DeepSeek, un laboratorio de inteligencia artificial chino, ha lanzado una versión de código abierto de DeepSeek-R1, un modelo de razonamiento que compite estrechamente con o1 de OpenAI en múltiples benchmarks. Ahora disponible en Novita AI, este modelo está diseñado para manejar tareas complejas como inferencia lógica, matemáticas y programación, convirtiéndolo en una herramienta versátil para desarrolladores y empresas.
Lo que distingue a DeepSeek-R1 es su arquitectura centrada en el razonamiento, que le permite autocontrolar sus salidas para verificar su precisión. Aunque este proceso puede tomar más tiempo que los modelos de lenguaje tradicionales, los resultados son más fiables, especialmente para casos de uso en física, ciencia y matemáticas.
Este artículo explora las capacidades únicas de DeepSeek-R1, su rendimiento en diferentes benchmarks y cómo se puede integrar en sus flujos de trabajo a través de las API de Novita AI.
¿Qué es DeepSeek-R1?
DeepSeek-R1 es un modelo de razonamiento de código abierto desarrollado para abordar tareas que requieren razonamiento lógico, matemáticas avanzadas y programación. Se basa en el anterior DeepSeek-R1-Zero combinando aprendizaje por refuerzo con ajuste fino supervisado para mejorar la claridad y coherencia de las salidas.
Los modelos de razonamiento como R1 están diseñados para verificar sus salidas, reduciendo errores que a menudo ocurren en modelos de lenguaje tradicionales. Esto los hace vitales para dominios que requieren un alto nivel de precisión y transparencia, como la investigación, la educación y la toma de decisiones.
Lo que hace que DeepSeek-R1 sea particularmente competitivo y atractivo es su naturaleza de código abierto. El modelo está disponible bajo una licencia MIT, lo que permite un uso comercial sin restricciones. A diferencia de los modelos propietarios, este enfoque permite a desarrolladores e investigadores explorar completamente su arquitectura, modificarlo para adaptarlo a necesidades específicas y desplegarlo en varios flujos de trabajo.
¿Cómo se desarrolló DeepSeek-R1?
Esta sección examina cómo se creó DeepSeek-R1, comenzando con su predecesor, DeepSeek-R1-Zero.
DeepSeek-R1-Zero
DeepSeek-R1 comenzó con R1-Zero, un modelo entrenado completamente mediante aprendizaje por refuerzo. Este enfoque permitió al modelo desarrollar capacidades de razonamiento sólidas, pero conllevó varios desafíos:
- Las salidas a menudo eran difíciles de leer.
- El modelo a veces mezclaba idiomas dentro de sus respuestas, haciéndolo menos amigable.
Estas limitaciones hicieron que R1-Zero fuera poco práctico para aplicaciones del mundo real, a pesar de su solidez lógica.
Desafíos del aprendizaje por refuerzo puro
La dependencia del aprendizaje por refuerzo puro llevó a salidas que eran lógicamente válidas pero mal estructuradas. Sin la guía de datos supervisados, el modelo tenía dificultades para comunicar eficazmente su razonamiento. Esta falta de claridad era una barrera para los usuarios que requerían precisión y transparencia en los resultados.
Mejoras con DeepSeek-R1
Para superar estos desafíos, DeepSeek adoptó un enfoque híbrido al desarrollar R1. Combinando el aprendizaje por refuerzo con el ajuste fino supervisado, el equipo incorporó conjuntos de datos curados para mejorar la legibilidad y coherencia del modelo. Este cambio abordó problemas críticos:
- La mezcla de idiomas se redujo significativamente.
- El razonamiento fragmentado se mejoró, dando como resultado salidas más claras.
Estos avances hicieron de DeepSeek-R1 una herramienta más práctica y fiable para aplicaciones del mundo real.
Rendimiento en benchmarks de DeepSeek-R1
DeepSeek-R1 sobresale en matemáticas, logrando puntuaciones máximas del 97.3% en MATH-500 y del 79.8% en AIME 2024, superando a la competencia. En codificación, destaca con un 49.2% en SWE-bench Verified y un 65.9% en Live Code Bench, demostrando su experiencia integral en ambos dominios.
