DeepSeek, un laboratoire d’IA chinois, a publié une version open source de DeepSeek-R1, un modèle de raisonnement qui rivalise étroitement avec o1 d’OpenAI sur plusieurs benchmarks. Désormais disponible sur Novita AI, ce modèle est conçu pour gérer des tâches complexes telles que l’inférence logique, les mathématiques et la programmation, ce qui en fait un outil polyvalent pour les développeurs et les entreprises.
Ce qui distingue DeepSeek-R1, c’est son architecture axée sur le raisonnement, qui lui permet de vérifier automatiquement ses résultats pour en garantir l’exactitude. Ce processus peut prendre plus de temps que les modèles de langage traditionnels, mais les résultats sont plus fiables, en particulier pour les cas d’usage en physique, en sciences et en mathématiques.
Cet article explore les capacités uniques de DeepSeek-R1, ses performances sur différents benchmarks et la manière de l’intégrer dans vos workflows via les API de Novita AI.
Qu’est-ce que DeepSeek-R1 ?
DeepSeek-R1 est un modèle de raisonnement open source développé pour résoudre des tâches nécessitant un raisonnement logique, des mathématiques avancées et de la programmation. Il s’appuie sur le précédent DeepSeek-R1-Zero en combinant l’apprentissage par renforcement avec un réglage fin supervisé pour améliorer la clarté et la cohérence des résultats.
Les modèles de raisonnement comme R1 sont conçus pour vérifier leurs résultats, réduisant ainsi les erreurs fréquentes dans les modèles de langage traditionnels. Ils sont donc essentiels pour les domaines nécessitant un haut niveau de précision et de transparence, comme la recherche, l’éducation et la prise de décision.
Ce qui rend DeepSeek-R1 particulièrement compétitif et attractif, c’est sa nature open source. Le modèle est disponible sous licence MIT, permettant une utilisation commerciale sans restriction. Contrairement aux modèles propriétaires, cette approche permet aux développeurs et aux chercheurs d’explorer pleinement son architecture, de le modifier selon leurs besoins et de le déployer dans divers workflows.
Comment DeepSeek-R1 a-t-il été développé ?
Cette section examine la création de DeepSeek-R1, en commençant par son prédécesseur, DeepSeek-R1-Zero.
DeepSeek-R1-Zero
DeepSeek-R1 a débuté avec R1-Zero, un modèle entièrement entraîné par apprentissage par renforcement. Cette approche a permis au modèle de développer de fortes capacités de raisonnement, mais elle présentait plusieurs difficultés :
- Les résultats étaient souvent difficiles à lire.
- Le modèle mélangeait parfois les langues dans ses réponses, ce qui le rendait moins convivial.
Ces limitations rendaient R1-Zero peu pratique pour les applications réelles, malgré sa validité logique.
Défis de l’apprentissage par renforcement pur
Le recours exclusif à l’apprentissage par renforcement a produit des résultats logiquement valides mais mal structurés. Sans données supervisées pour guider le modèle, il peinait à communiquer son raisonnement de manière efficace. Ce manque de clarté constituait un obstacle pour les utilisateurs exigeant précision et transparence.
Améliorations avec DeepSeek-R1
Pour surmonter ces défis, DeepSeek a adopté une approche hybride lors du développement de R1. En combinant apprentissage par renforcement et réglage fin supervisé, l’équipe a intégré des ensembles de données organisés pour améliorer la lisibilité et la cohérence du modèle. Ce changement a résolu des problèmes essentiels :
- Le mélange des langues a été considérablement réduit.
- Le raisonnement fragmenté a été amélioré, produisant des résultats plus clairs.
Ces avancées ont fait de DeepSeek-R1 un outil plus pratique et fiable pour les applications réelles.
Benchmark de performance de DeepSeek-R1
DeepSeek-R1 excelle en mathématiques, obtenant des scores de 97,3 % sur MATH-500 et de 79,8 % sur AIME 2024, surpassant ses concurrents. En programmation, il se distingue avec 49,2 % sur SWE-bench Verified et 65,9 % sur Live Code Bench, démontrant une expertise équilibrée dans les deux domaines.
Tous les modèles sont évalués avec une longueur maximale de génération de 32 768 tokens, en utilisant des paramètres d’échantillonnage spécifiques (température 0,6, top-p 0,95, et 64 réponses par requête) pour calculer le pass@1 des benchmarks.
Essayez la démo DeepSeek-R1 maintenant
Modèles distillés DeepSeek-R1-Distill
La distillation, ou distillation des connaissances, est une méthode d’apprentissage automatique qui transfère les connaissances d’un modèle plus grand vers un modèle plus petit. L’objectif est de développer un modèle plus efficace tout en conservant des performances similaires à celles du modèle original.
DeepSeek a également publié des versions distillées de R1, proposant des modèles plus petits qui conservent une grande partie des capacités du modèle original tout en étant plus efficaces sur le plan computationnel. Ces modèles sont affinés à l’aide de données générées par DeepSeek-R1 et sont disponibles en tailles allant de 1,5 à 70 milliards de paramètres.
