DeepSeek R1 désigne une famille de modèles de raisonnement publiée par DeepSeek en 2025. Elle comprend le modèle de recherche R1-Zero, la version originale DeepSeek-R1, la mise à jour DeepSeek-R1-0528 et plusieurs modèles distillés plus petits. Ces poids restent utiles pour la recherche, l’évaluation et l’exécution locale, mais R1 n’est plus la génération proposée par l’API officielle DeepSeek : les nouveaux projets doivent utiliser les identifiants V4 actuellement documentés.
Réponse rapide : choisissez R1-0528 ou un modèle distillé si vous avez besoin d’un ancien modèle de raisonnement à poids téléchargeables. Pour une application hébergée sans infrastructure GPU à administrer, utilisez plutôt l’API DeepSeek actuelle. Ne confondez pas le nom d’une famille de poids, le bouton « DeepThink » du service officiel et l’identifiant d’un modèle API.
Transparence : deepseek-fr.ai est un guide francophone indépendant, non affilié à DeepSeek. Cette page décrit des versions historiques et téléchargeables ; elle ne fournit pas le modèle. Dernière vérification factuelle : 20 juillet 2026, à partir des dépôts, model cards, article scientifique et documentation API officiels.
DeepSeek R1 en bref : statut actuel
| Question | Réponse vérifiée |
|---|---|
| Nature | Famille de modèles orientés raisonnement, publiée en 2025 |
| Version R1 la plus récente publiée comme poids officiels | DeepSeek-R1-0528, avec un distillat officiel Qwen3 8B |
| Architecture du grand modèle | MoE issue de DeepSeek-V3 : 671 milliards de paramètres au total, 37 milliards activés par token |
| Contexte de la version originale | 128K tokens selon le dépôt officiel R1 |
| Poids téléchargeables | Oui, sur le compte officiel deepseek-ai de Hugging Face |
| Licence | MIT pour R1 et R1-0528 ; vérifier aussi la licence du modèle de base pour certains distillats Llama ou Qwen |
| Modèle API actuel | Non : l’API officielle utilise désormais deepseek-v4-flash et deepseek-v4-pro |
| Usage local | Réaliste surtout avec les distillats ; le grand modèle exige une infrastructure distribuée |
Où accéder officiellement à DeepSeek R1 ?
| Besoin | Adresse officielle | Ce que vous obtenez |
|---|---|---|
| Télécharger un checkpoint R1 précis | huggingface.co/deepseek-ai | Poids et model cards publiés par l’organisation DeepSeek vérifiée |
| Utiliser le service web | chat.deepseek.com | L’assistant officiel actuel ; ne supposez pas qu’il exécute encore le checkpoint R1 historique |
| Créer une application avec l’API actuelle | platform.deepseek.com | Accès aux modèles V4 officiellement servis et à la gestion des clés |
Un site, une application ou un hébergeur tiers peut proposer R1 sans être DeepSeek. Vérifiez l’opérateur, le checkpoint exact, la politique de données et la tarification avant de transmettre un document ou une clé API. Notre page accéder au chat officiel DeepSeek aide à reconnaître le bon domaine.
R1, R1-Zero, R1-0528 et distillats : quelles différences ?
| Version | Rôle | À retenir |
|---|---|---|
| DeepSeek-R1-Zero | Modèle de recherche entraîné par apprentissage par renforcement sans étape SFT préalable | Important pour la recherche, mais sujet aux répétitions, au mélange de langues et à une lisibilité médiocre |
| DeepSeek-R1 | Version originale publiée en janvier 2025 | Ajoute des données de démarrage à froid et plusieurs étapes d’alignement pour améliorer la lisibilité et le comportement |
| DeepSeek-R1-0528 | Mise à jour de mai 2025 | Raisonnement plus profond, meilleurs résultats officiels en mathématiques et en code, support du system prompt |
| R1-Distill 1.5B à 70B | Six modèles denses dérivés de Qwen2.5 ou Llama | Beaucoup plus accessibles en local, mais ce ne sont pas le modèle MoE R1 complet |
| R1-0528-Qwen3-8B | Distillat de R1-0528 basé sur l’architecture Qwen3 8B | Option officielle compacte pour expérimenter localement avec le comportement de raisonnement distillé |
Le dépôt officiel DeepSeek-R1 répertorie six distillats originaux : Qwen 1.5B, 7B, 14B et 32B, ainsi que Llama 8B et 70B. Ils ont été affinés sur des données de raisonnement générées par R1. Une taille identique ne garantit toutefois ni la même architecture, ni le même tokenizer, ni les mêmes résultats qu’un modèle de base portant un nom voisin.
