Configurações de parâmetros e palavras-chave oficiais do DeepSeek-R1: implantando o código aberto 671B com o desempenho oficial do DeepSeek

DeepSeek-R1 Os modelos são conhecidos por seus recursos superiores de raciocínio. Para ajudar os usuáriosObtenha o mesmo desempenho que a experiência oficial da plataforma DeepSeekEm setembro de 2010, foi lançado um guia de implantação oficial detalhado. Neste artigo, leremos esse guia em detalhes.Concentra-se em dissecar os modelos oficiais fornecidos para prompts de cenários de pesquisa e upload de arquivos, bem como os vários comandos que atenuam os modelos que pulam a etapa de raciocínio. Dominar e seguir rigorosamente essas configurações oficiais é a chave para reproduzir a excelência oficial do DeepSeek-R1!Este artigo fornecerá uma referência crítica para os desenvolvedores que desejam implantar o DeepSeek-R1 localmente e para os pesquisadores que desejam se aprofundar no desempenho do modelo. Se você é um desenvolvedor que deseja implantar o DeepSeek-R1 localmente ou um pesquisador que está trabalhando em um mergulho mais profundo no desempenho do modelo, este artigo fornecerá uma referência crítica para ajudá-loA experiência do DeepSeek-R1 é uma réplica precisa do padrão oficial..

O lançamento do DeepSeek-R1 atraiu muita atenção na comunidade de tecnologia de IA, com muitos desenvolvedores tentando ativamente implantar e aplicar esse poderoso modelo de inferência. Para ajudar os usuários a obter uma experiência excelente, a equipe do DeepSeek lançou um guia oficial de implementação. Neste artigo, leremos o guia em profundidade, extrairemos os pontos principais e analisaremos os recursos do modelo em detalhes, com o objetivo de ajudar os leitores a entender completamente as práticas recomendadas do DeepSeek-R1 e dominar as principais técnicas de otimização do desempenho do modelo.

1. análise técnica do modelo DeepSeek-R1

DeepSeek apresentou sua primeira geração de modelos de inferência, composta pelo DeepSeek-R1-Zero e DeepSeek-R1. O DeepSeek-R1-Zero é uma inovação tecnológica que se baseia exclusivamente na aprendizagem por reforço (RL) em larga escala para treinamento, invertendo o paradigma tradicional de exigir o ajuste fino supervisionado (SFT) como uma etapa de pré-treinamento. Essa abordagem proporciona ao DeepSeek-R1-Zero recursos superiores de inferência, permitindo que ele se sobressaia em tarefas de inferência e surja naturalmente com várias propriedades de inferência atraentes.

No entanto, o DeepSeek-R1-Zero não é perfeito, por exemplo, ele sofre de resultados repetitivos, legibilidade ruim e mistura de idiomas em alguns casos. Para superar essas limitações e melhorar ainda mais o desempenho de inferência do modelo, a equipe do DeepSeek apresentou o DeepSeek-R1. O principal aprimoramento do DeepSeek-R1 em relação ao DeepSeek-R1-Zero é a incorporação de "dados de início frio" antes do aprendizado por reforço. Isso melhora efetivamente o desempenho do modelo em tarefas matemáticas, de codificação e de raciocínio complexo, tornando-o comparável aos modelos da OpenAI, como OpenAI-o1.

Para retribuir à comunidade de pesquisa, a DeepSeek generosamente abriu o código-fonte do DeepSeek-R1-Zero, do DeepSeek-R1 e de seis modelos densos baseados nas arquiteturas Llama e Qwen destiladas do DeepSeek-R1. Notavelmente, o DeepSeek-R1-Distill-Qwen-32B supera em vários benchmarks o OpenAI-o1-miniestabelecendo uma nova referência de desempenho para modelos pequenos e densos.

Dica especial: Antes de implantar e executar a família de modelos DeepSeek-R1 localmente, é altamente recomendável que os usuários leiam cuidadosamente os "2. Pontos de configuração principais" para garantir o uso ideal do e replicar a experiência consistente da plataforma oficial o máximo possível.

