1.2.1 超级强悍的性能，谁都能打

DeepSeek-R1的横空出世，让不少AI研究者和开发者都大为震惊。根据测试结果，这款大模型在数学、编程和推理任务上的表现已经达到甚至在部分情况下超越了o1的水平（见图1）。要知道，o1可是OpenAI最新推出的旗舰模型，代表着当前世界最先进的AI技术之一。DeepSeek-R1作为一个国内研发的大模型，竟然能在部分任务上正面对抗o1，甚至在个别测试中更胜一筹，这无疑是一个巨大的突破。

图1 DeepSeek各版本模型与o1模型在不同基准测试中的表现对比

当然，有人可能会怀疑，DeepSeek-R1是不是在这些特定任务上做过针对性优化，从而在跑分上取得了好看的成绩。但毋庸置疑的是，用户的真实体验给出了最具说服力的证明。在X（原推特）、微博、小红书等社交平台上，大量开发者和普通用户纷纷给出实测评价。DeepSeek-R1的能力，尤其是编程能力，在某些场景下确实优于o1。这不仅仅是测试数据的结果，更是大量用户在实际应用中的反馈。

而真正震动整个科技圈的是硅谷的科技巨头与人工智能科学家的关注，2025年1月27日，据Information网站报道，脸书母公司Meta成立了四个专门小组来研究DeepSeek应用的工作原理，并基于此来改进旗下的Llama大模型。

其中，两个小组正在试图了解DeepSeek如何降低训练和运行大模型的成本；第三个小组则正在研究DeepSeek可能使用了哪些数据来训练模型；第四个小组正在考虑基于DeepSeek模型属性重构Meta模型的新技术。

DeepSeek-R1之所以能在编程和推理任务上展现如此强劲的实力，离不开它的底层架构优化。尽管它的创造力和语言组织能力可能仍然比不上o1 Pro，但要注意，它的参数量远远小于后者。DeepSeek-R1的总参数规模只有6710亿个，而且是基于混合专家模型（Mixture of Experts，MoE）架构，这意味着它在一次推理调用时，实际激活的参数只有370亿个。

相比之下，GPT-4级别的大模型通常需要调用数千亿个参数，计算资源消耗巨大，而DeepSeek-R1能够在较小的参数规模下，仍然提供高质量的推理和编程能力，这表明其技术优化能力已经达到了惊人的水平。

更重要的是，DeepSeek-R1这种“小模型大能量”的设计思路，使其在计算资源的消耗上具有明显的优势。AI模型的性能，往往需要在计算效率和智能水平之间找到最佳平衡点，而DeepSeek-R1的架构显然在这方面做到了极致优化。它不仅让模型在较小的算力消耗下展现接近甚至超越国际旗舰大模型的表现，同时也让整个模型更加灵活，适用于更多的实际应用场景。

相比那些需要大量计算资源才能运行的超大模型，DeepSeek-R1的优势更加明显，这意味着它可以在更多的设备、平台和业务场景中高效运行，而不必依赖昂贵的高性能计算资源。

DeepSeek的这一设计思路，不仅让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。对于企业用户来说，AI模型的落地不仅要考虑性能，还要考虑运行成本、推理速度、商业化适配性等因素。而DeepSeek-R1的架构，使得它在这些方面都具有很强的竞争力，让它不仅是一个强大的技术产品，更是一款具备商业落地价值的AI模型。