R1
1660°
运行此模型
优惠 / 广告
Easy Creator (Prism) 网页
不限量 · 固定费用
最适合初学者。强大的工作流程,学习曲线低。
PirateDiffusion Telegram
不限量 · 固定费用
创建视频、图像、自定义聊天角色等。
Pro studio (SpyGlass) 网页
不限量 · 固定费用
从任何浏览器或手机浏览模型、渲染和优化。
Discord bot (Vector)
不限量 · 固定费用
将 Vector 添加到你的服务器或加入 Vector Discord。创造任何东西!
Unified Editor 网页
不限量 · 固定费用
图像和视频编辑器:在同一页面渲染、编辑、放大等。
OpenRouter 终端 / API
按令牌付费
在浏览器中与此模型聊天,或使用一个 API 密钥从代码中调用它。
本地应用
需设置
如果你的电脑硬件够好,可以安装本地程序。
ModelDuel 网页
按次付费
一次在多达50个检查点/基础模型上生成相同的提示。
本模型的指南
全部指南DeepSeek | 64,000 令牌上下文 | 输入 $0.70/千,输出 $2.50/千。DeepSeek R1 已发布:性能与 OpenAI o1 相当,但开源且推理令牌完全开放。模型参数为 6710 亿,推理时激活 370 亿。完全开源模型及技术报告。MIT 许可:自由蒸馏与商业化!
船长笔记
2026-10-13 的笔记
DeepSeek R1 是 DeepSeek 推出的 6710 亿参数稀疏专家混合推理模型,主要通过强化学习训练,而非监督微调。它在数学、代码和推理任务上与 OpenAI o1 表现相当,同时公开了其链式思维令牌——这是 o1 所不具备的。采用 MIT 许可和开源权重,适合研究人员、开发者及任何希望拥有前沿级推理器且能实际检查、蒸馏或商业部署的人士。
以……著称
- 在数学、代码和逻辑任务上的推理性能可匹敌 OpenAI o1
- 完全公开的链式思维令牌——推理过程透明
- MIT 许可:可自由蒸馏、微调和商业化
- 同时发布六个更小的蒸馏模型,参数规模最低至 15 亿
- 强化学习训练中自发出现自我验证和反思行为
注意
- 6710 亿总参数:本地运行需要强大硬件,大多数用户将使用 API。
- 64,000 令牌上下文窗口,在同级别性能模型中偏短。
- 前代 R1-Zero 存在语言混用和重复问题,R1 有改进,但部署前请仔细阅读使用建议。
推荐尝试的提示词
反证法证明
证明根号 2 是无理数。展示推理的每一步,标注任何假设,并在给出最终答案前检查论证是否有漏洞。
调试复杂函数
这是一个 Python 函数,旨在返回最长无重复字符子串,但对某些输入返回错误结果。逐步分析逻辑,找出错误,解释失败原因,并给出修正版本及简要说明。
def longest_unique(s):
seen = {}
start = 0
best = ''
for i, c in enumerate(s):
if c in seen:
start = seen[c]
seen[c] = i
if i - start + 1 > len(best):
best = s[start:i+1]
return best
约束条件下的计划
一个三人小团队必须在不停机的情况下将生产数据库迁移到新架构。数据库有 5000 万行,应用不能下线。请分析风险,按顺序列出步骤,并解释每个决策背后的理由,最后给出迁移方案。
与……比较
- DeepSeek V4.1 Flash开源权重模型1,048,576 令牌上下文 · $0.04/M 输入,$0.68/M 输出
- DeepSeek V4 Flash 0731开源权重模型1,048,576 令牌上下文 · $0.01/M 输入,$1.28/M 输出
- DeepSeek V4 Flash 0423开源权重模型1,048,576 令牌上下文 · $0.09/M 输入,$0.18/M 输出
- DeepSeek V4 Pro 0813开源权重模型1,048,576 令牌上下文 · $1.32/M 输入,$3.96/M 输出
来自 deepseek 的更多文本模型
常见问题
- 权重是开源的吗?我能本地运行 R1 吗?
- 是的,DeepSeek R1 采用 MIT 许可,权重托管在 Hugging Face,您可以下载并本地运行,但完整 6710 亿模型需要强大硬件;六个蒸馏版本(最低 15 亿参数)更适合本地使用。
- 费用和上下文窗口是多少?
- API 价格为每百万输入令牌 0.70 美元,输出每百万令牌 2.50 美元,上下文窗口为 64,000 令牌。
- R1 与 DeepSeek 其他模型有何不同?