2. elementos de configuração principais: reprodução de resultados oficialmente consistentes

A equipe oficial do DeepSeek forneceu as seguintes recomendações principais para implantação e uso do DeepSeek-R1, que se baseiam nas práticas recomendadas para configurar os parâmetros do modelo oficial. A adesão estrita a essas configurações é fundamental para que os usuários reproduzam um desempenho excelente em seus ambientes locais que seja consistente com a plataforma de demonstração oficial. Entre outras coisas, o modelo oficialModelo de prompt de pesquisa e upload de arquivosbem comoOs modelos de mitigação ignoram o pensamentoAs diretrizes são ainda mais críticas e determinam diretamente se um DeepSeek-R1 implantado localmente será capaz de atender aos padrões oficiais:

2.1 Nenhum prompt do sistema:

O modelo DeepSeek-R1 foi projetado para funcionar sem prompts do sistema. Para ser consistente com a plataforma oficial e obter o comportamento desejado do modelo, é importante desativar os prompts do sistema e incluir todas as instruções diretamente no prompt do usuário. Uma pergunta clara e concisa ajudará o modelo a entender com precisão a intenção do usuário, de acordo com o tratamento de prompts da plataforma oficial.

2.1 Defina o parâmetro de temperatura como 0,6 (Temperature: 0,6):

O parâmetro Temperature afeta diretamente a aleatoriedade e a criatividade da saída do modelo. A recomendação oficial é definir esse parâmetro como 0,6, que é um dos principais parâmetros para garantir que o estilo de saída dos modelos implantados localmente seja consistente com o da plataforma oficial, atingindo um equilíbrio ideal entre criatividade e consistência na saída. Valores mais baixos resultarão em uma saída de modelo mais conservadora e determinística, enquanto valores mais altos incentivarão o modelo a produzir respostas mais variadas e inovadoras, mas desvios da configuração oficial de temperatura podem resultar em diferenças no estilo de resposta entre o modelo local e a plataforma oficial.

2.3 Diretrizes para mitigar o pensamento de desvio de modelo:

Para garantir que o modelo DeepSeek-R1 se envolva em pensamento fundamentado suficiente ao processar consultas complexas, é altamente recomendável que os usuários adicionem instruções explícitas de liderança de pensamento no início de cada prompt de entrada <think>\n. Esse não é apenas um meio eficaz de atenuar os modelos que pulam etapas de raciocínio, mas também uma configuração central para garantir que os modelos implantados localmente possam reproduzir a mesma profundidade de raciocínio que a plataforma oficial. Ignorar ou usar incorretamente essa diretiva pode fazer com que os modelos locais se desviem da plataforma oficial em tarefas de raciocínio complexas. Essa diretiva orienta efetivamente o modelo para o "modo de pensar" e impede que o modelo produza resultados sem raciocínio suficiente, ou seja, evita "pular a etapa de pensar" (por exemplo, produzir diretamente o <think>\n\n</think> ).

2.4 Otimização para problemas matemáticos

Para perguntas de matemática, a fim de obter respostas precisas em um ambiente implantado localmente que seja consistente com a plataforma oficial, recomenda-se que o modelo seja explicitamente solicitado a "raciocinar passo a passo" nas dicas e que o formato da resposta final seja especificado nas dicas, por exemplo, "Please reason step-by-step and put the final answer in \boxed{} ". Instruções claras e requisitos de formatação ajudam os modelos a entender melhor os tipos de problemas e a adotar estratégias de solução adequadas, garantindo que a capacidade do modelo local de responder a problemas de matemática esteja alinhada com a plataforma oficial.

2.5 Avaliação de desempenho

Para comparar objetivamente a diferença de desempenho entre o DeepSeek-R1 implantado localmente e a plataforma oficial, recomenda-se realizar vários testes e calcular a média dos resultados de vários testes para obter dados de avaliação de desempenho mais confiáveis. Embora os resultados de um único teste possam estar sujeitos ao acaso, a média dos resultados de vários testes pode refletir com mais precisão o nível real do modelo e fornecer uma base científica para os usuários avaliarem se a implementação local reproduziu com êxito o desempenho oficial.

