Bukas ba ang weights at maaari ko bang patakbuhin ang R1 0528 nang lokal?

Oo, bukas ang weights at available sa Hugging Face sa ilalim ng deepseek-ai/DeepSeek-R1-0528. Sa 671B kabuuang parameters, kakailanganin mo ng malaking hardware para patakbuhin ang buong modelo nang lokal; mas praktikal ang quantized version o mas maliit na distilled variant para sa karamihan ng setup.

Magkano ang presyo ng R1 0528 at ano ang context window?

Via API, $0.50 kada milyon input tokens at $2.15 kada milyon output tokens, na may 163,840-token context window.

Paano naiiba ang R1 0528 sa orihinal na DeepSeek R1?

Ito ay post-training update na nakatuon sa mas malalim na reasoning: iniulat ng DeepSeek na gumagamit na ang modelo ng halos doble ng tokens kada reasoning step, may makabuluhang pagbuti sa math at coding benchmarks, mas mababang hallucination rate, at dagdag na function-calling support na hindi nasubok sa orihinal.

R1 0528

4585°

#llm #deepseek #pangangatwiran #matematika #pag-coding #lokal

Patakbuhin ang modelong ito

Alok / Ads

OpenRouter Terminal / API

Bayad kada token

Makipag-chat sa modelong ito sa browser o tawagan ito mula sa iyong code gamit ang isang API key.

DeepSeek | 163,840 token context | $0.50/M input, $2.15/M output. Update noong Mayo 28 sa [original DeepSeek R1](/deepseek/deepseek-r1) Performance na kapantay ng [OpenAI o1](/openai/o1), ngunit open-sourced at may ganap na open reasoning tokens. May sukat na 671B parameters, na may 37B aktibo...

Mga gabay para sa model na ito

Ollama vs LM Studio (2026): alin ang local AI app na gagamitin, at alin ang mga top models na pinapatakbo ng bawat isa

Pinakamahusay na lokal na LLM ayon sa gamit (Oktubre 2026): ang tamang open model para sa bawat trabaho

Gaano ba talaga kalaki ang VRAM na kailangan ko para sa local AI?

Ano ang GGUF file? Ipinaliwanag ang mga quantized na modelo (Q4, Q8, fp8, NF4)

Lahat ng gabay

Mga tala ng Kapitan

Isinulat ni Captain, ang editor ng bahay

Mga tala mula sa 2026-10-13

Ang DeepSeek R1 0528 ay isang update noong Mayo 2025 sa flagship reasoning model ng DeepSeek, na binuo ng DeepSeek. Sa 671B parameters na may 37B active, mas pinapalakas nito ang math, competitive coding, at logic kumpara sa orihinal na R1, na may mga benchmark gains sa lahat ng aspeto ayon sa DeepSeek. Ang bukas na weights at ganap na nakikitang reasoning traces ay ginagawa itong seryosong opsyon kung gusto mo ng frontier-class reasoner na maaari mong suriin at patakbuhin nang sarili.

Kilalang-kilala sa

Malakas sa math performance, kabilang ang malaking pagtaas ng AIME 2025 accuracy kumpara sa orihinal na R1.
Competitive coding results, may malaking pagbuti sa LiveCodeBench at Aider-Polyglot.
Ganap na bukas ang reasoning tokens — nakikita mo ang chain of thought, hindi lang ang sagot.
Mas mababang hallucination rate at pinahusay na function calling kumpara sa naunang bersyon.
Open weights na available sa Hugging Face para sa self-hosted deployment.

Mag-ingat sa

671B kabuuang parameters nangangahulugang kailangan ng seryosong hardware para sa lokal na pagpapatakbo; karamihan ay gagamit ng API.
Ang context ay 163,840 tokens — mahaba, pero kulang sa 200K para matawag na 'long context'.
Bahagyang bumaba ang SimpleQA score mula sa orihinal na R1, kaya hindi perpektong panalo sa factual recall.

Pinakamainam para sa

Mga ahente at paggamit ng tool

Mga prompt na subukan

Competitive math problem

Hanapin ang lahat ng positibong integer n na ang n^2 + 1 ay naghahati sa n^3 + 7. Ipakita ang bawat hakbang ng iyong pangangatwiran, kabilang kung paano mo tinatanggal ang mga kaso, at ilahad ang kumpletong solution set na may patunay.

