8.7 DeepSeek-R1：推理模型的黑马

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 12 月 DeepSeek 发布了 V3，随后在 2025 年 1 月 20 日又发布了 R1（推理模型版本）。

这有两个重要意义：

1. 速度：从无到有推出与顶级模型竞争的产品的时间表
2. 推理能力：证明推理模型可以用相对经济的方式构建

8.7.2 性能对标

复杂问题上的表现

数学与代码推理基准

更稳妥的结论应该这样理解：

- 在 DeepSeek 官方技术报告列出的数学、代码和综合推理基准中，R1 确实进入了第一梯队
- 它在若干推理任务上可以与 OpenAI o 系列等强模型正面竞争
- 但不同厂商公布的分数常受提示词、采样设置、评测版本和披露口径影响

因此，不建议把跨厂商对比写成“固定领先几个百分点”的硬结论。

建议来源：

• DeepSeek 官方技术报告
• 相关基准测试的官方说明与评测仓库

综合对标结论

综合来看，DeepSeek-R1 的真正意义不在于“永远稳压所有对手”，
而在于它证明了：

1. 开源/开放权重路线也能做出第一梯队推理模型
2. 高质量推理能力不一定只能靠最高成本路线获得
3. 推理模型的价格与部署门槛可以继续下降

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）

成本问题要拆成两层看：

1. 训练成本
   - DeepSeek-V3 论文披露过一次代表性训练运行的成本量级
   - 但这并不等于“R1 全部研发总成本”
   - OpenAI 并未公开 o1 的完整训练账单，因此两者不能做精确的一比一财务对账

2. 使用成本
   - 托管 API 通常按输入/输出 token 计费
   - 开源权重自部署则会转化为显卡、运维、电力和延迟成本
   - 所谓“每道复杂问题固定多少钱”只适合做粗略示意，不适合写成精确结论

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

更稳妥的说法是：

- 推理模型的延迟高度依赖问题难度、上下文长度、服务负载和产品设置
- 公开材料通常不会给出“同一道题固定思考多少秒”的稳定结论
- DeepSeek-R1 的优势更适合描述为“在成本与性能之间取得了很强平衡”，
  而不是写成某类问题永远比 o1 快多少秒

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：
DeepSeek-R1：证明强推理模型可以用更低成本路线构建和开放
用户期望：推理能力不应只属于少数高价闭源产品

市场反应：
├─ 闭源厂商面临价格和开放生态压力
├─ 创业公司有机会基于开源权重做垂直产品
├─ 企业会更认真比较 API、私有化和本地部署
└─ 价格趋势仍取决于供应商策略、硬件成本和需求规模

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）：
推理模型更接近大众可用
├─ 权重开放后，开发者可以下载和研究
├─ 可以用于日常问题
├─ 在硬件足够时可以本地运行
└─ 在线服务和 API 仍会受服务条款、速率、地区和价格限制

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：
开放了 R1 相关权重与若干 Distill 模型

└─ 任何人都可以下载
└─ 可以在满足硬件条件时本地运行
└─ 可以继续做微调和二次开发
└─ 商业使用需遵循对应许可证与合规要求

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：开放权重，推动生态和部署选择

哪个更聪慧？
└─ 闭源路线更容易直接变现
└─ 开源路线更容易扩大采用和二次创新
└─ 谁更成功，取决于产品体验、生态、合规和成本结构

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（自部署后边际成本主要是显卡和电力）
├─ 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）
├─ 本地运行没有 API 单次调用费，但有硬件、电力、部署和维护成本
├─ 在线服务通常仍有速率、可用性、隐私和条款限制
└─ 可用于学习开源推理模型的工作方式

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：

• 在数学、代码和推理等部分公开基准上进入第一梯队
• 成本路线明显更有压力测试价值
• 自由度更高（可本地运行、可研究、可定制），但不等于所有任务都优于闭源模型

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 权重开放且本地运行成本持续下降，闭源推理模型如何保持竞争力？

1. 推理模型的开源对 AI 安全有什么影响？（好的和坏的）

1. 五年后，用户会如何在闭源 API、开源权重、本地部署和托管服务之间做选择？