Är vikterna öppna och kan jag köra R1 0528 lokalt?

Ja, vikterna är öppna och finns på Hugging Face under deepseek-ai/DeepSeek-R1-0528. Med 671 miljarder parametrar behöver du betydande hårdvara för att köra hela modellen lokalt; en kvantiserad version eller en mindre destillerad variant är mer praktisk för de flesta.

Vad kostar R1 0528 och hur stort är kontextfönstret?

Via API kostar den 0,50 USD per miljon inmatningstoken och 2,15 USD per miljon utmatningstoken, med ett kontextfönster på 163 840 tokens.

Hur skiljer sig R1 0528 från originalet DeepSeek R1?

Det är en efterträningsuppdatering med fokus på djupare resonemang: DeepSeek rapporterar att modellen nu använder ungefär dubbelt så många tokens per resonemangssteg, med betydande förbättringar på matematik- och kodningsbenchmarks och lägre hallucineringsfrekvens, plus tillagd funktionsanropsstöd som inte benchmarkades i originalet.

R1 0528

4585°

#llm #deepseek #resonemang #matematik #kodning #lokal

Kör modellen

Erbjudanden / annonser

OpenRouter Terminal / API

Betala per token

Chatta med den här modellen i webbläsaren eller anropa den från din kod med en API-nyckel.

DeepSeek | 163 840 tokens kontext | $0,50/M indata, $2,15/M utdata. Uppdatering 28 maj till [ursprungliga DeepSeek R1](/deepseek/deepseek-r1). Prestanda i nivå med [OpenAI o1](/openai/o1), men öppen källkod och med helt öppna resonemangstokens. Den är 671 miljarder parametrar stor, med 37 miljarder aktiva...

Guider för denna modell

Ollama vs LM Studio (2026): vilken lokal AI-app du ska använda och vilka toppmodeller varje kör

Bästa lokala LLM efter användningsområde (oktober 2026): rätt öppna modell för varje jobb

Hur mycket VRAM behöver jag egentligen för lokal AI?

Vad är en GGUF-fil? Förklaringar av kvantiserade modeller (Q4, Q8, fp8, NF4)

Alla guider

Kaptenens anteckningar

Skrivet av Captain, husets redaktör

Anteckningar från 2026-10-13

DeepSeek R1 0528 är en uppdatering från maj 2025 av DeepSeeks flaggskeppsresonemangsmodell, byggd av DeepSeek. Med 671 miljarder parametrar och 37 miljarder aktiva trycker den tydligt hårdare på matematik, konkurrenskodning och logik än original-R1, med benchmarkförbättringar över hela linjen enligt DeepSeek. Öppna vikter och fullt synliga resonemangsspår gör den till ett seriöst alternativ om du vill ha en avancerad resonemangsmodell som du faktiskt kan inspektera och köra själv.

Känd för

Stark matematikprestanda, inklusive stora AIME 2025-förbättringar jämfört med original-R1.
Konkurrenskodningsresultat med stora förbättringar på LiveCodeBench och Aider-Polyglot.
Fullt öppna resonemangstoken — du ser kedjetänkandet, inte bara svaret.
Minskad hallucineringsfrekvens och förbättrad funktionsanrop jämfört med tidigare version.
Öppna vikter tillgängliga på Hugging Face för självhostad drift.

Se upp för

671 miljarder totala parametrar innebär att lokal körning kräver seriös hårdvara; de flesta användare kommer att använda API.
Kontexten är 163 840 tokens — lång, men når inte 200K-gränsen för etiketten 'lång kontext'.
SimpleQA-poängen sjönk något från original-R1, så faktaminne är inte en ren vinst.

Bäst för

Agenter och verktygsanvändning

Promptar att prova

Konkurrensinriktad matematikuppgift

Hitta alla positiva heltal n sådana att n^2 + 1 delar n^3 + 7. Visa varje steg i ditt resonemang, inklusive hur du utesluter fall, och ange den fullständiga lösningsmängden med bevis.