Source : Article de présentation de DeepSeek
Accédez à l’API DeepSeek-R1 via Novita AI
La plateforme Novita AI simplifie le déploiement de DeepSeek-R1 en fournissant des API simples et une infrastructure cloud GPU abordable. Les développeurs peuvent intégrer le modèle de manière transparente dans leurs applications sans se soucier de la configuration matérielle ou de la mise à l’échelle.
Pour commencer avec DeepSeek-R1 sur Novita AI, suivez ces étapes :
Étape 1 : Rendez-vous sur Novita AI et connectez-vous avec votre compte Google, GitHub ou votre adresse e-mail.
Étape 2 : Essayez la démo DeepSeek-R1.
Étape 3 : Surveillez la console des métriques LLM du modèle sur Novita AI.
Étape 4 : Obtenez votre clé API :
- Accédez à « Gestion des clés » dans les paramètres.
- Une clé par défaut est créée lors de votre première connexion.
- Pour générer des clés supplémentaires, cliquez sur « + Ajouter une nouvelle clé. »
Étape 5 : Configurez votre environnement de développement et définissez les options telles que le contenu, le rôle, le nom et le prompt.
Intégration API
Novita AI propose des bibliothèques clientes pour Curl, Python et JavaScript, facilitant l’intégration de DeepSeek-R1 dans vos projets :
Pour les utilisateurs Python :
from openai import OpenAI
client = OpenAI(
base_url="https://api.novita.ai/v3/openai",
api_key="<VOTRE CLÉ API 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)
Pour les utilisateurs JavaScript :
import OpenAI from "openai";
const openai = new OpenAI({
baseURL: "https://api.novita.ai/v3/openai",
apiKey: "<VOTRE CLÉ API 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();
Pour les utilisateurs Curl :
curl "https://api.novita.ai/v3/openai/chat/completions" \
-H "Content-Type: application/json" \
-H "Authorization: Bearer <VOTRE CLÉ API 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
💡 Conseils d’expert de DeepSeek
Pour obtenir des performances optimales avec les modèles DeepSeek-R1, il est recommandé d’utiliser les configurations suivantes :
- Réglage de la température : Réglez la température entre 0,5 et 0,7 (0,6 est recommandé) pour éviter des résultats incohérents ou des répétitions sans fin.
- Conception du prompt : Évitez d’ajouter un prompt système ; incluez toutes les instructions directement dans le prompt utilisateur.
- Problèmes mathématiques : Pour les tâches mathématiques, ajoutez des directives comme : « Raisonnez étape par étape et placez votre réponse finale entre \boxed{}. »
- Évaluation : Effectuez plusieurs tests et faites la moyenne des résultats pour garantir un benchmarking fiable.
DeepSeek-R1 vs. OpenAI o1 : performances des benchmarks
DeepSeek-R1 rivalise directement avec OpenAI o1 sur de nombreux benchmarks, atteignant ou surpassant souvent ses performances.
Benchmarks mathématiques
Sur des tâches mathématiques avancées, DeepSeek-R1 démontre des performances solides. Il obtient 79,8 % sur AIME 2024, légèrement devant OpenAI o1-1217 avec 79,2 %. Sur MATH-500, qui implique la résolution de divers problèmes de niveau lycée, DeepSeek-R1 est en tête avec 97,3 %, surpassant les 96,4 % d’OpenAI o1-1217.
Benchmarks de programmation
En programmation, DeepSeek-R1 atteint 96,3 % sur Codeforces, juste derrière OpenAI o1-1217 avec 96,6 %. Cependant, sur SWE-bench Verified, qui évalue le raisonnement dans les tâches de génie logiciel, DeepSeek-R1 obtient 49,2 %, légèrement devant les 48,9 % d’OpenAI o1-1217.
Benchmarks de connaissances générales
Si OpenAI o1 est en tête dans les tâches de connaissances générales, DeepSeek-R1 reste compétitif. Il obtient 71,5 % sur GPQA Diamond contre 75,7 % pour OpenAI o1-1217. Sur MMLU, un benchmark multitâche, DeepSeek-R1 atteint 90,8 %, juste derrière les 91,8 % d’OpenAI o1-1217.
Ces résultats soulignent les points forts de DeepSeek-R1 dans les domaines nécessitant un raisonnement intensif, en particulier les mathématiques et la programmation.
Libérez la puissance de DeepSeek-R1 dès aujourd’hui
DeepSeek-R1 constitue une avancée significative dans l’IA axée sur le raisonnement, offrant transparence, fiabilité et flexibilité. Ses performances solides en mathématiques et en génie logiciel en font un outil puissant pour les développeurs cherchant des solutions dans la recherche, l’éducation et les workflows techniques.
Grâce à sa disponibilité sur Novita AI, le déploiement de DeepSeek-R1 est simple et économique. Que vous résolviez des problèmes mathématiques complexes ou que vous automatisiez des tâches de programmation, DeepSeek-R1 offre une solution robuste et accessible pour diverses applications d’IA.
À propos de Novita AI
Novita AI est une plateforme cloud d’IA qui offre aux développeurs un moyen simple de déployer des modèles d’IA via notre API simple, tout en fournissant un cloud GPU abordable et fiable pour construire et passer à l’échelle.
