DeepSeek-R1-0528 ya está disponible.
- Rendimiento de benchmark mejorado
- Capacidades de frontend mejoradas
- Reducción de alucinaciones
- Admite salida JSON y llamadas a funciones
1. Introducción.
El modelo DeepSeek R1 ha sido sometido a una pequeña actualización de versión, siendo la versión actual DeepSeek-R1-0528. En esta última actualización, DeepSeek R1 ha mejorado significativamente su profundidad de razonamiento e inferencia al aprovechar mayores recursos computacionales e introducir mecanismos de optimización algorítmica durante el post-entrenamiento. El modelo ha demostrado un rendimiento excepcional en diversas evaluaciones de referencia, incluyendo matemáticas, programación y lógica general. Su rendimiento general se acerca al de modelos líderes, como O3 y Gemini 2.5 Pro.
En comparación con la versión anterior, el modelo actualizado muestra mejoras significativas en el manejo de tareas de razonamiento complejas. Por ejemplo, en la prueba AIME 2025, la precisión del modelo aumentó del 70% en la versión anterior al 87,5% en la versión actual. Este avance se debe a una mayor profundidad de pensamiento durante el proceso de razonamiento: en la prueba AIME, el modelo anterior utilizaba un promedio de 12.000 tokens por pregunta, mientras que la nueva versión promedia 23.000 tokens por pregunta.
Además de sus capacidades de razonamiento mejoradas, esta versión también ofrece una tasa de alucinaciones reducida, soporte mejorado para llamadas de funciones y una mejor experiencia para la codificación de vibraciones.
2. Resultados de la evaluación.
Búsqueda profunda-R1-0528.
Para todos nuestros modelos, la longitud máxima de generación se establece en 64.000 tokens. Para los benchmarks que requieren muestreo, utilizamos una temperatura de 0,6 $, un valor p superior de 0,95 $ y generamos 16 respuestas por consulta para estimar la frecuencia de paso a 1.
Nota: Utilizamos el marco Agentless para evaluar el rendimiento del modelo en SWE-Verified. Solo evaluamos indicaciones de solo texto en conjuntos de pruebas HLE. GPT-4.1 se utiliza para representar el rol de usuario en la evaluación Tau-bench.
Búsqueda profunda-R1-0528-Qwen3-8B.
Mientras tanto, destilamos la cadena de pensamiento de DeepSeek-R1-0528 a la base Qwen3 8B posterior al entrenamiento, obteniendo DeepSeek-R1-0528-Qwen3-8B. Este modelo alcanza un rendimiento de vanguardia (SOTA) entre los modelos de código abierto en el AIME 2024, superando a Qwen3 8B en un +10,0% e igualando el rendimiento de la lógica Qwen3-235B. Creemos que la cadena de pensamiento de DeepSeek-R1-0528 será crucial tanto para la investigación académica sobre modelos de razonamiento como para el desarrollo industrial centrado en modelos a pequeña escala.
3. Sitio web de chat y plataforma API.
Puedes chatear con DeepSeek-R1 en el sitio web oficial de DeepSeek: chat.deepseek.com y activar el botón «DeepThink».
También ofrecemos una API compatible con OpenAI en la plataforma DeepSeek: platform.deepseek.com.
4. Cómo ejecutar localmente.
Visite el repositorio DeepSeek-R1 para obtener más información sobre cómo ejecutar DeepSeek-R1-0528 localmente.
En comparación con versiones anteriores de DeepSeek-R1, las recomendaciones de uso de DeepSeek-R1-0528 tienen los siguientes cambios:
- Ahora se admite el aviso del sistema.
- No es necesario agregar «<think>\n» al comienzo de la salida para forzar al modelo a pensar en un patrón.
La arquitectura del modelo DeepSeek-R1-0528-Qwen3-8B es idéntica a la de Qwen3-8B, pero comparte la misma configuración del tokenizador. Este modelo se ejecuta de la misma manera que Qwen3-8B.
Indicador del sistema.
En la aplicación/web oficial de DeepSeek, utilizamos el mismo mensaje del sistema con una fecha específica.
该助手为DeepSeek-R1，由深度求索公司创造。
今天是{current date}。
Por ejemplo,
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。
Temperatura.
En nuestros entornos web y de aplicaciones, el parámetro de temperatura $T_{model}$ se establece en 0,6.
Avisos para cargar archivos y buscar en la web.
Para cargar archivos, siga la plantilla para crear indicaciones, donde {file_name}, {file_content} y {question} son argumentos.
Para la búsqueda web, {search_results}, {cur_date} y {question} son argumentos. Para la consulta en chino, usamos el siguiente comando:
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[webpage X begin]…[webpage X end]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[citation:X]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[citation:3][citation:5]，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[citation:3][citation:5]，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}»’
Para la consulta en inglés, utilizamos el mensaje:
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 [webpage X begin]…[webpage X end], 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 [citation:X] in the corresponding part of your answer. If a sentence is derived from multiple contexts, list all relevant citation numbers, such as [citation:3][citation:5]. 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 [citation:3][citation:5], 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}»’
5. Licencia.
Este repositorio de código está licenciado bajo la Licencia MIT . El uso de los modelos DeepSeek-R1 también está sujeto a la Licencia MIT . La serie DeepSeek-R1 (incluyendo Base y Chat) admite el uso comercial y la destilación.
6. Citación.
@misc{deepseekai2025deepseekr1incentivizingreasoningcapability,
title={DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning},
author={DeepSeek-AI},
year={2025},
eprint={2501.12948},
archivePrefix={arXiv},
primaryClass={cs.CL},
url={https://arxiv.org/abs/2501.12948},
}
7. Contacto.
Si tiene alguna pregunta, plantee un problema o contáctenos en service@deepseek.com .
