构建企业私有RAG大模型: DeepSeek-R1干翻OpenAI-o1-mini，开源部署走起(可商用)

DeepSeek-R1 的诞生将对大模型领域产生深远影响。首先，它在数学推理和代码理解方面的突破，推动了这些领域的技术进步。其次，DeepSeek-R1的成功应用将激励更多行业定制化大模型的需求，促使企业在特定领域开发适应性更强的模型。此外，凭借其高效的推理能力和低成本优势，DeepSeek-R1将推动开源大模型的普及，降低技术门槛，促进更多中小企业的应用。而其在推理效率、内存管理和分布式计算等方

Python_金钱豹

1961人浏览 · 2025-02-01 10:45:00

Python_金钱豹 · 2025-02-01 10:45:00 发布

DeepSeek-R1模型以仅占OpenAI o1模型3%-5%的成本，便实现了与o1相当或甚至超越的性能，这一创新成果令人震惊，标志着DeepSeek-R1的诞生可能正在重新定义大模型发展的战略。

在数学、编程及推理任务方面，DeepSeek-R1已成功达到了与OpenAI o1相媲美的性能。为了支持研究社区的发展，DeepSeek团队开源了DeepSeek-R1-Zero、DeepSeek-R1及基于Llama和Qwen从DeepSeek-R1衍生出的六个精简模型。其中，DeepSeek-R1-Distill-Qwen-32B在多个基准测试中超越了OpenAI-o1-mini，为密集型模型带来了全新的最先进成果。

DeepSeek-R1-Zero与DeepSeek-R1均基于DeepSeek-V3-Base进行训练，而DeepSeek-R1-Distill模型则经过Llama和Qwen的微调，使用DeepSeek-R1生成的样本进行配置，并对分词器做了轻微调整。

DeepSeek-R1及其衍生的六个精简模型在性能评估上表现出了极为出色的结果，在许多方面，R1的表现都超越了V3，成为了行业的标杆。

下表是DeepSeek-R1官网给出评估报告：

官网评估部分截取

从这份测试报告中可以看出，DeepSeek-R1在代码（Code）和数学（Math）领域的表现全面超越了几款闭源模型，特别是OpenAI的o1-mini。报告显示，DeepSeek-R1的性能不仅超越了o1-mini，还全面超过了V3。R1的问世，不仅在国内引起了广泛的关注，也对国际大模型市场产生了巨大冲击，迅速引起了OpenAI等科技巨头的高度关注。

官网评估部分截取

上表是基于Llama和Qwen从DeepSeek-R1衍生出的六个精简模型的测试报告，性能同样亮眼。尤其是DeepSeek-R1-Distill-Qwen-32B模型，各项指标均高于GPT-4o0513、Claude-3.5-Sonnet-1022、o1-mini等三个最受关注的闭源模型。

那么DeepSeek-R1是如何产生的？

DeepSeek-R1的诞生

DeepSeek在推出第一代推理模型 DeepSeek-R1-Zero 和 DeepSeek-R1。DeepSeek-R1-Zero 是一种通过大规模强化学习 (RL) 训练的模型，无需监督微调 (SFT) 作为初步步骤，在推理方面表现出色。在 RL 的帮助下，DeepSeek-R1-Zero 自然而然地出现了许多强大而有趣的推理行为。然而，DeepSeek-R1-Zero 面临着诸如无休止重复、可读性差和语言混合等挑战。为了解决这些问题并进一步提高推理性能，他们引入了 DeepSeek-R1，它在 RL 之前整合了冷启动数据。DeepSeek-R1 在数学、代码和推理任务中实现了与 OpenAI-o1 相当的性能。同时公司还从DeepSeek-R1 以及基于 Llama 和 Qwen 从 DeepSeek-R1 中提炼出的六个密集模型。其中DeepSeek-R1-Distill-Qwen-32B 在各种基准测试中均优于 OpenAI-o1-mini。

训练后：基础模型上的大规模强化学习（说明来自DeepSeek-R1）

我们直接将强化学习 (RL) 应用于基础模型，而无需依赖监督微调 (SFT) 作为初步步骤。这种方法允许模型探索解决复杂问题的思路 (CoT)，从而开发出 DeepSeek-R1-Zero。DeepSeek-R1-Zero 展示了自我验证、反思和生成长 CoT 等功能，标志着研究界的一个重要里程碑。值得注意的是，这是第一个公开研究，验证了 LLM 的推理能力可以纯粹通过 RL 来激励，而无需 SFT。这一突破为该领域的未来发展铺平了道路。
我们引入了用于开发 DeepSeek-R1 的流水线。该流水线包含两个 RL 阶段，旨在发现改进的推理模式并与人类偏好保持一致，以及两个 SFT 阶段，作为模型推理和非推理能力的种子。我们相信该流水线将通过创建更好的模型使行业受益。

DeepSeek-R1部署

DeepSeek-R1 基于 DeepSeek-V3-Base 进行训练。所以R1的部署可以参考V3的部署。

DeepSeek-R1-Distill 模型部署

DeepSeek-R1-Distill 模型可以与 Qwen 或 Llama 模型相同的方式使用。我们以DeepSeek-R1-Distill-Qwen-32B为例，讲讲如何使用开源加速工具部署。

模型下载，使用hf-mirror实现下载

cd deepseek-ai``git clone https://hf-mirror.com/deepseek-ai/DeepSeek-R1-Distill-Qwen-32B

使用vLLM部署，请执行以下命令：

export CUDA_VISIBLE_DEVICES=0,1``vllm serve deepseek-ai/DeepSeek-R1-Distill-Qwen-32B --tensor-parallel-size 2 --max-model-len 32768 --enforce-eager

使用SGLang部署，请执行以下命令：

export CUDA_VISIBLE_DEVICES=0,1``python3 -m sglang.launch_server --model deepseek-ai/DeepSeek-R1-Distill-Qwen-32B --trust-remote-code --tp 2

以vLLM为例进行命令解析：

vllm serve: 这是启动 vLLM 服务的命令，vLLM 用于优化大型语言模型（LLM）的推理效率。
deepseek-ai/DeepSeek-R1-Distill-Qwen-32B: 这是所要加载的模型名称。在这里，指定了 DeepSeek-R1-Distill-Qwen-32B 这个模型，属于 DeepSeek 系列，且经过蒸馏（Distill）处理的版本，适合大规模推理任务。
--tensor-parallel-size 2: 这是设置模型分布式并行的参数，具体指定了分布式计算时的 tensor parallel 大小。值 2 表示将模型分割成两个部分，使用两块 GPU 来共同处理模型的计算，适用于大模型的高效推理。
--max-model-len 32768: 该参数指定了模型最大处理的输入长度，这里设置为 32,768。这个参数决定了模型在处理文本时，能够一次性处理的最大 token 数量。较大的模型长度有助于处理较长的上下文。
--enforce-eager: 这个参数启用 eager execution 模式，意味着模型的推理将在计算时立即进行，而不等待所有操作被构建好后再进行。这种方式可以在某些情况下提高推理的灵活性和效率，但也可能增加内存开销。

DeepSeek-R1-Distill-Qwen-32B模型较大，如果是A100、H100的卡，2张可以启动，但是4090卡2张就不能启动了，会报GPU内存溢出，所以如果你使用4090至少设置4张卡。

写在最后

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述