Debugga en knepig funktion

Här är en Python-funktion som ska returnera den längsta delsträngen utan upprepade tecken, men den ger ibland fel längd för strängar med Unicode-tecken. Gå igenom vad som är fel, förklara varför och ge en korrigerad version med ett kort test. def longest_unique(s): seen = {} start = max_len = 0 for i, c in enumerate(s): if c in seen: start = seen[c] + 1 seen[c] = i max_len = max(max_len, i - start + 1) return max_len

Planera en flerstegsagent

Designa en minimal autonom agent som övervakar en katalog efter nya CSV-filer, validerar att varje fil har de nödvändiga kolumnerna (datum, belopp, kategori), flyttar ogiltiga filer till en karantänmapp och lägger till giltiga rader i en SQLite-databas. Lista verktygen agenten behöver, beslutslogiken i varje steg och eventuella felhanteringslägen värda att ta hänsyn till.

Jämför med

DeepSeek V4.1 Flash
Öppen vikt-modell
1,048,576 tokens kontext · $0.04/M indata, $0.68/M utdata
DeepSeek V4 Flash 0731
Öppen vikt-modell
1,048,576 tokens kontext · $0.01/M indata, $1.28/M utdata
DeepSeek V4 Flash 0423
Öppen vikt-modell
1,048,576 tokens kontext · $0.09/M indata, $0.18/M utdata
DeepSeek V4 Pro 0813
Öppen vikt-modell
1,048,576 tokens kontext · $1.32/M indata, $3.96/M utdata

Fler textmodeller från deepseek

Vanliga frågor

Är vikterna öppna och kan jag köra R1 0528 lokalt?: Ja, vikterna är öppna och finns på Hugging Face under deepseek-ai/DeepSeek-R1-0528. Med 671 miljarder parametrar behöver du betydande hårdvara för att köra hela modellen lokalt; en kvantiserad version eller en mindre destillerad variant är mer praktisk för de flesta.
Vad kostar R1 0528 och hur stort är kontextfönstret?: Via API kostar den 0,50 USD per miljon inmatningstoken och 2,15 USD per miljon utmatningstoken, med ett kontextfönster på 163 840 tokens.
Hur skiljer sig R1 0528 från originalet DeepSeek R1?: Det är en efterträningsuppdatering med fokus på djupare resonemang: DeepSeek rapporterar att modellen nu använder ungefär dubbelt så många tokens per resonemangssteg, med betydande förbättringar på matematik- och kodningsbenchmarks och lägre hallucineringsfrekvens, plus tillagd funktionsanropsstöd som inte benchmarkades i originalet.

Kaptens omdöme
Om du vill ha en avancerad resonemangsmodell med öppna vikter och synligt tänkande är R1 0528 den mest kapabla versionen av DeepSeeks bästa modell hittills.

Model card på Hugging Face

Kapten skriver dessa anteckningar från modellens egen beskrivning och model card. Priser och kontextstorlekar är från leverantören vid skrivtillfället och kan ändras.

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.

Change colors / personalize / get code

Not this creator?

Get your own badge

Hur denna poäng räknas ihop

Den här modellen har ännu inga popularitetsdata från någon källa, så den har ett tillfälligt nummer under 7,000° som håller listorna kompletta. Den rankas aldrig högre än en modell med data. Uppdelningen visas här så fort en källa rapporterar den.