Comment fonctionne DeepSeek R1 ?
Une base MoE issue de DeepSeek-V3
DeepSeek-R1 et R1-Zero sont entraînés à partir de DeepSeek-V3-Base. Leur architecture Mixture-of-Experts compte 671 milliards de paramètres au total, mais environ 37 milliards sont activés pour chaque token. Cette activation parcimonieuse réduit le calcul par token par rapport à un modèle dense de même taille totale. Elle ne signifie pas que seuls 37 milliards de paramètres doivent être téléchargés ou conservés en mémoire : l’ensemble des experts doit rester disponible.
Apprentissage par renforcement et démarrage à froid
R1-Zero a servi à montrer que des comportements comme la vérification, la réflexion et l’allongement du raisonnement pouvaient émerger avec un apprentissage par renforcement à grande échelle. Le résultat présentait cependant des défauts pratiques. Pour DeepSeek-R1, l’équipe a introduit des données de démarrage à froid, deux étapes d’apprentissage par renforcement et deux étapes de supervised fine-tuning. L’objectif était de conserver les capacités de résolution tout en améliorant la lisibilité, l’utilité générale et l’alignement avec les préférences humaines.
Cette méthode n’offre pas une preuve automatique de justesse. Un raisonnement long peut contenir une erreur précoce puis la développer de manière convaincante. Pour les mathématiques, le code, le droit, la santé ou la sécurité, vérifiez la conclusion avec une méthode indépendante.
Pourquoi la distillation change le choix matériel
La distillation transfère une partie des schémas de résolution produits par un grand modèle vers un modèle dense plus petit. Les checkpoints R1-Distill ne sont donc pas des versions simplement « compressées » bit pour bit du modèle 671B : ils reposent sur Qwen ou Llama et ont été affinés avec des exemples générés par R1. Ils perdent une partie des capacités du grand modèle, mais sont beaucoup plus faciles à héberger, tester et quantifier.
Que change DeepSeek-R1-0528 ?
La model card officielle de R1-0528 présente cette version comme une mise à jour mineure de la famille, mais les changements mesurés sont importants sur certains tests. DeepSeek indique notamment un raisonnement plus profond, une baisse des hallucinations, un meilleur function calling et une amélioration en programmation. Sur ses propres évaluations, l’entreprise publie par exemple un passage de 70,0 % à 87,5 % sur AIME 2025 et de 49,2 % à 57,6 % sur SWE-bench Verified.
Ces chiffres décrivent un protocole précis, avec ses jeux de données, températures, longueurs de génération et méthodes d’évaluation. Ils ne prédisent pas exactement le résultat sur vos documents français, votre dépôt privé ou votre matériel. Testez plusieurs cas représentatifs, mesurez le taux d’erreur et comparez le coût total avant de choisir.
- R1-0528 accepte un system prompt, contrairement à la recommandation restrictive publiée pour le R1 original.
- Il n’est plus nécessaire de forcer le début de sortie avec une balise
<think>. - DeepSeek indique une température de 0,6 dans son environnement web/app et dans son protocole d’évaluation.
- La longueur de raisonnement peut augmenter fortement sur un problème complexe ; prévoyez latence, mémoire KV et limite de sortie en conséquence.
R1 est-il encore disponible dans l’API DeepSeek ?
Les poids R1 restent téléchargeables, mais l’API officielle a changé de génération. Au 20 juillet 2026, la documentation DeepSeek-V4 demande d’utiliser deepseek-v4-flash ou deepseek-v4-pro. L’ancien identifiant deepseek-reasoner est devenu un alias temporaire vers V4-Flash en mode thinking et DeepSeek a annoncé son retrait complet après le 24 juillet 2026 à 15:59 UTC.
Par conséquent, ne créez pas une nouvelle intégration en supposant que deepseek-reasoner appelle encore R1. Si vous devez reproduire précisément une expérience R1, épinglez le checkpoint officiel et le runtime en local ou chez un fournisseur qui nomme explicitement ce checkpoint. Pour un nouveau produit, consultez notre guide de l’API DeepSeek et la page du modèle DeepSeek V4 actuel.
