Официальные слова реплики и конфигурации параметров DeepSeek-R1: развертывание открытого исходного кода 671B с официальным исполнением DeepSeek

DeepSeek-R1 Модели отличаются превосходными способностями к рассуждениям. Чтобы помочь пользователямПолучите ту же производительность, что и официальная платформа DeepSeek.Вышло официальное подробное руководство по развертыванию. В этой статье мы подробно ознакомимся с этим руководством.Основное внимание уделяется анализу официальных шаблонов, предоставляемых для подсказок в сценариях поиска и загрузки файлов, а также различных команд, которые позволяют моделям пропустить шаг обдумывания.. Освоение и строгое следование этим официальным конфигурациям - ключ к воспроизведению официального совершенства DeepSeek-R1!В этой статье вы найдете критически важную информацию как для разработчиков, желающих развернуть DeepSeek-R1 на локальном уровне, так и для исследователей, стремящихся глубже изучить производительность модели. Независимо от того, являетесь ли вы разработчиком, желающим развернуть DeepSeek-R1 локально, или исследователем, работающим над более глубоким погружением в производительность модели, в этой статье вы найдете критически важные рекомендации, которые помогут вамDeepSeek-R1 - это точная копия официального стандарта..

Выход DeepSeek-R1 привлек большое внимание в сообществе ИИ-технологий, и многие разработчики активно пытаются развернуть и применить эту мощную модель выводов. Для того чтобы помочь пользователям получить отличный опыт, команда DeepSeek выпустила официальное руководство по развертыванию. В этой статье мы подробно ознакомимся с руководством, выделим основные моменты и детально проанализируем особенности модели, чтобы помочь читателям полностью понять лучшие практики использования DeepSeek-R1 и освоить ключевые техники оптимизации производительности модели.

1. Технический анализ модели DeepSeek-R1

DeepSeek представила первое поколение моделей вывода, состоящее из DeepSeek-R1-Zero и DeepSeek-R1. DeepSeek-R1-Zero - это технологическая новинка, которая использует для обучения исключительно крупномасштабное обучение с подкреплением (RL), что меняет традиционную парадигму, требующую предварительной настройки с супервизией (SFT). Такой подход дает DeepSeek-R1-Zero превосходные возможности для вывода, позволяя ему превосходить других в задачах вывода и естественным образом проявлять ряд привлекательных свойств для вывода.

Однако DeepSeek-R1-Zero не идеален: например, он страдает от повторяющихся результатов, плохой читаемости и смешения языков в некоторых случаях. Для преодоления этих недостатков и дальнейшего улучшения производительности модели в области умозаключений команда DeepSeek представила DeepSeek-R1. Основным улучшением DeepSeek-R1 по сравнению с DeepSeek-R1-Zero является включение "данных холодного старта" перед обучением с подкреплением. Это эффективно улучшает производительность модели в математических задачах, задачах кодирования и сложных рассуждениях, делая ее сравнимой с такими моделями OpenAI, как OpenAI-o1.

Чтобы помочь исследовательскому сообществу, компания DeepSeek предоставила открытый доступ к DeepSeek-R1-Zero, DeepSeek-R1 и шести плотным моделям, основанным на архитектурах Llama и Qwen, которые были получены из DeepSeek-R1. Примечательно, что DeepSeek-R1-Distill-Qwen-32B превосходит в нескольких бенчмарках следующие модели OpenAI-o1-miniустановив новый стандарт производительности для небольших плотных моделей.

Специальный совет: Перед развертыванием и локальной эксплуатацией моделей семейства DeepSeek-R1 настоятельно рекомендуется внимательно ознакомиться с разделом "2. Основные пункты конфигурации", чтобы обеспечить оптимальное использование и максимально повторить опыт официальной платформы..

2. основные элементы конфигурации: воспроизведение официально согласованных результатов

Официальная команда DeepSeek предоставила следующие основные рекомендации по развертыванию и использованию DeepSeek-R1, которые основаны на лучших практиках настройки параметров официальной модели. Строгое следование этим конфигурациям является залогом того, что пользователи смогут воспроизвести отличную производительность в своих локальных средах, соответствующую официальной демонстрационной платформе. Помимо прочего, официальныеШаблон подсказки для поиска и загрузки файлова такжеМодели смягчения последствий не позволяют думатьЭти рекомендации еще более важны и напрямую определяют, сможет ли локально развернутый DeepSeek-R1 соответствовать официальным стандартам:

2.1 Отсутствует системное приглашение:

Модель DeepSeek-R1 предназначена для работы без системных подсказок. Чтобы соответствовать официальной платформе и добиться желаемого поведения модели, важно отключить системные подсказки и включить все инструкции непосредственно в подсказку пользователя. Четкий и лаконичный вопрос поможет модели точно понять намерения пользователя, что соответствует работе с подсказками в официальной платформе.

2.1 Установите параметр температуры на 0,6 (Температура: 0,6):

Параметр Temperature напрямую влияет на случайность и креативность вывода модели. Официальная рекомендация - установить значение 0,6. Этот параметр является одним из ключевых для обеспечения соответствия стиля вывода локально развернутых моделей стилю официальной платформы, что позволяет найти идеальный баланс между креативностью и последовательностью вывода. Более низкие значения приведут к более консервативному и детерминированному результату модели, в то время как более высокие значения будут стимулировать модель к получению более разнообразных и новых ответов, но отклонение от официальной настройки температуры может привести к различиям в стиле ответа между локальной моделью и официальной платформой.

