DeepSeek-R1-0528

更新

思考

推論

コード生成

ツール利用

実行する

DeepSeekの671BパラメータのMoE推論モデルです。アクティブパラメータは37Bで、MITライセンスで公開されています。数学、コード、長い思考連鎖を得意とします。

基本情報

ライセンス: MIT
パラメータ数: 合計684.5B、ネイティブFP8
コンテキスト長: DeepSeekは明示していません。評価では最大生成長を64Kトークンに設定しています
モダリティ: テキスト入力、テキスト出力（開発元のモデルカードには、ほかのモダリティの記載はありません）
最小ハードウェア要件: 161.6 GBのUD-TQ1_0 GGUFに対して192 GBのメモリ

DeepSeek-R1-0528とは？

DeepSeek-R1-0528は、DeepSeekのR1推論モデルを2025年5月28日に更新したモデルです。DeepSeekはマイナーバージョンアップと位置づけていますが、今回の事後学習では計算量の増加と新たなアルゴリズム最適化の仕組みによって、数学、プログラミング、一般的な論理における推論の深さが向上しました。DeepSeekによると、総合性能はO3やGemini 2.5 Proなどの主要モデルに近づいています。重みはネイティブFP8で、safetensorsでの集計では684.5Bパラメータあり、MITライセンスで配布されています。最小のGGUFビルドでも161.62 GBあるため、まずメモリを確認する必要があります。

仕様	DeepSeek-R1-0528
総パラメータ数	684.5B（safetensorsでの集計）
重みの内訳	FP8が680.6B、BF16が3.9B、FP32が41.6M
ネイティブ精度	FP8 (F8_E4M3)
種類	推論モデル、長い思考連鎖
モダリティ	テキスト入力、テキスト出力
最大生成長	64Kトークン（開発元の評価設定）
DeepSeekのアプリでのtemperature	0.6
蒸留版	DeepSeek-R1-0528-Qwen3-8B
論文	arXiv 2501.12948
リリース日	2025年5月28日
ライセンス	MIT

精度の向上は、より長く思考することで得られています。AIMEのテストセットでは、従来のR1は1問あたり平均12Kトークンでしたが、0528では平均23Kトークンです。DeepSeekは、ハルシネーション率の低下、関数呼び出しへの対応強化、バイブコーディングの使い勝手の改善も報告しています。ローカルでの利用では、2つの変更が重要です。システムプロンプトに対応し、思考パターンを強制するために出力をthinkタグで始める必要がなくなりました。DeepSeekは、0528の思考連鎖をQwen3 8B Baseに蒸留することも行いました。その結果であるDeepSeek-R1-0528-Qwen3-8Bは、Qwen3-8Bのアーキテクチャを維持しつつ、0528のトークナイザー設定を使用しています。DeepSeekの数値では、AIME 2024のスコアはQwen3-8Bの76.0に対して86.0で、Qwen3-8Bと同じ方法で実行できます。

DeepSeek-R1-0528のベンチマーク

モデルカードに掲載されたDeepSeekの公開数値は、0528と初代のDeepSeek R1を比較したものです。最大生成長は64Kトークンで、サンプリングが必要なベンチマークでは、DeepSeekはtemperature 0.6、top-p 0.95を設定し、クエリごとに16件の応答を生成してpass@1を推定しました。すべての行で同じ指標を使っているわけではありません。SWE Verifiedは問題の解決率、Aider-Polyglotは正解率で評価されています。

ベンチマーク	DeepSeek-R1-0528	DeepSeek R1
AIME 2025 数学競技	87.5	70.0
HMMT 2025 数学オリンピック	79.4	41.7
GPQA Diamond 専門レベルの科学	81.0	71.5
LiveCodeBench 競技プログラミング	73.3	63.5
SWE Verified ソフトウェア工学	57.6	49.2
Aider-Polyglot コード編集	71.6	53.3
Humanity's Last Exam 専門的な設問	17.7	8.5