Quelle version de R1 choisir ?
| Besoin | Choix raisonnable | Pourquoi |
|---|---|---|
| Étudier la méthode RL originale | R1-Zero et l’article scientifique | Valeur de recherche, pas expérience utilisateur optimale |
| Reproduire les résultats de janvier 2025 | DeepSeek-R1 original | Checkpoint stable correspondant à cette publication |
| Tester le meilleur grand checkpoint R1 publié | DeepSeek-R1-0528 | Mise à jour officielle de la famille |
| Ordinateur ou serveur à ressources limitées | R1-0528-Qwen3-8B ou un distillat original adapté | Empreinte nettement plus faible que le 671B |
| Qualité locale supérieure avec infrastructure plus solide | Distillat 32B ou 70B après benchmark interne | Compromis possible entre capacité et coût |
| Application cloud sans gestion de GPU | API DeepSeek V4 actuelle | Service géré et identifiants officiellement maintenus |
Le nombre de paramètres ne suffit pas pour choisir. Mesurez aussi la qualité en français, la vitesse du premier token, les tokens par seconde, la mémoire avec votre longueur de contexte, la stabilité du runtime, la licence, la consommation électrique et le temps d’administration.
Exécuter un distillat R1 localement : exemple minimal
Le grand R1 nécessite un environnement multi-GPU ou multi-nœud spécialisé. Pour un premier test, le checkpoint officiel DeepSeek-R1-0528-Qwen3-8B est plus réaliste. La model card indique qu’il partage l’architecture de Qwen3-8B avec la configuration de tokenizer R1-0528 et peut être servi avec vLLM.
python -m venv .venv
source .venv/bin/activate
python -m pip install --upgrade vllm
vllm serve deepseek-ai/DeepSeek-R1-0528-Qwen3-8BDans un autre terminal, interrogez le serveur local compatible avec le format Chat Completions :
curl http://localhost:8000/v1/chat/completions \
-H "Content-Type: application/json" \
-d '{
"model": "deepseek-ai/DeepSeek-R1-0528-Qwen3-8B",
"messages": [
{"role": "user", "content": "Calcule 17 × 24 et vérifie le résultat."}
]
}'La compatibilité dépend de la version de vLLM, du pilote, du GPU et du format des poids. Épinglez les versions en production et consultez la model card officielle du checkpoint 8B. Une quantification communautaire peut réduire la mémoire, mais elle n’est pas automatiquement publiée, testée ou garantie par DeepSeek. Vérifiez son auteur, son hash, sa licence et sa perte de qualité.
Notre guide exécuter DeepSeek localement détaille le choix du runtime. Si votre priorité est de décider entre hébergement et service géré, commencez par DeepSeek local ou API.
Prompts utiles pour un modèle de raisonnement
Demandez une méthode vérifiable et une réponse finale structurée plutôt qu’un long monologue. Par exemple :
Résous le problème ci-dessous.
Contraintes :
- indique les hypothèses nécessaires ;
- vérifie le calcul avec une seconde méthode ;
- si une donnée manque, pose une question au lieu de l'inventer ;
- termine par une réponse courte et clairement identifiable.
Problème : [votre problème]Pour du code, fournissez la version du langage, les dépendances, le message d’erreur complet et un test reproductible. Demandez ensuite un correctif minimal et les commandes de test. Ne collez jamais de clé API, mot de passe, donnée client ou dépôt confidentiel dans un service distant. En local, vérifiez également les journaux, plugins, interfaces web et connexions sortantes.
Licence et usage commercial
Le code et les poids de DeepSeek-R1 ainsi que ceux de R1-0528 sont publiés sous licence MIT selon les dépôts officiels, avec usage commercial, modification et distillation autorisés. Il faut néanmoins conserver les notices applicables et distinguer plusieurs couches : poids, code d’inférence, dépendances, données, interface et marque.
- Les distillats Qwen2.5 originaux dérivent de checkpoints sous Apache 2.0.
- Les distillats Llama 8B et 70B dérivent de modèles soumis aux licences Llama correspondantes.
- La model card officielle de R1-0528-Qwen3-8B étiquette ce checkpoint sous MIT.
- Une licence de poids ne donne pas automatiquement le droit d’utiliser le nom ou le logo DeepSeek comme si votre service était officiel.
Avant une distribution commerciale, lisez les fichiers de licence exacts du checkpoint et de chaque dépendance. Cette page explique les documents publiés, mais ne remplace pas une analyse juridique de votre produit.
Limites et précautions de sécurité
- Hallucinations : R1-0528 peut réduire certains taux d’erreur sans garantir la vérité. Vérifiez faits, références et calculs.
- Raisonnement excessif : une tâche simple peut produire une sortie longue, coûteuse et lente. Fixez des limites et mesurez la latence.
- Prompt injection : tout document, page web ou résultat d’outil doit être traité comme une entrée non fiable.
- Code dangereux : exécutez le code généré dans un environnement isolé, sans secret ni droit administratif, puis testez-le.