2.6 Prompts oficiais para pesquisa e upload de arquivos

A implementação oficial do DeepSeek usa o mesmo modelo DeepSeek-R1 que a versão de código aberto. Para garantir que o modelo do DeepSeek-R1 implantado localmente tenha a mesma experiência de usuário que o modelo oficial do DeepSeek-R1 e para maximizar o desempenho do modelo do DeepSeek-R1 em cenários específicos, o modelo do DeepSeek-R1 foi fornecido com modelos de aviso especialmente projetados e ajustados para os dois cenários mais comuns de upload de arquivos e pesquisa na Web. A adoção total e o uso correto desses modelos de prompt oficiais é a garantia mais importante para que o DeepSeek-R1 implantado localmente reproduza o desempenho da plataforma oficial. Quaisquer modificações ou ajustes nos modelos de dicas podem fazer com que o modelo local se desvie do desempenho da plataforma oficial em tarefas específicas.

1. modelo de prompt de cenário de upload de arquivo.

Ao fazer upload de um arquivo e desejar que o modelo responda a perguntas com base no conteúdo do arquivo, os usuários devem criar os prompts usando estritamente o seguinte modelo oficial. Entre outras coisas, o{file_name}e{file_content} responder cantando {question} Esses três espaços reservados representam o nome do arquivo carregado pelo usuário, o conteúdo do arquivo e a pergunta feita pelo usuário:

file_template = \
"""[file name]: {file_name}
[file content begin]
{file_content}
[file content end]
{question}"""

2. modelo de dica de cenário de pesquisa na Web (pesquisa na Web).

Quando um usuário fizer uma pergunta que precise ser respondida com os resultados de uma pesquisa na Web, certifique-se de usar o seguinte modelo oficial de dica de pesquisa na Web. O modelo contém {search_results} (resultados da pesquisa),{cur_date} (data atual) e {question} (problemas do usuário) Três parâmetros principais.

O DeepSeek fornece modelos otimizados para consultas em chinês e inglês:

• Modelo de pesquisa em chinês (search_answer_zh_template):

search_answer_zh_template = \
'''# 以下内容是基于用户发送的消息的搜索结果:
{search_results}
在我给你的搜索结果中，每个结果都是[webpage X begin]...[webpage X end]格式的，X代表每篇文章的数字索引。请在适当的情况下在句子末尾引用上下文。请按照引用编号[citation:X]的格式在答案中对应部分引用上下文。如果一句话源自多个上下文，请列出所有相关的引用编号，例如[citation:3][citation:5]，切记不要将引用集中在最后返回引用编号，而是在答案对应部分列出。
在回答时，请注意以下几点：
- 今天是{cur_date}。
- 并非搜索结果的所有内容都与用户的问题密切相关，你需要结合问题，对搜索结果进行甄别、筛选。
- 对于列举类的问题（如列举所有航班信息），尽量将答案控制在10个要点以内，并告诉用户可以查看搜索来源、获得完整信息。优先提供信息完整、最相关的列举项；如非必要，不要主动告诉用户搜索结果未提供的内容。
- 对于创作类的问题（如写论文），请务必在正文的段落中引用对应的参考编号，例如[citation:3][citation:5]，不能只在文章末尾引用。你需要解读并概括用户的题目要求，选择合适的格式，充分利用搜索结果并抽取重要信息，生成符合用户要求、极具思想深度、富有创造力与专业性的答案。你的创作篇幅需要尽可能延长，对于每一个要点的论述要推测用户的意图，给出尽可能多角度的回答要点，且务必信息量大、论述详尽。
- 如果回答很长，请尽量结构化、分段落总结。如果需要分点作答，尽量控制在5个点以内，并合并相关的内容。
- 对于客观类的问答，如果问题的答案非常简短，可以适当补充一到两句相关信息，以丰富内容。
- 你需要根据用户要求和回答内容选择合适、美观的回答格式，确保可读性强。
- 你的回答应该综合多个相关网页来回答，不能重复引用一个网页。
- 除非用户要求，否则你回答的语言需要和用户提问的语言保持一致。
# 用户消息为：
{question}'''

