DeepSeek-R1 ist ein Mixture-of-Experts (MoE)-Modell mit 671 Milliarden Parametern, wobei 37 Milliarden Parameter pro Token aktiv sind. Es wurde durch groß angelegtes Reinforcement Learning mit Fokus auf logische Schlussfolgerungen trainiert. Das Modell umfasst zwei RL-Phasen zur Entdeckung verbesserter Denkstrategien und zur Anpassung an menschliche Präferenzen sowie zwei SFT-Phasen zur Initialisierung von logischem und nicht-logischem Wissen. Die Leistung des Modells ist vergleichbar mit OpenAI-o1 in den Bereichen Mathematik, Programmierung und logisches Denken.
Webseite KI-Modell-Webseite | |
Anbieter Die Entität, die dieses Modell bereitstellt. | |
Chat Geben Sie eine Nachricht ein, um zu chatten | - |
Veröffentlichungsdatum Wann das Modell erstmals veröffentlicht wurde. | 1 Jahr ago Jan 21, 2025 |
Modalitäten Arten von Daten, die dieses Modell verarbeiten kann | Text |
API-Anbieter Die Anbieter, die dieses Modell anbieten. (Diese Liste ist nicht vollständig.) | DeepSeek, HuggingFace |
Datum des Wissensstandes Wann das Wissen des Modells zuletzt aktualisiert wurde. | Unbekannt |
Open Source Ob der Code des Modells öffentlich verfügbar ist. | Ja |
Preisgestaltung Eingabe Kosten für die Verarbeitung von Token in Ihren Eingaben | $0.55 pro Million Token |
Preisgestaltung Ausgabe Kosten für vom Modell generierte Token | $2.19 pro Million Token |
MMLU Massive Multitask Language Understanding – Testet Wissen in 57 Fächern, darunter Mathematik, Geschichte, Recht und mehr | 90.8% Pass@1 Quelle |
MMLU-Pro Ein robusterer MMLU-Benchmark mit schwierigeren, auf logisches Denken fokussierten Fragen, einer größeren Auswahl an Antworten und geringerer Sensitivität für Eingabevariationen | 84% EM Quelle |
MMMU Massive Multitask Multimodal Understanding – Testet das Verständnis über Text, Bilder, Audio und Video hinweg | - |
HellaSwag Ein anspruchsvoller Benchmark für Satzvervollständigung | - |
HumanEval Bewertet Codegenerierung und Problemlösungsfähigkeiten | - |
MATH Testet mathematische Problemlösungsfähigkeiten auf verschiedenen Schwierigkeitsstufen | - |
GPQA Testet Wissen auf PhD-Niveau in Chemie, Biologie und Physik durch Multiple-Choice-Fragen, die tiefgehendes Fachwissen erfordern | 71.5% Pass@1 Quelle |
IFEval Testet die Fähigkeit des Modells, Formatierungsvorgaben genau zu befolgen, angemessene Ausgaben zu generieren und konsistente Instruktionsbefolgung über verschiedene Aufgaben hinweg zu gewährleisten | 83.3% Prompt Strict Quelle |
SimpleQA Bewertung der Genauigkeit einfacher Fragen | - |
AIME 2024 | - |
AIME 2025 | - |
Aider Polyglot Mehrsprachige Programmier-Benchmark. | - |
LiveCodeBench v5 Benchmark für Echtzeit-Programmierung | - |
Global MMLU (Lite) Eine vereinfachte Version des Benchmarks zur Beurteilung der Universalität von Modellen auf globaler Ebene. | - |
MathVista Bewertet die mathematischen Denkfähigkeiten von KI-Modellen in visuellen Kontexten | - |
Mobile Anwendung | |
MathArena | |
| Durchschnittliche Punktzahl | 82% |
| AIME 2025 Test basierend auf Aufgaben aus dem Mathematikwettbewerb (American Invitational Mathematics Examination),der die mathematischen Fähigkeiten von Modellen überprüfen soll. | 89% |
| HMMT February 2025 Test basierend auf Aufgaben aus dem Harvard-MIT Mathematics Tournament, Februar 2025, der die mathematischen Fähigkeiten von Modellen überprüfen soll. | 77% |
| BRUMO 2025 | 92% |
| SMT 2025 Test basierend auf Aufgaben aus dem Stanford Math Tournament, 2025, der die mathematischen Fähigkeiten von Modellen überprüfen soll. | 83% |
| CMIMC 2025 Test basierend auf Aufgaben aus der Canadian Mathematical Olympiad, 2025, der die mathematischen Fähigkeiten von Modellen überprüfen soll. | 69% |
Compare AI. Test. Benchmarks. Mobile Chatbot-Apps, Sketch
Copyright © 2026 All Right Reserved.
Kommentare (1)
Jacquie
27 Januar 2026Digiturk paketler icinden size en uygun uyeligi kolayca secebilirsiniz. https://digiturkpaketler.com/kampanyalar