Debug a tricky function

Narito ang isang Python function na dapat magbalik ng pinakamahabang substring na walang paulit-ulit na karakter, pero minsan mali ang haba para sa mga string na may Unicode characters. Ilarawan kung ano ang mali, ipaliwanag kung bakit, at magbigay ng naitama na bersyon na may maikling 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

Plan a multi-step agent

Disenyuhin ang isang minimal autonomous agent na nagmo-monitor ng directory para sa mga bagong CSV files, sinusuri kung ang bawat file ay may kinakailangang columns (date, amount, category), inilipat ang mga invalid files sa quarantine folder, at ina-append ang valid rows sa isang SQLite database. Ilahad ang mga tools na kailangan ng agent, ang decision logic sa bawat hakbang, at anumang failure modes na dapat asikasuhin.

Ihambing sa

DeepSeek V4.1 Flash
Modelong bukas ang timbang
1,048,576 token na konteksto · $0.04/M input, $0.68/M output
DeepSeek V4 Flash 0731
Modelong bukas ang timbang
1,048,576 token na konteksto · $0.01/M input, $1.28/M output
DeepSeek V4 Flash 0423
Modelong bukas ang timbang
1,048,576 token na konteksto · $0.09/M input, $0.18/M output
DeepSeek V4 Pro 0813
Modelong bukas ang timbang
1,048,576 token na konteksto · $1.32/M input, $3.96/M output

Higit pang mga text model mula sa deepseek

Mga tanong na madalas itanong

Bukas ba ang weights at maaari ko bang patakbuhin ang R1 0528 nang lokal?: Oo, bukas ang weights at available sa Hugging Face sa ilalim ng deepseek-ai/DeepSeek-R1-0528. Sa 671B kabuuang parameters, kakailanganin mo ng malaking hardware para patakbuhin ang buong modelo nang lokal; mas praktikal ang quantized version o mas maliit na distilled variant para sa karamihan ng setup.
Magkano ang presyo ng R1 0528 at ano ang context window?: Via API, $0.50 kada milyon input tokens at $2.15 kada milyon output tokens, na may 163,840-token context window.
Paano naiiba ang R1 0528 sa orihinal na DeepSeek R1?: Ito ay post-training update na nakatuon sa mas malalim na reasoning: iniulat ng DeepSeek na gumagamit na ang modelo ng halos doble ng tokens kada reasoning step, may makabuluhang pagbuti sa math at coding benchmarks, mas mababang hallucination rate, at dagdag na function-calling support na hindi nasubok sa orihinal.

Hatol ng Kapitan
Kung gusto mo ng frontier reasoner na may bukas na weights at nakikitang proseso ng pag-iisip, ang R1 0528 ang pinaka-kakayahang bersyon ng pinakamahusay na modelo ng DeepSeek hanggang ngayon.

Model card sa Hugging Face

Isinusulat ng Kapitan ang mga tala na ito mula sa sariling paglalarawan at model card ng modelo. Ang mga presyo at laki ng konteksto ay mula sa provider sa oras ng pagsulat at maaaring magbago.

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

Paano nagkakalkula ang score na ito

Walang datos ng kasikatan mula sa kahit anong pinanggalingan ang modelong ito, kaya may stand-in na numero ito sa ibaba ng 7,000° para kumpleto ang mga listahan. Hindi ito kailanman mauuna sa isang modelong may datos. Lalabas dito ang breakdown kapag may nag-ulat na pinanggalingan.

