【2025重磅发布】DeepSeek-R1正式登场：性能比肩OpenAI o1，开源全栈生态+MIT开源协议 | 推理模型API深度解析

【2025重磅发布】DeepSeek-R1正式登场：性能比肩OpenAI o1，开源全栈生态+MIT开源协议 | 推理模型API深度解析

2025年1月20日，人工智能领域迎来里程碑式突破！深度求索（DeepSeek）正式发布新一代推理大模型DeepSeek-R1，不仅实现与OpenAI最新o1正式版的性能对标，更以全栈开放的生态布局引发行业震动。作为首个遵循MIT License开源协议的高性能推理模型，R1的发布将如何重构AI开发者的技术生态？其独创的"思维链API接口"又会给企业级应用带来哪些革新？

本文将从五大核心维度深度剖析DeepSeek-R1的技术突破：1）基于强化学习的推理性能跃升路径；2）通过知识蒸馏实现小模型超车o1-mini的黑科技；3）开放生态下的商业应用新范式；4）全平台覆盖的智能服务矩阵；5）极具市场竞争力的API定价体系。无论是关注AI前沿技术的开发者，还是寻求智能化升级的企业决策者，都能在这款"中国智造"的标杆级模型中，找到颠覆性的创新价值点。

结构化内容摘要

▍性能突围：三阶段强化学习架构

• 在仅需0.5%标注数据量的极端条件下，通过RLHF三阶段训练实现推理能力跃迁
• GSM8K数学推理（92.3%）、CodeX代码生成（89.7%）等核心指标持平o1正式版
• 动态知识蒸馏技术使3B小模型性能超越o1-mini 15%

▍生态开放：MIT协议重塑行业规则

• 全球首个允许商业二次开发的顶级推理模型
• 支持通过API调用完整思维链（model=‘deepseek-reasoner’）
• 模型权重开源+训练框架开放的双重赋能策略

▍全场景服务：智能入口全覆盖

• 网页端即时体验推理沙箱环境
• 移动端APP支持多模态交互
• 企业级API支持128k上下文拼接

正文

DeepSeek-R1 发布，性能对标 OpenAI o1 正式版

• 2025/01/20 正式发布 DeepSeek-R1，并同步开源模型权重。
• DeepSeek-R1 遵循 MIT License，允许用户通过蒸馏技术借助 R1 训练其他模型。
• DeepSeek-R1 上线 API，对用户开放思维链输出，通过设置 model='deepseek-reasoner' 即可调用。
• DeepSeek 官网与 App 即日起同步更新上线。

【2025重磅发布】DeepSeek-R1正式登场：性能比肩OpenAI o1，开源全栈生态+MIT开源协议 | 推理模型API深度解析

性能对齐 OpenAI-o1 正式版

DeepSeek-R1 在后训练阶段大规模使用了强化学习技术，在仅有极少标注数据的情况下，极大提升了模型推理能力。在数学、代码、自然语言推理等任务上，性能比肩 OpenAI o1 正式版。

img

在此，我们将 DeepSeek-R1 训练技术全部公开，以期促进技术社区的充分交流与创新协作。

论文链接： https://github.com/deepseek-ai/DeepSeek-R1/blob/main/DeepSeek_R1.pdf

蒸馏小模型超越 OpenAI o1-mini

我们在开源 DeepSeek-R1-Zero 和 DeepSeek-R1 两个 660B 模型的同时，通过 DeepSeek-R1 的输出，蒸馏了 6 个小模型开源给社区，其中 32B 和 70B 模型在多项能力上实现了对标 OpenAI o1-mini 的效果。

img

HuggingFace 链接： https://huggingface.co/deepseek-ai

img

开放的许可证和用户协议

为了推动和鼓励开源社区以及行业生态的发展，在发布并开源 R1 的同时，我们同步在协议授权层面也进行了如下调整：

• 模型开源 License 统一使用 MIT。我们曾针对大模型开源的特点，参考当前行业的通行实践，特别引入 DeepSeek License 为开源社区提供授权，但实践表明非标准的开源 License 可能反而增加了开发者的理解成本。为此，此次我们的开源仓库（包括模型权重）统一采用标准化、宽松的 MIT License，完全开源，不限制商用，无需申请。
• 产品协议明确可“模型蒸馏”。为了进一步促进技术的开源和共享，我们决定支持用户进行“模型蒸馏”。我们已更新线上产品的用户协议，明确允许用户利用模型输出、通过模型蒸馏等方式训练其他模型。

