Figure

基准测试任务

1. AIME 2024 (Pass@1)

主要衡量模型在数学竞赛题目上的解题能力。

• DeepSeek-R1 的表现为 79.8%，略高于 OpenAI-o1-1217（79.2%），但优于 OpenAI-o1-mini（72.6%）和 DeepSeek-V3（63.6%）。
• OpenAI-o1-mini 在该任务上的表现最弱（39.2%）。

2. Codeforces (Percentile)

评估模型在编程竞赛环境中的排名。

• DeepSeek-R1 取得 96.3%，仅比 OpenAI-o1-1217（96.6%）略低，但显著优于 DeepSeek-R1-32B（90.6%）和 OpenAI-o1-mini（93.4%）。
• DeepSeek-V3 的表现相对较弱（58.7%）。

3. GPQA Diamond (Pass@1)

衡量模型在高难度通用知识问答（General-Purpose Question Answering）任务上的解答能力。

• DeepSeek-R1 取得 71.5%，略低于 OpenAI-o1-1217（75.7%），但比 DeepSeek-V3（62.1%）和 OpenAI-o1-mini（60.0%）表现更好。

4. MATH-500 (Pass@1)

评估模型在数学题目上的准确性。

• DeepSeek-R1 的表现最高（97.3%），超过 OpenAI-o1-1217（96.4%）、DeepSeek-R1-32B（94.3%），比 OpenAI-o1-mini（90.2%）和 DeepSeek-V3（90.0%）高出不少。

5. MMLU (Pass@1)

该任务测试模型在多学科知识上的表现。

• DeepSeek-R1 的表现为 90.8%，略低于 OpenAI-o1-1217（91.8%），但比 DeepSeek-R1-32B（87.4%）、OpenAI-o1-mini（85.2%）和 DeepSeek-V3（88.5%）更优。

6. SWE-bench Verified (Resolved)

衡量模型在软件工程任务中的能力。

• DeepSeek-R1 的分数为 49.2%，略高于 OpenAI-o1-1217（48.9%），远高于 OpenAI-o1-mini（41.6%）和 DeepSeek-V3（42.0%），但仍然是所有任务中整体表现最弱的。

论文链接：https://github.com/deepseek-ai/DeepSeek-R1/blob/main/DeepSeek_R1.pdf