Fiche modèle
DeepSeek-R1
DeepSeek · poids ouverts · sorti le 20/01/2025
Date de sortie, éditeur et accès : Epoch AI, CC BY 4.0. Fiche régénérée le 07/10/2026.
Taille
671 Md
paramètres
Scores
Rang parmi les 274 modèles de l’indice ECI évalués par la même source. Un nom de benchmark mène à son explication.
| Benchmark | Score | Rang | Réglage | Source |
|---|---|---|---|---|
| Indice de capacités ECI (Epoch AI)Capacités générales | 139,0136,3–140,3 | 124 / 274 | Epoch AI, CC BY 4.0, non daté par la source, vu publié le 07/10/2026 | |
| LMArena texte, contrôle du styleConversation (préférence humaine) | 1 3981 393–1 403 | 81 / 166 | « deepseek-r1 » | LMArena, CC BY 4.0, publié le 02/10/2026 |
| GPQA Diamond (Epoch AI)Sciences | 71,7 %65,7–77,7 | 98 / 186 | réglage « DeepSeek-R1 » | Epoch AI, CC BY 4.0, publié le 26/05/2025 |
| FrontierMath, niveaux 1 à 3 (Epoch AI) | non évalué par Epoch AI | |||
| OTIS Mock AIME 2024-2025 (Epoch AI)Maths de concours | 53,3 %38,6–68,1 | 112 / 176 | réglage « DeepSeek-R1 » | Epoch AI, CC BY 4.0, publié le 26/02/2025 |
| SimpleQA Verified (Epoch AI) | non évalué par Epoch AI | |||
| SWE-bench Verified (Epoch AI) | non évalué par Epoch AI | |||
Sources : Epoch AI, « Capabilities & benchmarking », epoch.ai/benchmarks (CC BY 4.0) ; LMArena, leaderboard-dataset (Hugging Face), CC BY 4.0. Données adaptées : pourcentages, arrondis, meilleur réglage retenu, prix mélangé, rangs et frontière calculés ici.
Prix par fournisseur d’API
| Fournisseur | Entrée $/M | Sortie $/M | Mélangé | Clé LiteLLM |
|---|---|---|---|---|
| DeepSeekéditeur | 0,55 $ | 2,19 $ | 0,96 $ | deepseek/deepseek-r1 |
| Hyperbolic | 0,40 $ | 0,40 $ | 0,40 $ | hyperbolic/deepseek-ai/DeepSeek-R1 |
| DeepInfra | 0,70 $ | 2,40 $ | 1,13 $ | deepinfra/deepseek-ai/DeepSeek-R1 |
| Nebius | 0,80 $ | 2,40 $ | 1,20 $ | nebius/deepseek-ai/DeepSeek-R1 |
| Microsoft Azure AI Foundry | 1,35 $ | 5,40 $ | 2,36 $ | azure_ai/deepseek-r1 |
| Snowflake | 1,35 $ | 5,40 $ | 2,36 $ | snowflake/deepseek-r1 |
| Novita AI | 4,00 $ | 4,00 $ | 4,00 $ | novita/deepseek/deepseek-r1 |
| Fireworks AI | 3,00 $ | 8,00 $ | 4,25 $ | fireworks_ai/accounts/fireworks/models/deepseek-r1 |
| Replicate | 3,75 $ | 10,00 $ | 5,31 $ | replicate/deepseek-ai/deepseek-r1 |
| SambaNova | 5,00 $ | 7,00 $ | 5,50 $ | sambanova/DeepSeek-R1 |
$ par million de jetons, tarif catalogue sans remise, sans cache ni traitement par lots. 10 offres rapprochées. Écart entre le moins cher (Hyperbolic, 0,40 $) et le plus cher : × 13,8. Relevé du 07/10/2026 ; vérifier chez le fournisseur avant de choisir. Sources : Prix : LiteLLM (BerriAI), licence MIT, © 2023 Berri AI. Données adaptées : pourcentages, arrondis, meilleur réglage retenu, prix mélangé, rangs et frontière calculés ici.
L’héberger soi-même
- Accès aux poids
- poids libres (usage sans restriction) (Epoch AI, CC BY 4.0)
- Licence
- MIT (carte du dépôt, déclaration de l’éditeur lue le 01/10/2026 ; lire la licence avant tout usage commercial)
- Taille
- 671 Md de paramètres (Epoch AI, CC BY 4.0 ; note : « 671B total 37B activated https://github.com/deepseek-ai/DeepSeek-R1/tree/main »)
- Poids
- huggingface.co/deepseek-ai/DeepSeek-R1 (dépôt rapproché par la table de correspondance, existence vérifiée auprès de Hugging Face le 01/10/2026)
Mémoire nécessaire
| Format des poids | Poids seuls | Ordre de grandeur du matériel |
|---|---|---|
| BF16 (pleine précision usuelle) | 1 342 Go | plusieurs serveurs à huit cartes |
| FP8 / 8 bits | 671 Go | un serveur à huit cartes de 141 à 192 Go |
| 4 bits (GGUF Q4_K_M, environ 4,8 bits par paramètre) | 403 Go | un serveur à huit cartes de 80 Go (640 Go) |
Calcul du Crible : 671 Md de paramètres × 2 octets (BF16), × 1 (FP8), × 0,6 environ (4 bits). Ajouter le cache de contexte, qui grandit avec la longueur des conversations et le nombre d’utilisateurs.
Outils
- vLLM (serveur, cartes graphiques) :
vllm serve deepseek-ai/DeepSeek-R1sert le dépôt Hugging Face derrière une API compatible OpenAI. Le modèle doit être pris en charge par la version installée. - llama.cpp (ordinateur, processeur ou carte graphique) : lit les poids au format GGUF, souvent publiés en 4 bits par la communauté. Chercher une version GGUF (rien ne garantit qu’elle existe ni qu’elle est fidèle), puis
llama-server -hf <dépôt GGUF>. - Ollama (le plus simple sur un ordinateur) :
ollama run hf.co/<dépôt GGUF>lance une version GGUF publiée sur Hugging Face.
Commandes d’après la documentation de chaque outil (liens ci-dessus). Les tailles, l’accès et les liens viennent des sources citées ; de Hugging Face, Le Crible ne reprend que l’adresse du dépôt et l’identifiant de licence déclaré sur sa carte. Sources : Epoch AI, « Data on AI models », epoch.ai/data/ai-models (CC BY 4.0) ; LMArena, leaderboard-dataset (Hugging Face), CC BY 4.0. Données adaptées : pourcentages, arrondis, meilleur réglage retenu, prix mélangé, rangs et frontière calculés ici.
Évolution
Aucun changement de prix relevé depuis le début de nos relevés quotidiens.