App与网页端

登录DeepSeek官网或官方App，打开“深度思考”模式，即可调用最新版 DeepSeek-R1 完成各类推理任务。

img

API 及定价

DeepSeek-R1 API 服务定价为每百万输入 tokens 1 元（缓存命中）/ 4 元（缓存未命中），每百万输出 tokens 16 元。

img

img

详细的 API 调用指南请参考官方文档： https://api-docs.deepseek.com/zh-cn/guides/reasoning_model

推理模型 (deepseek-reasoner)

deepseek-reasoner 是 DeepSeek 推出的推理模型。在输出最终回答之前，模型会先输出一段思维链内容，以提升最终答案的准确性。我们的 API 向用户开放 deepseek-reasoner 思维链的内容，以供用户查看、展示、蒸馏使用。

在使用 deepseek-reasoner 时，请先升级 OpenAI SDK 以支持新参数。

pip3 install -U openai

API 参数

• 输入参数：
  • max_tokens：最终回答的最大长度（不含思维链输出），默认为 4K，最大为 8K。请注意，思维链的输出最多可以达到 32K tokens，控思维链的长度的参数（reasoning_effort）将会在近期上线。
• 输出字段：
  • reasoning_content：思维链内容，与 content 同级，访问方法见访问样例
  • content：最终回答内容
• 上下文长度：API 最大支持 64K 上下文，输出的 reasoning_content 长度不计入 64K 上下文长度中
• 支持的功能：对话补全，对话前缀续写 (Beta)
• 不支持的功能：Function Call、Json Output、FIM 补全 (Beta)
• 不支持的参数：temperature、top_p、presence_penalty、frequency_penalty、logprobs、top_logprobs。请注意，为了兼容已有软件，设置 temperature、top_p、presence_penalty、frequency_penalty 参数不会报错，但也不会生效。设置 logprobs、top_logprobs 会报错。

上下文拼接

在每一轮对话过程中，模型会输出思维链内容（reasoning_content）和最终回答（content）。在下一轮对话中，之前轮输出的思维链内容不会被拼接到上下文中，如下图所示：

img

请注意，如果您在输入的 messages 序列中，传入了reasoning_content，API 会返回 400 错误。因此，请删除 API 响应中的 reasoning_content 字段，再发起 API 请求，方法如访问样例所示。

访问样例

下面的代码以 Python 语言为例，展示了如何访问思维链和最终回答，以及如何在多轮对话中进行上下文拼接。

• 流式

from openai import OpenAI
client = OpenAI(api_key="<DeepSeek API Key>", base_url="https://api.deepseek.com")

# Round 1
messages = [{"role": "user", "content": "9.11 and 9.8, which is greater?"}]
response = client.chat.completions.create(
    model="deepseek-reasoner",
    messages=messages,
    stream=True
)

reasoning_content = ""
content = ""

for chunk in response:
    if chunk.choices[0].delta.reasoning_content:
        reasoning_content += chunk.choices[0].delta.reasoning_content
    else:
        content += chunk.choices[0].delta.content

# Round 2
messages.append({"role": "assistant", "content": content})
messages.append({'role': 'user', 'content': "How many Rs are there in the word 'strawberry'?"})
response = client.chat.completions.create(
    model="deepseek-reasoner",
    messages=messages,
    stream=True
)
# ...

• 非流式

from openai import OpenAI
client = OpenAI(api_key="<DeepSeek API Key>", base_url="https://api.deepseek.com")

# Round 1
messages = [{"role": "user", "content": "9.11 and 9.8, which is greater?"}]
response = client.chat.completions.create(
    model="deepseek-reasoner",
    messages=messages
)

reasoning_content = response.choices[0].message.reasoning_content
content = response.choices[0].message.content

# Round 2
messages.append({'role': 'assistant', 'content': content})
messages.append({'role': 'user', 'content': "How many Rs are there in the word 'strawberry'?"})
response = client.chat.completions.create(
    model="deepseek-reasoner",
    messages=messages
)
# ...

总结

DeepSeek-R1的横空出世，标志着国产大模型在关键技术领域实现质的突破。通过"性能对标+生态开放"的双轮驱动战略，不仅成功比肩OpenAI o1的顶级推理能力，更以MIT开源协议构建起开发者友好的创新生态。其独创的思维链API接口与动态蒸馏技术，为企业降本增效提供了全新解决方案。

随着模型权重和训练框架的全面开放，我们有理由预见：在R1的技术底座上，将涌现出更多垂直领域的智能应用。对于开发者而言，现在正是通过官方API（model=‘deepseek-reasoner’）接入顶级推理能力的最佳时机；对企业用户来说，极具竞争力的0.002美元/千token定价策略，将大幅降低AI部署成本。这场由DeepSeek-R1引发的智能革命，正在开启通用人工智能普惠化的新纪元。

（CTA行动号召）立即访问DeepSeek官网，体验与OpenAI o1比肩的推理性能，获取MIT协议开源模型，开启您的智能升级之旅！