AI・機械学習
上級
DeepSeek R1（ディープシークアールワン）
DeepSeek が 2025 年 1 月に公開した推論特化型オープンソース LLM。DeepSeek V3 をベースに強化学習で Chain of Thought 能力を獲得し、o1 に匹敵する数学・コーディング性能を実現。
0 回閲覧
0 いいね
2026/4/25 更新
関連タグ
LLM
推論モデル
強化学習
オープンソース
DeepSeek R1
概要
DeepSeek R1 は、DeepSeek が 2025 年 1 月 20 日に公開した推論特化型の大規模言語モデルです。DeepSeek V3 をベースに、純粋な強化学習（RL）のみで推論能力を獲得させた画期的な手法で、OpenAI o1 に匹敵する数学・コーディング・論理推論性能を実現しました。モデル重みとトレーニング手法の両方をオープンソース化し、AI 研究コミュニティに大きな影響を与えました。
主要な革新
純粋 RL による推論能力獲得
従来の推論モデルは Supervised Fine-Tuning（SFT）に依存していましたが、DeepSeek R1-Zero は SFT なしの RL のみで推論能力を学習することに成功しました。これは AI 研究における重要なブレークスルーです。
R1-Zero と R1 の違い
- R1-Zero: 純粋 RL のみ（読みにくい出力、多言語混在あり）
- R1: Cold-Start データ + RL + 拒否サンプリング + SFT で実用化
GRPO（Group Relative Policy Optimization）
PPO の改良版で、Critic Model なしで学習可能な効率的な RL 手法。
ベンチマーク性能
| ベンチマーク | DeepSeek R1 | OpenAI o1 | Claude 3.5 Sonnet |
|---|---|---|---|
| AIME 2024 | 79.8% | 79.2% | 16.0% |
| MATH-500 | 97.3% | 96.4% | 78.3% |
| GPQA Diamond | 71.5% | 75.7% | 65.0% |
| Codeforces | 2029 | 2061 | 717 |
| LiveCodeBench | 65.9% | 63.4% | 38.9% |
| MMLU | 90.8% | 91.8% | 88.3% |
Distilled モデル
R1 の知識を小型モデルに蒸留した派生版：
- R1-Distill-Qwen-1.5B
- R1-Distill-Qwen-7B
- R1-Distill-Llama-8B
- R1-Distill-Qwen-14B
- R1-Distill-Qwen-32B
- R1-Distill-Llama-70B
ローカル実行向けで、32B は多くのベンチマークで o1-mini を上回ります。
ローカル実行
ハードウェア要件
| モデル | VRAM（FP16） | VRAM（INT4） |
|---|---|---|
| R1-Distill-1.5B | 4GB | 1GB |
| R1-Distill-7B | 16GB | 4.5GB |
| R1-Distill-14B | 32GB | 9GB |
| R1-Distill-32B | 72GB | 20GB |
| R1-Distill-70B | 160GB | 42GB |
| R1（フル） | 1.3TB | 350GB |
実行方法
# Ollama
ollama run deepseek-r1:7b
ollama run deepseek-r1:32b
# LM Studio、vLLM、llama.cpp でも対応
業界への影響
2025 年 1 月の「DeepSeek ショック」
- NVIDIA 株価: 17% 急落（$600B 消失、史上最大）
- AI 業界: GPU 需要論の再評価
- オープンソース: 商用クローズド vs OSS の勢力図変化
- 規制論議: 米国の中国 AI 技術への警戒強化
学術的貢献
- 論文公開: GRPO 手法の公開
- 再現可能性: 重みとトレーニング手法両方
- コミュニティ: 派生モデルの爆発的な増加
関連用語
- DeepSeek V3、o1、o3
- Chain of Thought
- Reinforcement Learning
- GRPO、PPO
- Knowledge Distillation