Todos los modelos se evalúan con una longitud máxima de generación de 32,768 tokens, utilizando parámetros de muestreo específicos (temperatura 0.6, top-p 0.95 y 64 respuestas por consulta) para calcular pass@1 para los benchmarks.
Prueba la demostración de DeepSeek-R1 ahora
Modelos DeepSeek-R1-Distill
La destilación, o destilación de conocimiento, es un método de aprendizaje automático que transfiere conocimiento de un modelo más grande a uno más pequeño. El objetivo es desarrollar un modelo más eficiente que pueda lograr un rendimiento similar al del modelo más grande.
DeepSeek también ha lanzado versiones destiladas de R1, ofreciendo modelos más pequeños que conservan gran parte de las capacidades del modelo original, siendo más eficientes computacionalmente. Estos modelos se ajustan utilizando datos generados por DeepSeek-R1 y están disponibles en tamaños desde 1.5 mil millones hasta 70 mil millones de parámetros.
Fuente: Documento de lanzamiento de DeepSeek
Accede a la API de DeepSeek-R1 a través de Novita AI
La plataforma de Novita AI simplifica la implementación de DeepSeek-R1 al proporcionar API simples e infraestructura de GPU en la nube asequible. Los desarrolladores pueden integrar el modelo sin problemas en sus aplicaciones sin preocuparse por la configuración del hardware o la escalabilidad.
Para comenzar con DeepSeek-R1 en Novita AI, sigue estos pasos:
Paso 1: Ve a Novita AI e inicia sesión usando tu cuenta de Google, GitHub o correo electrónico.
Paso 2: Prueba la demostración de DeepSeek-R1.
Paso 3: Supervisa la Consola de Métricas LLM del modelo en Novita AI.
Paso 4: Obtén tu clave API:
- Navega a “Gestión de claves” en la configuración.
- Se crea una clave predeterminada en tu primer inicio de sesión.
- Para generar claves adicionales, haz clic en “+ Agregar nueva clave.”
Paso 5: Configura tu entorno de desarrollo y ajusta opciones como contenido, rol, nombre y prompt.
Integración de API
Novita AI proporciona bibliotecas cliente para Curl, Python y JavaScript, facilitando la integración de DeepSeek-R1 en tus proyectos:
Para usuarios de Python:
from openai import OpenAI
client = OpenAI(
base_url="https://api.novita.ai/v3/openai",
api_key="<TU CLAVE API DE Novita AI>",
)
model = "deepseek/deepseek-r1"
stream = True # or False
max_tokens = 2048
system_content = """Be a helpful assistant"""
temperature = 1
top_p = 1
min_p = 0
top_k = 50
presence_penalty = 0
frequency_penalty = 0
repetition_penalty = 1
response_format = { "type": "text" }
chat_completion_res = client.chat.completions.create(
model=model,
messages=[
{
"role": "system",
"content": system_content,
},
{
"role": "user",
"content": "Hi there!",
}
],
stream=stream,
max_tokens=max_tokens,
temperature=temperature,
top_p=top_p,
presence_penalty=presence_penalty,
frequency_penalty=frequency_penalty,
response_format=response_format,
extra_body={
"top_k": top_k,
"repetition_penalty": repetition_penalty,
"min_p": min_p
}
)
if stream:
for chunk in chat_completion_res:
print(chunk.choices[0].delta.content or "", end="")
else:
print(chat_completion_res.choices[0].message.content)
Para usuarios de JavaScript:
import OpenAI from "openai";
const openai = new OpenAI({
baseURL: "https://api.novita.ai/v3/openai",
apiKey: "<TU CLAVE API DE Novita AI>",
});
const stream = true; // or false
async function run() {
const completion = await openai.chat.completions.create({
messages: [
{
role: "system",
content: "Be a helpful assistant",
},
{
role: "user",
content: "Hi there!",
},
],
model: "deepseek/deepseek-r1",
stream,
response_format: { type: "text" },
max_tokens: 2048,
temperature: 1,
top_p: 1,
min_p: 0,
top_k: 50,
presence_penalty: 0,
frequency_penalty: 0,
repetition_penalty: 1
});
if (stream) {
for await (const chunk of completion) {
if (chunk.choices[0].finish_reason) {
console.log(chunk.choices[0].finish_reason);
} else {
console.log(chunk.choices[0].delta.content);
}
}
} else {
console.log(JSON.stringify(completion));
}
}
run();
Para usuarios de Curl:
curl "https://api.novita.ai/v3/openai/chat/completions" \
-H "Content-Type: application/json" \
-H "Authorization: Bearer <TU CLAVE API DE Novita AI>" \
-d @- << 'EOF'
{
"model": "deepseek/deepseek-r1",
"messages": [
{
"role": "system",
"content": "Be a helpful assistant"
},
{
"role": "user",
"content": "Hi there!"
