1.2.1 超級強悍的性能，誰都能打

DeepSeek-R1的橫空出世，讓不少AI研究者和開發者都大為震驚。根據測試結果，這款大模型在數學、編程和推理任務上的表現已經達到甚至在部分情況下超越了o1的水平（見圖1）。要知道，o1可是OpenAI最新推出的旗艦模型，代表著當前世界最先進的AI技術之一。DeepSeek-R1作為一個國內研發的大模型，竟然能在部分任務上正面對抗o1，甚至在個別測試中更勝一籌，這無疑是一個巨大的突破。

圖1 DeepSeek各版本模型與o1模型在不同基準測試中的表現對比

當然，有人可能會懷疑，DeepSeek-R1是不是在這些特定任務上做過針對性優化，從而在跑分上取得了好看的成績。但毋庸置疑的是，用戶的真實體驗給出了最具說服力的證明。在X（原推特）、微博、小紅書等社交平臺上，大量開發者和普通用戶紛紛給出實測評價。DeepSeek-R1的能力，尤其是編程能力，在某些場景下確實優于o1。這不僅僅是測試數據的結果，更是大量用戶在實際應用中的反饋。

而真正震動整個科技圈的是硅谷的科技巨頭與人工智能科學家的關注，2025年1月27日，據Information網站報道，臉書母公司Meta成立了四個專門小組來研究DeepSeek應用的工作原理，并基于此來改進旗下的Llama大模型。

其中，兩個小組正在試圖了解DeepSeek如何降低訓練和運行大模型的成本；第三個小組則正在研究DeepSeek可能使用了哪些數據來訓練模型；第四個小組正在考慮基于DeepSeek模型屬性重構Meta模型的新技術。

DeepSeek-R1之所以能在編程和推理任務上展現如此強勁的實力，離不開它的底層架構優化。盡管它的創造力和語言組織能力可能仍然比不上o1 Pro，但要注意，它的參數量遠遠小于后者。DeepSeek-R1的總參數規模只有6710億個，而且是基于混合專家模型（Mixture of Experts，MoE）架構，這意味著它在一次推理調用時，實際激活的參數只有370億個。

相比之下，GPT-4級別的大模型通常需要調用數千億個參數，計算資源消耗巨大，而DeepSeek-R1能夠在較小的參數規模下，仍然提供高質量的推理和編程能力，這表明其技術優化能力已經達到了驚人的水平。

更重要的是，DeepSeek-R1這種“小模型大能量”的設計思路，使其在計算資源的消耗上具有明顯的優勢。AI模型的性能，往往需要在計算效率和智能水平之間找到最佳平衡點，而DeepSeek-R1的架構顯然在這方面做到了極致優化。它不僅讓模型在較小的算力消耗下展現接近甚至超越國際旗艦大模型的表現，同時也讓整個模型更加靈活，適用于更多的實際應用場景。

相比那些需要大量計算資源才能運行的超大模型，DeepSeek-R1的優勢更加明顯，這意味著它可以在更多的設備、平臺和業務場景中高效運行，而不必依賴昂貴的高性能計算資源。

DeepSeek的這一設計思路，不僅讓其模型在性能上取得了突破，更重要的是，使它成功地找到了降低AI模型成本、提高AI可用性的方式。對于企業用戶來說，AI模型的落地不僅要考慮性能，還要考慮運行成本、推理速度、商業化適配性等因素。而DeepSeek-R1的架構，使得它在這些方面都具有很強的競爭力，讓它不僅是一個強大的技術產品，更是一款具備商業落地價值的AI模型。