更新版は、ここに掲載したすべての行で上回っています。HMMT 2025は41.7から79.4に、Humanity's Last Examは8.5から17.7に、Aider-Polyglotは53.3から71.6に向上しました。開発元の完全な表で唯一低下したのはSimpleQAで、30.1から27.8に下がっています。

その表の残りの結果は、AIME 2024が79.8から91.4に、CNMO 2024が78.8から86.9に、Codeforces Div1のレーティングが1530から1930に向上しています。一般知識の変化は小さく、MMLU-Reduxは92.9から93.4、MMLU-Proは84.0から85.0、FRAMESは82.5から83.0です。ツール利用のスコアは0528のみが公開されており、R1の列はありません。BFCL v3 MultiTurnは37.0、Tau-Benchは航空分野が53.5、小売分野が63.9で、ユーザー役にはGPT-4.1を使用しています。SWE VerifiedはAgentlessフレームワークで実行され、Humanity's Last Examではテキストのみのプロンプトだけが採点対象となりました。

DeepSeek-R1-0528のハードウェア要件

システム要件で確認すべきなのはメモリです。GGUFビルドは、Hugging Faceのunsloth/DeepSeek-R1-0528-GGUFリポジトリで提供されています。UD-TQ1_0は161.62 GBの単一ファイルです。それ以外のビルドはすべて分割されているため、以下のサイズは各ビルドの分割ファイルを合計したものです。

メモリ	選択するビルド	ファイルサイズ
192 GB	UD-TQ1_0	161.6 GB
256 GB	UD-IQ2_M	228.5 GB
320 GB	UD-Q3_K_XL	295.9 GB
384 GB	IQ4_XS	357.7 GB
512 GB	Q4_K_M	404.9 GB
640 GB	Q6_K	551.1 GB
768 GB以上	Q8_0	713.3 GB

2つのビルドがどちらもコンテキスト用の余裕を残してメモリに収まる場合は、大きい方を選んでください。この表では、リポジトリにある一部の段階を省略しています。UD-TQ1_0とUD-IQ2_Mの間には、185.5 GBのUD-IQ1_S、200.5 GBのUD-IQ1_M、216.8 GBのUD-IQ2_XXSがあります。UD-IQ2_Mより大きいものには、251.1 GBのUD-Q2_K_XL、272.9 GBのUD-IQ3_XXS、384.0 GBのUD-Q4_K_XLがあります。一覧で、手元のメモリ容量により近いビルドを確認してください。どの段階もお使いのハードウェアに収まらない場合は、蒸留版のDeepSeek-R1-0528-Qwen3-8Bが、デスクトップで0528の思考連鎖を利用するための現実的な選択肢です。GGUF形式になじみがない場合は、まずGGUFとは何かをご覧ください。

Atomic ChatでDeepSeek-R1-0528を実行する方法

Atomic Chatは、macOS、Windows、Linux向けの無料のローカルアプリです。Hugging Faceのモデルブラウザーとチャット機能を内蔵しており、llama.cppを手動でビルドする必要はありません。

お使いのプラットフォーム向けのAtomic Chatをダウンロードし、起動します。
モデルブラウザーでDeepSeek-R1-0528を検索し、Download Optionsを開きます。
手元のメモリ容量に収まるビルドを選び、チャットを開始します。

DeepSeekは自社のWebアプリで、2行のシステムプロンプトを設定し、temperature 0.6でモデルを実行しています。1行目ではアシスタントをDeepSeekが開発したDeepSeek-R1と指定し、次の行では現在の日付を与えています。DeepSeekはファイルアップロードとWeb検索用のプロンプトテンプレートを公開しており、DeepSeek PlatformのエンドポイントはOpenAI互換です。セルフホスティングについては、DeepSeek-R1のGitHubリポジトリを案内しています。