- Raisonnement détaillé : ne journalisez pas ou n’affichez pas systématiquement les balises de réflexion dans une application publique ; elles peuvent contenir des données inutiles, erronées ou sensibles.
- Modèles communautaires : un GGUF ou une quantification portant « R1 » n’est pas nécessairement un fichier officiel ou inchangé.
- Données sensibles : le local peut mieux contrôler les flux, mais seulement si toute la chaîne reste locale et correctement sécurisée.
Pour une analyse plus large du risque, consultez DeepSeek est-il sûr ?. Dans un processus métier, gardez une validation humaine avant toute décision médicale, juridique, financière, RH, de cybersécurité ou ayant un effet sur une personne.
DeepSeek R1 ou DeepSeek V3 ?
| Critère | DeepSeek R1 | DeepSeek V3 |
|---|---|---|
| Objectif historique | Raisonnement approfondi, mathématiques, code et logique | Modèle généraliste efficace pour chat, rédaction et code |
| Style | Peut consacrer beaucoup de tokens à la résolution | Réponse généralement plus directe |
| Architecture du grand modèle | Basée sur V3-Base, 671B/37B actifs | MoE 671B/37B actifs |
| Options locales compactes officielles | Plusieurs distillats de 1.5B à 70B | Pas d’équivalent dense compact dans la publication V3 elle-même |
| Statut API en 2026 | Historique | Historique |
Cette comparaison sert à choisir un checkpoint historique ou local. Pour l’API officielle, comparez plutôt les modes thinking et non-thinking de V4. Voir aussi notre fiche DeepSeek V3.
Questions fréquentes sur DeepSeek R1
DeepSeek R1 est-il le modèle DeepSeek actuel ?
Non. R1 reste une famille officielle de poids publiée en 2025, mais DeepSeek sert désormais V4-Flash et V4-Pro dans son API. R1-0528 signifie « dernière version publiée dans la famille R1 », pas « génération actuelle de toute la plateforme ».
R1-0528 remplace-t-il le R1 original ?
Pour un nouvel essai de la famille, R1-0528 est généralement le point de départ le plus logique. Gardez le R1 original si vous devez reproduire une expérience, un benchmark ou un produit fondé sur le checkpoint de janvier 2025.
DeepSeek R1 est-il open source ?
DeepSeek publie le code et les poids R1 sous MIT et autorise l’usage commercial et la modification. Le terme précis « à poids ouverts » évite toutefois de supposer que toutes les données d’entraînement, étapes de production et composantes du service hébergé sont publiées.
Peut-on installer le grand R1 sur un ordinateur personnel ?
Pas dans sa forme complète avec une expérience pratique standard. Le checkpoint MoE contient des centaines de milliards de paramètres et demande une infrastructure spécialisée. Pour un poste personnel, commencez par le distillat 8B ou une quantification dont vous avez vérifié la provenance et la qualité.
Quel est le meilleur distillat R1 ?
Il n’existe pas de meilleur choix universel. Le 8B privilégie l’accessibilité, tandis que les 32B et 70B peuvent améliorer certaines tâches au prix de beaucoup plus de mémoire et de calcul. Testez vos propres problèmes en français et mesurez qualité, vitesse et coût.
Un raisonnement plus long est-il toujours meilleur ?
Non. Une longue trace peut répéter une erreur, augmenter la latence et consommer davantage de ressources. Demandez une vérification et une réponse finale claire, puis contrôlez le résultat avec un outil, un test ou une source indépendante.
R1 fonctionne-t-il en français ?
Il peut comprendre et produire du français, mais les performances varient selon la version, le sujet et le prompt. Une affirmation publiée pour un benchmark anglais ou chinois ne prouve pas le même niveau sur un corpus professionnel français.
Sources officielles
- Dépôt officiel DeepSeek-R1 : architecture, distillats, recommandations et licences
- Model card officielle DeepSeek-R1
- Model card officielle DeepSeek-R1-0528
- Checkpoint officiel DeepSeek-R1-0528-Qwen3-8B
- Article scientifique DeepSeek-R1
- Annonce officielle DeepSeek-V4 et statut des anciens identifiants API
Conclusion : DeepSeek R1 reste une référence importante pour étudier et déployer localement des modèles de raisonnement. En 2026, sa valeur principale se trouve dans ses checkpoints reproductibles et ses distillats, pas dans l’identifiant de l’API officielle. Choisissez une version précise, épinglez le runtime, testez-la sur vos données et ne présentez jamais une sortie raisonnée comme une preuve sans vérification.