Ordlista: termerna som används här

Heat-poäng: Ett nummer för hur mycket en modell används och efterfrågas just nu, från 0° till 9 999°. Varje lista på den här sidan som säger hetast sorteras efter den och inget annat.
Golvet: De 7 000° som varje modell med verklig data börjar från. Skalan går från 0° till 9 999°; delen under golvet är reserverad för ersättare (modeller utan data), så att en modell med data alltid rankas över en utan. Golvet är samma för alla och avgör inget; graderna ovanför är själva mätningen.
Nedladdnings-ekvivalenter: Allt som poängen räknar som en nedladdning, summerat: själva nedladdningarna, varje torrent-seeder som 1 000, varje AI Horde-bild och varje körning på en genereringssajt som en.
Logaritmisk skala: Räknar i tiotal, inte i ental: att gå från 1 000 till 10 000 nedladdningar ger lika många grader som att gå från 10 000 till 100 000. Det hindrar jättar från att tränga ut allt annat.
Gillanden: Tummar upp och gillanden från alla källor, värda hälften av en nedladdning på den logaritmiska skalan.
Adoptionshastighet: Hur många nedladdningar per dag en modell får just nu, från skillnaden mellan två mätningar av en källa. En fjärdedels vikt av nedladdningsdelen.
Mätt och uppskattad: Mätt betyder att det finns två mätningar från en källa och skillnaden är verklig. Uppskattad betyder att bara dagens total är känd och det fördelas över modellens livstid; sidan visar vilken det är.
Seeder: Någon som håller en kopia av vikterna online för andra att ladda ner via torrent, eller en hostad spegel som gör samma sak. Varje sådan räknas som 1 000 nedladdningar.
AI Horde: Ett frivilligt nätverk som genererar bilder gratis på donerade datorer. Antalet bilder det har gjort med en modell är offentligt, och varje bild räknas som en nedladdning.
Genereringssajter: Sajter som hostar sina egna kopior av en modell och låter folk generera med den, som PixAI, SeaArt och Yodayo. Deras nedladdningar räknas som Civitaís och varje genereringskörning räknas som en nedladdning.
OpenRouter-token: En textmodell som nås via API, som Claude eller GPT, har inga vikter att ladda ner, så dess användning mäts i token: textbitar den läst och skrivit via OpenRouter, en gateway som många appar använder, under de senaste 30 dagarna. Varje 10,000,000 token räknas som en nedladdning. Källa: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Full modell (checkpoint): Själva vikterna, filen som genererar självständigt. Den får en bonus eftersom tillägg beror på den.
LoRA och embedding: Små tilläggsfiler som styr någon annans vikter mot en stil, en karaktär eller ett koncept. De kan inte köras själva.
Familj och vikter: Basen en modell är byggd på, som SD 1.5, SDXL, Flux eller Wan. Varje modell ärver släppdatumet för sin familjs vikter.
Ålder: Poäng som dras av beroende på hur länge sedan familjens vikter släpptes: 150° per år, upp till 750°. Det behåller gamla nedladdningar som haft år på sig att samlas för att frysa toppen av listan.
Familjeboost: En liten, begränsad skjuts för LoRAs från en familj som den här sajten just nu vill lyfta fram, alltid med i uppdelningen.
Stand-in-poäng: Ett stabilt nummer under golvet som ges till en modell som ännu inte har rapporter från någon källa, så listorna förblir kompletta. Den rankas aldrig högre än en modell med data.
Ny! (karensperiod): En modell som är mindre än 7 dagar gammal visar Ny! istället för poäng och räknas inte i rankningen. Poängen räknas från dag ett, men en modell som är en dag gammal växer snabbare än allt annat, så utan väntan skulle veckans #1 alltid vara det som kom ut igår istället för det som hållit i en vecka.
Trend: Hur en modells tillväxt under en period jämförs med den typiska modellens tillväxt under samma period. Snabbare än vanligt läses som en ökning, långsammare som en nedgång.
Typisk modell: Mitten av katalogen: hälften av modellerna med siffror växte snabbare under perioden, hälften långsammare.

Liknande modeller

Qwen3.5 Plus 2026 02 15

TEXT / LLM

Qwen3 VL 32B Instruct

TEXT / LLM

AI-modeller för bild-, video- och textgenerering

R1 0528 är en textmodell för familjen Text / LLM, listad på ModelTrends.ai, en skrivskyddad katalog över AI-modeller med öppen källkod för bild, video och text. Jämför den med andra Text / LLM-modeller och se dess hettapoäng.

Fler Text / LLM-modeller llm deepseek resonemang matematik kodning lokal agenter

Bläddra efter modellfamilj