01Ce qu'il sait faire
Points forts
- Licence MIT
- Raisonneur open de référence
- MATH-500 97.3
Limites à connaître
- —400+ GB en Q4 — hors de portée laptop/workstation standard
- —Réservé stations sérieuses ou serveurs
Architecture
MoE (hérité de V3) · Multi-head Latent Attention · auxiliary-loss-free · entraîné RL
Entraînement
Distillation + RL multi-étapes. Update R1-0528 (Mai 2025).
Idéal pour
Raisonnement frontièreMaths/sciences
02Mémoire requise
VRAM GPU approximative pour faire tourner ce modèle, overhead contexte de 4k tokens inclus. Pour un contexte plus long, ajoutez ~1 Go par tranche de 8k tokens.
Q4_K_M
Le plus léger, ~5% de perte
400 Go
Q5_K_M
Bon compromis qualité/taille
480 Go
Q8_0
Quasi-indistinguable de FP16
720 Go
FP16
Pleine précision — usage serveur
1342 Go
Fallback CPU · Si vous n'avez pas de GPU, comptez 512 Go de RAM minimum pour faire tourner ce modèle à vitesse réduite.
03Vitesse attendue
Tokens générés par seconde en Q4_K_M, contexte 4k. Au-delà de 20 t/s, la lecture est confortable. En dessous de 10 t/s, c'est juste pour tester.
04Benchmarks publics
Scores reproduits depuis les model cards ou MMLU-Pro / communautaires. Unité : % bonnes réponses.
MMLU
90.8
GPQA Diamond
71.5
MATH-500
97.3
05Installer
Le chemin le plus court : Ollama. Une commande, le modèle est téléchargé et lancé.
$ollama run deepseek-r1:671b
LM Studio
Interface graphique, zéro CLI
→ Voir le guide
llama.cpp
Perf brute, build from source
→ Voir le guide
vLLM
Serveur OpenAI-compatible prod
→ Voir le guide
Jan / GPT4All
Apps desktop tout-en-un
→ Voir le guide
⚠
Premier téléchargement : entre 2 et 40 Go selon la quantization choisie. Espace disque à prévoir, connexion stable recommandée. Les relances suivantes sont instantanées.