# Qu’est-ce que DeepSeek-R1?

Date: 2025-01-21 · Author: Robert Scales · https://guidetoartificialintelligence.com/fr/apprendre/qu-est-ce-que-deepseek-r1/

**Answer:** DeepSeek-R1 est un modèle de raisonnement publié le 20 janvier 2025 par le laboratoire chinois DeepSeek, qui rapporte des performances équivalentes à celles d’o1 d’OpenAI en mathématiques, en code et en raisonnement. Contrairement à o1, ses poids sont publiés sous la licence MIT : n’importe qui peut les télécharger, les étudier, les modifier et même vendre des produits construits à partir de ce modèle.

Hier, DeepSeek, un laboratoire d’IA établi en Chine, a publié DeepSeek-R1, un modèle qui réfléchit avant de répondre, dans le même esprit que la série o1 d’OpenAI. DeepSeek affirme que R1 offre des performances équivalentes à celles d’o1 en mathématiques, en programmation et en raisonnement. Ce qui distingue cette publication, ce ne sont pas seulement les performances annoncées, mais les conditions : les poids du modèle et un rapport technique sont publics, sous la licence permissive MIT, et DeepSeek permet explicitement d’utiliser les réponses du modèle pour entraîner d’autres modèles.

Le modèle est déjà offert de trois façons. Vous pouvez clavarder gratuitement avec lui sur chat.deepseek.com en activant l’option « DeepThink ». Les développeurs peuvent l’appeler par l’API de DeepSeek sous le nom `deepseek-reasoner`. Et quiconque dispose du matériel nécessaire peut télécharger les poids sur Hugging Face.

## Comment DeepSeek a entraîné R1

DeepSeek décrit en fait deux modèles. Le premier, DeepSeek-R1-Zero, a été entraîné uniquement par apprentissage par renforcement, sans la première étape habituelle d’ajustement fin supervisé sur des exemples rédigés par des personnes. L’apprentissage par renforcement, c’est quand le modèle essaie de nombreuses réponses et reçoit une récompense pour les bons résultats. Selon DeepSeek, R1-Zero a acquis de lui-même des habitudes utiles, comme vérifier son travail et réfléchir à ses étapes, et le laboratoire présente ce travail comme la première recherche ouverte à montrer qu’on peut encourager le raisonnement uniquement de cette façon.

R1-Zero avait toutefois des problèmes : il se répétait sans fin, était difficile à lire et mélangeait les langues. DeepSeek a donc construit R1 en ajoutant une petite quantité de données de « démarrage à froid » (*cold-start*) soigneusement choisies avant les étapes d’apprentissage par renforcement, plus d’autres cycles d’ajustement fin. Les deux modèles reposent sur DeepSeek-V3-Base, le grand modèle ouvert que le laboratoire a publié le jour de Noël.

## Sa taille et son coût

R1 est un modèle à *mixture of experts* (mélange d’experts) : sur ses 671 milliards de paramètres, seulement 37 milliards environ sont actifs pour un jeton donné, ce qui le rend moins coûteux à faire tourner que sa taille le laisse croire. Il gère un contexte allant jusqu’à 128 000 jetons.

Les prix de l’API sont bas selon les normes actuelles :

| Élément | Prix par million de jetons |
|---|---|
| Entrée, présente en cache | 0,14 $ US |
| Entrée, absente du cache | 0,55 $ US |
| Sortie | 2,19 $ US |

Un jeton est un petit morceau de texte, souvent une partie de mot. Comme les modèles de raisonnement écrivent de longues chaînes de pensée internes, ce sont les jetons de sortie qui représentent l’essentiel du coût.

## La famille distillée

En plus du gros modèle, DeepSeek en a publié six plus petits. Chacun est un modèle ouvert existant, tiré des familles Qwen2.5 d’Alibaba ou Llama de Meta, ajusté finement sur des exemples de raisonnement générés par R1. Ce processus s’appelle la *distillation* : le comportement d’un grand modèle « enseignant » est transmis à un plus petit modèle « élève ». Les tailles sont de 1,5, 7, 8, 14, 32 et 70 milliards de paramètres. DeepSeek affirme que les versions 32B et 70B sont au niveau d’o1-mini d’OpenAI à ses bancs d’essai, et que le modèle 32B basé sur Qwen établit un nouveau record pour les modèles de sa catégorie.

Un détail de licence mérite l’attention : chaque modèle distillé hérite aussi de la licence du modèle dont il est issu, Apache 2.0 pour les versions Qwen et les licences Llama de Meta pour les versions Llama. Vérifiez ces conditions avant de construire un produit sur l’un d’eux.

DeepSeek publie aussi quelques conseils d’utilisation qui diffèrent de ce que beaucoup de gens font avec les modèles de clavardage. L’entreprise recommande une température (un réglage du hasard) entre 0,5 et 0,7, avec 0,6 par défaut, pour éviter les répétitions sans fin. Elle déconseille le prompt système : mettez toutes les consignes dans votre propre message. Pour les mathématiques, elle suggère de demander la réponse finale dans une boîte :

```prompt
Un train part à 9 h 40 et arrive à 13 h 05. Un deuxième train parcourt le même trajet 25 minutes plus vite. Combien de temps dure le trajet du deuxième train? Mets ta réponse finale dans \boxed{}.
```

> **À essayer :** ouvrez chat.deepseek.com, activez DeepThink et donnez-lui une énigme que vous avez déjà résolue. Lisez son raisonnement visible, puis notez un endroit où il a douté de lui-même et a corrigé le tir.

## Peut-on faire tourner un modèle de raisonnement ouvert sur son propre ordinateur?

Pas le R1 complet, pour la plupart des gens. Le modèle complet pèse plus de 650 Go, bien au-delà de ce qu’un ordinateur portable peut gérer. Le faire tourner exige du matériel de classe serveur, et DeepSeek renvoie au dépôt de V3 pour les instructions.

Les modèles distillés changent la donne. Le développeur Simon Willison a fait tourner une version distillée de 8B sur son Mac le jour de la sortie, à l’aide d’une copie compressée (« quantifiée ») préparée par l’entreprise Unsloth et de l’outil gratuit Ollama. Ce téléchargement faisait environ 8,5 Go. Un jour plus tard, il a fait tourner une version quantifiée de 70B, un téléchargement de 34 Go, sur un Mac doté de 64 Go de mémoire. Les petits modèles affichent leur raisonnement entre des balises `<think>` avant la réponse : vous pouvez donc les regarder travailler.

Une règle pratique : commencez par le plus petit modèle que votre machine gère à l’aise, et passez à un plus gros seulement si les réponses sont trop faibles pour votre tâche. Attendez-vous à ce que les petites versions soient nettement moins performantes que le R1 complet que vous pouvez utiliser en ligne.

Faire tourner un modèle localement a de vrais avantages. Vos prompts ne quittent jamais votre ordinateur, tout fonctionne hors ligne, et il n’y a pas de facture par jeton. Les compromis portent sur la vitesse, la qualité et le temps d’installation. Pour bien des gens, la meilleure voie est d’essayer d’abord R1 sur le site Web, puis d’expérimenter avec un modèle distillé à la maison si la confidentialité ou le coût comptent pour eux.

## Sources

- DeepSeek-R1 (README): https://github.com/deepseek-ai/DeepSeek-R1
- DeepSeek-R1 Release: https://api-docs.deepseek.com/news/news250120
- DeepSeek-R1 and exploring DeepSeek-R1-Distill-Llama-8B: https://simonwillison.net/2025/Jan/20/deepseek-r1/