- R1 是 DeepSeek 专注推理的模型,采用大规模强化学习训练以生成显式链式思维,针对数学、代码和复杂推理,而非通用聊天,且公开推理令牌。
船长评语迄今为止最重要的开源权重推理模型:前沿性能、MIT 许可,推理过程完全透明。
Hugging Face 上的模型卡
船长根据模型自身描述和模型卡撰写这些笔记。价格和上下文大小为撰写时提供商的数据,可能会变动。
Ranking badge
Updated Oct 22, 2026
Made this model? Show this badge on your page.
Paste it into your Hugging Face card or Civitai description.
这个评分是怎么计算的
这个模型还没有任何来源的流行度数据,所以它用一个低于 7,000° 的替代数值来保持列表完整。它永远不会排在有数据的模型前面。一旦有来源报告数据,分解就会显示在这里。
术语表:这里用到的术语
- 热度得分
- 一个数字,表示模型当前的使用和需求程度,范围从0°到9,999°。本站所有标注为最热门的榜单都按这个分数排序,别无他物。
- 基准线
- 所有有真实数据的模型起始于7,000°。分数范围是0°到9,999°;基准线以下的部分保留给无数据的替代模型,这样有数据的模型总是排在无数据模型之上。基准线对所有人相同,不影响排名;超过基准线的度数才是实际测量值。
- 下载等价量
- 得分中当作下载计算的所有项目总和:下载本身,每个种子上传者算1,000,每个AI Horde图片和每次生成网站的运行算一个。
- 对数刻度
- 以十为单位计数,而不是以一为单位:从1,000到10,000下载增加的热度和从10,000到100,000增加的热度相同。这样可以防止巨头压倒一切。
- 点赞
- 来自所有来源的点赞和竖起大拇指,每个点赞在对数刻度上价值半个下载。
- 采用率
- 模型当前每天的下载次数,基于两次读数的差值。权重是下载项的四分之一。
- 测量与估算
- 测量表示有两个来源的读数,且差异是真实的。估算表示只知道今天的总数,过去的数据是根据模型的生命周期分配的;网站会说明显示的是哪种。
- 做种者
- 指那些在线保存权重副本供他人通过种子下载的人,或者提供同样服务的托管镜像。每个做种者相当于1000次下载。
- AI Horde
- 一个志愿者网络,在捐赠的电脑上免费生成图片。它用某个模型生成的图片数量是公开的,每张图片算作一次下载。
- 生成网站
- 托管自己模型副本并允许用户生成的站点,比如PixAI、SeaArt和Yodayo。它们的下载计数和Civitai一样,每次生成算一次下载。
- OpenRouter 令牌
- 通过API提供的文本模型,如Claude或GPT,没有权重需要下载,因此其使用量以令牌计量:过去30天内通过OpenRouter(一种许多应用使用的网关)读取和生成的文本片段。每10,000,000个令牌计为一次下载。来源:OpenRouter (openrouter.ai/rankings),CC BY 4.0。
- 完整模型(检查点)
- 权重文件本身,是能独立生成的文件。它会获得额外加分,因为附加组件依赖它。
- LoRA和嵌入
- 小型附加文件,用来引导别人的权重朝向某种风格、角色或概念。它们不能单独运行。
- 家族与权重
- 模型构建所基于的基础,比如SD 1.5、SDXL、Flux或Wan。每个模型继承其家族权重的发布日期。
- 年龄
- 根据家族权重发布多久,扣除的度数:每年150°,最多750°。它保留了那些积累了多年下载量的老模型,防止它们被挤出榜单顶部。
- 家族加成
- 对当前网站重点推广的某个家族的LoRA给予的小幅度限制性加分,总是在分数细目中列出。
- 替代分数
- 给还没有任何来源报告的模型一个稳定的最低分数,这样榜单才完整。它永远不会高于有数据的模型。
- 新模型!(宽限期)
- 不到7天的新模型显示“新模型!”而非分数,且不参与排名。其分数从第一天开始计算,但一天大的模型增长最快,若不等待,周榜#1总是昨天刚发布的模型,而非持续一周的。
- 趋势
- 模型在某段时间内的增长与同一时间段内典型模型增长的对比。比典型快表示上升,比典型慢表示下降。
- 典型模型
- 目录的中间值:一半有数据的模型增长比它快,一半比它慢。