}
],
"response_format": { "type": "text" },
"max_tokens": 2048,
"temperature": 1,
"top_p": 1,
"min_p": 0,
"top_k": 50,
"presence_penalty": 0,
"frequency_penalty": 0,
"repetition_penalty": 1
}
EOF
💡 Consejos profesionales de DeepSeek
Para lograr un rendimiento óptimo al usar modelos DeepSeek-R1, se recomienda utilizar las siguientes configuraciones:
- Ajustes de temperatura: Establece la temperatura dentro del rango de 0.5-0.7 (se recomienda 0.6) para evitar salidas incoherentes o repeticiones interminables.
- Diseño del prompt: Evita agregar un prompt del sistema; incluye todas las instrucciones directamente en el prompt del usuario.
- Problemas matemáticos: Para tareas que involucren matemáticas, agrega directivas como: “Por favor, razona paso a paso y coloca tu respuesta final dentro de \boxed{}.”
- Evaluación: Realiza múltiples pruebas y promedia los resultados para garantizar un benchmarking fiable.
DeepSeek-R1 vs. OpenAI o1: Rendimiento en benchmarks
DeepSeek-R1 compite directamente con OpenAI o1 en múltiples benchmarks, a menudo igualando o superando su rendimiento.
Benchmarks de matemáticas
En tareas matemáticas avanzadas, DeepSeek-R1 demuestra un rendimiento sólido. Obtiene un 79.8% en AIME 2024, ligeramente por delante de OpenAI o1-1217 con un 79.2%. En MATH-500, que implica resolver diversos problemas de nivel de secundaria, DeepSeek-R1 lidera con un 97.3%, superando el 96.4% de OpenAI o1-1217.
Benchmarks de codificación
En benchmarks de programación, DeepSeek-R1 alcanza un 96.3% en Codeforces, justo detrás del 96.6% de OpenAI o1-1217. Sin embargo, en SWE-bench Verified, que evalúa el razonamiento en tareas de ingeniería de software, DeepSeek-R1 obtiene un 49.2%, ligeramente por delante del 48.9% de OpenAI o1-1217.
Benchmarks de conocimiento general
Si bien OpenAI o1 lidera en tareas de conocimiento general, DeepSeek-R1 sigue siendo competitivo. Obtiene un 71.5% en GPQA Diamond en comparación con el 75.7% de OpenAI o1-1217. En MMLU, un benchmark multitarea, DeepSeek-R1 alcanza un 90.8%, justo detrás del 91.8% de OpenAI o1-1217.
Estos resultados subrayan las fortalezas de DeepSeek-R1 en dominios de razonamiento intensivo, particularmente en matemáticas y programación.
Libera el poder de DeepSeek-R1 hoy
DeepSeek-R1 es un avance significativo en IA centrada en el razonamiento, que ofrece transparencia, fiabilidad y flexibilidad. Su sólido rendimiento en tareas de matemáticas e ingeniería de software lo convierte en una herramienta poderosa para desarrolladores que buscan soluciones en investigación, educación y flujos de trabajo técnicos.
Con su disponibilidad en Novita AI, implementar DeepSeek-R1 es sencillo y rentable. Ya sea que estés abordando problemas matemáticos complejos o automatizando tareas de programación, DeepSeek-R1 ofrece una solución robusta y accesible para diversas aplicaciones de IA.
Acerca de Novita AI
Novita AI es una plataforma de nube de IA que ofrece a los desarrolladores una forma sencilla de implementar modelos de IA mediante nuestra API simple, al mismo tiempo que proporciona una GPU en la nube asequible y confiable para escalar.
