En janvier dernier, DeepSeek a directement publié le modèle de raisonnement R1 en open source, et la réaction de la communauté a été immédiate : Personne ne s'attendait à ce que le côté open source ait déjà atteint ce niveau.
Commençons par les indicateurs concrets :
- Concours de mathématiques AIME : 77,5 points
- MATH-500 : 96,2 points
- Programmation Codeforces : 94e percentile
- MMLU : 0,849
En regardant ces chiffres ensemble, ils sont essentiellement à égalité avec OpenAI o1. Mathématiques, code, raisonnement logique – un athlète complet dans trois disciplines.
Mais ce qui surprend encore plus, c'est la version distillée. R1-Distill-Qwen-32B, un modèle distillé "petit" avec 32B paramètres, a directement surpassé o1-mini sur plusieurs benchmarks. 32B paramètres suffisent pour égaler ou même dépasser les modèles de raisonnement fermés – c'est un cadeau du ciel pour les petites équipes et les développeurs indépendants, car il fonctionne sur des cartes graphiques grand public.
La méthode de raisonnement de R1 suit la voie structurée du Chain-of-Thought. Dans les scénarios de contexte long, il démontre clairement le flux "planification → exécution → réflexion → correction". La fenêtre de contexte de 128K offre suffisamment d'espace pour que la chaîne de raisonnement se déroule complètement, sans craindre d'être interrompue en cours de route.
D'un point de vue industriel plus large, le véritable impact de R1 réside dans la logique de tarification. Auparavant, la prime des modèles fermés reposait en grande partie sur le "fossé de la capacité de raisonnement" – pour utiliser un bon modèle de raisonnement, il fallait payer. Maintenant, ce mur a été percé d'un grand trou par R1. Avec quoi les fabricants de modèles fermés peuvent-ils maintenir leur avantage tarifaire ? Uniquement avec la marque et l'écosystème ?
Cette question deviendra de plus en plus aiguë dans les trimestres à venir.
Source de référence : CocoLoop, rapport de lancement de DeepSeek R1 par InfoQ, page du modèle sur Hugging Face