU
Izvēlne

DeepSeek-R1

DeepSeek

Tikai katalogā Atvērti svari

Suverenitāte un mitināšana

Tikai katalogā

Šis modelis ir iekļauts katalogā uzziņai. Tas vēl nav mitināts LLM EU, un neviens pirmās puses galapunkts to šeit neapkalpo. Pieprasījumi tam tiek nosūtīti tieši nodrošinātājam saskaņā ar šī nodrošinātāja nosacījumiem.

Kopsavilkums

DeepSeek-R1 is the reasoning model that made open-weight chain-of-thought training widely reproducible; it has 671B total and 37B activated parameters and is published under the MIT licence. The model card documents a context length of 128K and reports 90.8 on MMLU, 84.0 on MMLU-Pro and 79.8 on AIME 2024 for R1. It is a text-only model and has been superseded for most tasks by DeepSeek-V3.2 and V4.

Specifikācijas

Nodrošinātājs
DeepSeek (CN)
Konteksta logs
131k
Parametri
684.49B
Modalitātes
text
Licence
mit · licence
Atvērti svari
yes
Izlaiduma datums
2025. g. 20. janv.
Uzdevumi
reasoning, coding, summarization

Valodas

Spēcīga: en, zh

Atbilstoša: de, fr, es, it, pt, ru, ja, ko

Valodas

Spēcīga

  • en
  • zh

Atbilstoša

  • de
  • fr
  • es
  • it
  • pt
  • ru
  • ja
  • ko

Nav verificēts: nodrošinātājs nav dokumentējis šo apgalvojumu. — a language is listed as strong only where a source claims it; the card links the evidence where one exists.

Kad to izmantot

Stiprās puses

  • MIT licence for a 671B-parameter reasoning model
  • published reasoning traces in the base training recipe
  • strong maths scores for a January 2025 release

Ierobežojumi

  • 671B parameters, so self-hosting is expensive
  • reasoning output is verbose and raises token cost
  • superseded by DeepSeek-V3.2 and V4-Flash for most workloads