Talahulugan: ang mga terminong ginagamit dito

Heat score: Isang numero kung gaano kadalas gamitin at gusto ang isang modelo ngayon, mula 0° hanggang 9,999°. Bawat listahan sa site na ito na nagsasabing pinakamainit ay nakaayos base dito at wala nang iba pa.
Floor: Ang 7,000° na panimulang puntos ng bawat modelong may totoong datos. Ang sukatan ay mula 0° hanggang 9,999°; ang bahagi sa ilalim ng floor ay para sa mga stand-in (mga modelong walang datos), para laging mas mataas ang ranggo ng may datos kaysa wala. Pareho ang floor para sa lahat at hindi ito nagpapasya; ang mga degree sa itaas nito ang totoong sukat.
Katumbas ng download: Lahat ng tinatrato ng score bilang download, pinagsama-sama: mga download mismo, bawat torrent seeder bilang 1,000, bawat AI Horde na larawan at bawat takbo sa isang generation site bilang isa.
Log scale: Bilang ng sampu, hindi isa-isa: ang pagtaas mula 1,000 hanggang 10,000 downloads ay nagdadagdag ng parehong degree tulad ng mula 10,000 hanggang 100,000. Pinipigilan nito ang mga higante na mauna sa lahat.
Likes: Thumbs up at likes mula sa lahat ng pinanggalingan, na katumbas ng kalahati ng download sa log scale.
Bilis ng pagtanggap: Ilang downloads kada araw ang nakukuha ng modelo ngayon, mula sa pagkakaiba ng dalawang readings ng isang pinanggalingan. Isang-kapat ng bigat ng term na download.
Nasukat at tinantya: Ang nasukat ay ibig sabihin may dalawang pagbabasa mula sa isang pinagmulan at tunay ang pagkakaiba. Ang tinantya naman ay alam lang ang kabuuan ngayon at hinahati ang nakaraan sa buong buhay ng modelo; sinasabi ng site kung alin ang ipinapakita.
Seeder: Isang tao na nag-iimbak ng kopya ng weights online para ma-download ng iba gamit ang torrent, o isang naka-host na mirror na gumagawa rin nito. Bawat isa ay katumbas ng 1,000 downloads.
AI Horde: Isang volunteer network na gumagawa ng mga larawan nang libre gamit ang mga donadong computer. Pampubliko kung ilang larawan ang nagawa gamit ang isang modelo, at bawat isa ay katumbas ng isang download.
Mga generation site: Mga site na may sariling kopya ng modelo at pinapayagan ang mga tao na gumawa gamit ito, tulad ng PixAI, SeaArt at Yodayo. Ang kanilang mga downloads ay binibilang tulad ng sa Civitai at bawat generation run ay isang download.
OpenRouter tokens: Ang isang text model na pinagsisilbihan sa pamamagitan ng API, tulad ng Claude o GPT, ay walang weights na ida-download, kaya ang paggamit nito ay sinusukat sa tokens: mga piraso ng teksto na binasa at isinulat nito sa pamamagitan ng OpenRouter, isang gateway na ginagamit ng maraming apps, sa nakaraang 30 araw. Bawat 10,000,000 tokens ay katumbas ng isang download. Pinagmulan: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Buong modelo (checkpoint): Ang weights mismo, ang file na kayang mag-generate mag-isa. May bonus ito dahil nakadepende dito ang mga add-on.
LoRA at embedding: Maliit na add-on files na nagtutulak sa weights ng iba papunta sa isang estilo, karakter o konsepto. Hindi sila kayang tumakbo mag-isa.
Pamilya at weights: Ang base na pinagbuo ng modelo, tulad ng SD 1.5, SDXL, Flux o Wan. Lahat ng modelo ay namamana ang petsa ng release ng weights ng pamilya nito.
Edad: Mga degree na ibinabawas base sa gaano katagal nang lumabas ang weights ng pamilya: 150° kada taon, hanggang 750°. Pinananatili nito ang mga lumang downloads na may taon para mag-ipon mula sa pag-freeze sa taas ng listahan.
Pampasigla ng pamilya: Isang maliit at limitadong tulak para sa mga LoRA ng pamilyang itinataguyod ng site ngayon, palaging nakalista sa breakdown.
Stand-in score: Isang matatag na numero sa ibaba ng floor na ibinibigay sa modelong wala pang ulat mula sa pinagmulan, para kumpleto ang listahan. Hindi ito nangunguna sa modelong may datos.
Bago! (panahon ng grace): Ang isang model na mas mababa sa 7 araw ang tanda ay nagpapakita ng Bago! sa halip na score at walang puwesto sa mga ranggo. Ang score nito ay kinakalkula mula unang araw, pero ang modelong isang araw pa lang ang tanda ay lumalago nang mas mabilis kaysa sa iba, kaya kung walang paghihintay, ang #1 ng linggo ay palaging yung lumabas kahapon kaysa sa tumagal nang isang linggo.
Uso: Paano ang paglago ng modelo sa isang panahon kumpara sa karaniwang paglago ng modelo sa parehong panahon. Mas mabilis kaysa karaniwan ay pagtaas, mas mabagal ay pagbaba.
Karaniwang modelo: Gitna ng katalogo: kalahati ng mga modelo na may numero ay mas mabilis ang paglago sa panahon, kalahati ay mas mabagal.

Mga katulad na model

Gemini 3.1 Pro Preview Custom Tools

TEXT / LLM

Qwen3.7 Max

TEXT / LLM

Mga AI model para sa paggawa ng larawan, video at teksto

Ang R1 0528 ay isang text model para sa pamilyang Text / LLM na nakalista sa ModelTrends.ai, isang read-only na catalog ng mga open source AI model para sa larawan, video at teksto. Ikumpara ito sa ibang Text / LLM model at tingnan ang heat score nito para makita kung gaano ito kasikat.

Higit pang Text / LLM model Higit pang Text / LLM Teksto / LLM llm deepseek pangangatwiran matematika pag-coding lokal mga ahente

Mag-browse ayon sa pamilya ng model