• Modelo de consulta em inglês (search_answer_en_template):

search_answer_en_template = \
'''# The following contents are the search results related to the user's message:
{search_results}
In the search results I provide to you, each result is formatted as [webpage X begin]...[webpage X end], where X represents the numerical index of each article. Please cite the context at the end of the relevant sentence when appropriate. Use the citation format [citation:X] in the corresponding part of your answer. If a sentence is derived from multiple contexts, list all relevant citation numbers, such as [citation:3][citation:5]. Be sure not to cluster all citations at the end; instead, include them in the corresponding parts of the answer.
When responding, please keep the following points in mind:
- Today is {cur_date}.
- Not all content in the search results is closely related to the user's question. You need to evaluate and filter the search results based on the question.
- For listing-type questions (e.g., listing all flight information), try to limit the answer to 10 key points and inform the user that they can refer to the search sources for complete information. Prioritize providing the most complete and relevant items in the list. Avoid mentioning content not provided in the search results unless necessary.
- For creative tasks (e.g., writing an essay), ensure that references are cited within the body of the text, such as [citation:3][citation:5], rather than only at the end of the text. You need to interpret and summarize the user's requirements, choose an appropriate format, fully utilize the search results, extract key information, and generate an answer that is insightful, creative, and professional. Extend the length of your response as much as possible, addressing each point in detail and from multiple perspectives, ensuring the content is rich and thorough.
- If the response is lengthy, structure it well and summarize it in paragraphs. If a point-by-point format is needed, try to limit it to 5 points and merge related content.
- For objective Q&A, if the answer is very brief, you may add one or two related sentences to enrich the content.
- Choose an appropriate and visually appealing format for your response based on the user's requirements and the content of the answer, ensuring strong readability.
- Your answer should synthesize information from multiple relevant webpages and avoid repeatedly citing the same webpage.
- Unless the user requests otherwise, your response should be in the same language as the user's question.
# The user's message is:
{question}'''

Diretrizes adicionais para proteger a consistência oficial:

Além de seguir estritamente os modelos de prompt fornecidos oficialmente e <think>\n Além das instruções, as seguintes diretrizes adicionais ajudarão os usuários a maximizar o desempenho da plataforma oficial em seu ambiente de implantação local, garantindo que o tempo de execução local do DeepSeek-R1 seja "o melhor possível":

• Problemas de matemática: De forma consistente com a seção anterior, para problemas de matemática, é novamente importante pedir explicitamente ao modelo para realizar o "raciocínio passo a passo" no prompt e marcar a resposta final usando o formato oficial, por exemplo, "Please reason step-by-step and place the final answer in the \boxed{}". \boxed{}". Certifique-se de seguir todos os detalhes oficiais sobre o tratamento de problemas matemáticos para garantir que o modelo local seja totalmente consistente com a plataforma oficial em termos de capacidade de computação matemática.
• Avaliação de desempenho: para avaliar com precisão se o DeepSeek-R1 implantado localmente reproduz com êxito o desempenho da plataforma oficial, recomenda-se realizar vários testes e calcular a média dos resultados. A média dos resultados de vários testes reduz a chance e o erro associados a um único teste e fornece uma base mais científica e confiável para determinar o sucesso de uma implantação local e para o ajuste fino. O rigor da avaliação de desempenho está diretamente relacionado à eficácia do plano de implementação local.

resumos

Siga rigorosamente todas as diretrizes de configuração fornecidas pelo DeepSeek, em especial o ajuste fino do uso dos modelos de dicas oficiais e do <think>\n As instruções de liderança de pensamento são a garantia fundamental para que os usuários reproduzam o excelente desempenho da plataforma oficial do DeepSeek-R1 em seu ambiente local e a única maneira de obter a experiência "original" do DeepSeek-R1. Ao compreender a arquitetura do modelo, a metodologia de treinamento e o funcionamento do DeepSeek-R1 e ao implementar as recomendações oficiais em todos os aspectos de sua implementação local, você poderá maximizar a consistência do desempenho entre seu modelo local e a plataforma oficial. Comece a praticar essas diretrizes para replicar a experiência oficial do DeepSeek-R1 em seu ambiente local!