同じファミリーのほかのモデルについては、ローカルで実行できるDeepSeekモデルの一覧をご覧ください。また、ローカルLLMの全カタログも参照できます。

DeepSeek-R1-0528のライセンス

DeepSeek-R1-0528はMITライセンスで公開されており、DeepSeekはR1シリーズのBaseとChatの両方で商用利用と蒸留が可能だとしています。これには、モデルを利用した製品の開発、量子化ビルドの再配布、モデルの出力を使った小型モデルの学習が含まれ、利用料はかかりません。

Hugging Faceからモデルをダウンロード

pip install -U transformers
huggingface-cli download deepseek-ai/DeepSeek-R1-0528

curl http://localhost:8000/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{
    "model": "deepseek-ai/DeepSeek-R1-0528",
    "messages": [{"role": "user", "content": "Prove 1+2+...+n = n(n+1)/2."}],
    "temperature": 0.6
  }'

from transformers import AutoModelForCausalLM, AutoTokenizer
model = AutoModelForCausalLM.from_pretrained("deepseek-ai/DeepSeek-R1-0528", trust_remote_code=True)
tokenizer = AutoTokenizer.from_pretrained("deepseek-ai/DeepSeek-R1-0528")

import OpenAI from "openai";
const client = new OpenAI({ baseURL: "http://localhost:8000/v1", apiKey: "local" });
const res = await client.chat.completions.create({
  model: "deepseek-ai/DeepSeek-R1-0528",
  messages: [{ role: "user", content: "Solve: integral of x^2 dx." }],
  temperature: 0.6,
});
console.log(res.choices[0].message.content);

デスクトップ

macOS

(Intel・Apple Silicon)

ダウンロード

Windows

(x64)

ダウンロード

Linux

(x86_64)

ダウンロード

よくある質問

DeepSeek-R1-0528は、DeepSeek AIのR1推論モデルを2025年5月28日に更新したモデルです。DeepSeek-V3の混合エキスパートアーキテクチャを採用しており、総パラメータ数は671B、トークンごとのアクティブパラメータ数は37Bです。この更新でモデルの思考連鎖による推論が深まり、AIME 2025の正解率が70%から87.5%に向上したほか、システムプロンプトと関数呼び出しへの対応が追加されました。

671BのフルモデルをネイティブFP8の重みで実行するには、およそ700 GBのメモリが必要なため、複数GPUを搭載したサーバーや大容量メモリを備えたホストが対象となります。量子化されたGGUFビルドでは、必要容量を大幅に削減できます。Unslothによるコミュニティ製の1.5-2ビット動的量子化では150-250 GBの範囲に収まり、十分なシステムRAMがあればCPUで、または複数GPUを搭載したワークステーションで実行できます。一般消費者向けGPUカード1枚で実行する場合は、蒸留版のDeepSeek-R1-0528-Qwen3-8Bが現実的な選択肢です。

はい。モデルの重みは、商用利用、改変、蒸留を認めるMITライセンスでHugging Faceに公開されています。無料でダウンロードしてセルフホスティングできるほか、DeepSeekのOpenAI互換APIやサードパーティーのプロバイダーを通じて呼び出すこともできます。MITの条項では、このモデルの出力を使ってほかのモデルを学習することが明示的に認められています。

DeepSeek-R1-0528は、基盤となるDeepSeek-V3アーキテクチャから引き継いだ128Kトークンのコンテキスト長に対応しています。長い思考連鎖を生成する推論モデルであるため、そのトークン枠の大きな部分を内部の思考に使うことがあります。DeepSeekは自社の評価で、最大生成長を64Kトークンに制限しています。

DeepSeek-R1-0528は、同じベースモデルに事後学習を施した更新版であるため、パラメータ数は671Bのままですが、より深く思考します。AIME 2025は70%から87.5%に、LiveCodeBenchは63.5から73.3に向上し、Codeforcesのレーティングは1530から1930に上昇しています。その代わり、出力は長くなります。AIMEの1問あたりのトークン数は、従来の12Kに対し、平均約23Kです。ハルシネーションも減少し、関数呼び出しも改善しています。