Bereitstellung Von DeepSeek-R1-0528-Qwen3-8B Mit Einem Klick

1. Einführung in das Tutorial

Die in diesem Tutorial verwendeten Rechenressourcen sind eine einzelne RTX 4090-Karte.

DeepSeek-R1-0528-Qwen3-8B wurde im Mai 2025 vom DeepSeek-Team veröffentlicht. Es handelt sich um ein leichtgewichtiges Argumentationsmodell, das auf der Grundlage der Gedankenkettendestillationstechnologie von DeepSeek-R1-0528 trainiert wurde. Das Modell hat 8 Milliarden Parameter. Durch die Übertragung der komplexen Argumentationsfähigkeiten von DeepSeek-R1-0528 auf das kleinere Basismodell Qwen3-8B werden die Mehrsprachenfähigkeiten von Qwen3 und die Argumentationsoptimierung von DeepSeek-R1 kombiniert. Seine Leistung ist mit GPT-4 vergleichbar und es unterstützt eine effiziente Einzelkartenbereitstellung, was es zur idealen Wahl für akademische und Unternehmensanwendungen macht. Bei AIME 2024 erzielte DeepSeek-R1-0528-Qwen3-8B die beste Leistung (SOTA) unter den Open-Source-Modellen, übertraf Qwen3 8B +10.0% und war mit der Leistung von Qwen3-235B-thinking vergleichbar.

2. Projektbeispiele

3. Bedienungsschritte

1. Starten Sie den Container

Wenn „Modell“ nicht angezeigt wird, bedeutet dies, dass das Modell initialisiert wird. Da das Modell groß ist, warten Sie bitte etwa 2–3 Minuten und aktualisieren Sie die Seite.

2. Nachdem Sie die Webseite aufgerufen haben, können Sie ein Gespräch mit dem Modell beginnen

4. Diskussion

🖌️ Wenn Sie ein hochwertiges Projekt sehen, hinterlassen Sie bitte im Hintergrund eine Nachricht, um es weiterzuempfehlen! Darüber hinaus haben wir auch eine Tutorien-Austauschgruppe ins Leben gerufen. Willkommen, Freunde, scannen Sie den QR-Code und kommentieren Sie [SD-Tutorial], um der Gruppe beizutreten, verschiedene technische Probleme zu besprechen und Anwendungsergebnisse auszutauschen ↓

Zitationsinformationen

Die Zitationsinformationen für dieses Projekt lauten wie folgt:

@misc{deepseekai2025deepseekr1incentivizingreasoningcapability,
      title={DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning}, 
      author={DeepSeek-AI},
      year={2025},
      eprint={2501.12948},
      archivePrefix={arXiv},
      primaryClass={cs.CL},
      url={https://arxiv.org/abs/2501.12948}, 
}