2.3 Руководящие принципы, позволяющие снизить вероятность обхода модели:

Для того чтобы модель DeepSeek-R1 могла достаточно аргументированно мыслить при обработке сложных запросов, пользователям настоятельно рекомендуется добавлять явные указания по руководству мыслями в начале каждого запроса на ввод <think>\n. Это не только эффективный способ предотвратить пропуск моделями шагов мышления, но и основная конфигурация, гарантирующая, что локально развернутые модели могут воспроизводить ту же глубину рассуждений, что и официальная платформа. Игнорирование или неправильное использование этой директивы может привести к тому, что локальные модели будут отклоняться от официальной платформы в сложных задачах рассуждения. Эта директива эффективно направляет модель в "режим размышления" и не позволяет ей выводить результаты без достаточных рассуждений, т. е. она не позволяет "пропустить шаг размышления" (например, напрямую вывести <think>\n\n</think> ).

2.4. Оптимизация для математических задач

Для вопросов по математике, чтобы получить точные ответы в локально развернутой среде, соответствующие официальной платформе, рекомендуется в подсказках явно попросить модель "рассуждать шаг за шагом", а также указать формат окончательного ответа, например, "Пожалуйста, рассуждайте шаг за шагом и поместите окончательный ответ в \boxed{}. ". Четкие инструкции и требования к форматированию помогают моделям лучше понять типы задач и принять соответствующие стратегии решения, обеспечивая соответствие способностей местных моделей к решению математических задач официальной платформе.

2.5 Оценка эффективности

Чтобы объективно сравнить разницу в производительности между локально развернутой DeepSeek-R1 и официальной платформой, рекомендуется провести несколько тестов и рассчитать среднее значение результатов нескольких тестов, чтобы получить более надежные данные оценки производительности. Хотя результаты одного теста могут быть случайными, усреднение результатов нескольких тестов может более точно отразить истинный уровень модели и предоставить пользователям научную основу для оценки того, насколько успешно локальное развертывание воспроизводит официальную производительность.

2.6 Официальные подсказки для поиска и загрузки файлов

В официальном развертывании DeepSeek используется та же модель DeepSeek-R1, что и в версии с открытым исходным кодом. Чтобы гарантировать, что локально развернутая модель DeepSeek-R1 будет иметь тот же пользовательский опыт, что и официальная модель DeepSeek-R1, и максимизировать производительность модели DeepSeek-R1 в конкретных сценариях, модель DeepSeek-R1 была снабжена специально разработанными и настроенными шаблонами подсказок для двух наиболее распространенных сценариев - загрузки файлов и поиска в Интернете. Полное принятие и правильное использование этих официальных шаблонов подсказок является важнейшей гарантией того, что локально развернутая DeepSeek-R1 будет воспроизводить производительность официальной платформы. Любые изменения или корректировки шаблонов подсказок могут привести к тому, что локальная модель будет отличаться от официальной платформы при выполнении конкретных задач.

1. шаблон подсказки сценария загрузки файлов.

Если вы загружаете файл и хотите, чтобы модель отвечала на вопросы, основанные на его содержимом, пользователи должны строить подсказки строго по следующему официальному шаблону. Кроме всего прочего, в{file_name}, и{file_content} ответить пением {question} Эти три места представляют собой имя файла, загруженного пользователем, содержимое файла и вопрос, заданный пользователем:

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

2. Шаблон подсказки сценария веб-поиска (веб-поиск).

Когда пользователь задает вопрос, на который нужно ответить с помощью результатов веб-поиска, обязательно используйте следующий официальный шаблон подсказки по веб-поиску. Шаблон содержит {search_results} (результаты поиска),{cur_date} (текущая дата) и {question} (вопросы пользователей) Три ключевых параметра.

DeepSeek предоставляет оптимизированные шаблоны для китайских и английских запросов:

• Шаблон поиска на китайском языке (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}'''

• Шаблон запроса на английском языке (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}'''

Дополнительные рекомендации по обеспечению официальной последовательности:

Помимо строгого следования официально предоставленным шаблонам подсказок и <think>\n В дополнение к инструкциям следующие дополнительные рекомендации помогут пользователям максимально увеличить производительность официальной платформы в их локальной среде развертывания, гарантируя, что их локальная среда выполнения DeepSeek-R1 будет "настолько хороша, насколько это возможно":

• Задачи по математике: Как и в предыдущем разделе, при решении задач по математике снова важно явно попросить модель выполнить "пошаговое рассуждение" в подсказке и отметить окончательный ответ в официальном формате, например, "Пожалуйста, рассуждайте пошагово и поместите окончательный ответ в \boxed{}". \boxed{}". Обязательно соблюдайте все официальные правила работы с математическими задачами, чтобы локальная модель полностью соответствовала официальной платформе по математической вычислительной мощности.
• Оценка производительности: чтобы точно оценить, успешно ли локально развернутый DeepSeek-R1 воспроизводит производительность официальной платформы, рекомендуется провести несколько тестов и вычислить среднее значение результатов. Усреднение результатов нескольких тестов снижает вероятность и ошибки, связанные с одним тестом, и обеспечивает более научную и надежную основу для определения успеха локального развертывания и тонкой настройки. Строгость оценки эффективности напрямую связана с эффективностью плана локального развертывания.

резюме

Строго следуйте всем рекомендациям по настройке, предоставленным DeepSeek, в частности, точно настройте использование официальных шаблонов подсказок и <think>\n Инструкции - это фундаментальная гарантия того, что пользователи смогут воспроизвести превосходную производительность официальной платформы DeepSeek-R1 в своей локальной среде, и единственный способ получить "оригинальный" опыт DeepSeek-R1. Понимая архитектуру модели DeepSeek-R1, методологию обучения и принципы работы, а также внедряя официальные рекомендации в каждый аспект вашего локального развертывания, вы сможете добиться максимального соответствия производительности вашей локальной модели и официальной платформы. Начните применять эти рекомендации, чтобы воспроизвести официальный опыт DeepSeek-R1 в своей локальной среде!