DeepSeek掀起了生成式AI领域的风暴。

首先推出DeepSeek-v3，现在推出DeepSeek-R1，这两款模型都打破了所有基准，并且完全开源。

但今天我们不是在讨论这两款超级模型，而是讨论DeepSeek-R1的一个蒸馏版本——DeepSeek-R1-Distill-Qwen-1.5B，它可能是今天被低估的版本，虽然只有15亿个参数，但它悄无声息地在一些主要基准上超越了GPT-4和Claude 3.5 Sonnet。

首先，让我们了解一下：

什么是DeepSeek-R1的蒸馏模型？

DeepSeek-R1的蒸馏模型是通过蒸馏技术从更大版本的DeepSeek-R1模型中提取出来的紧凑高效版本。

这个过程将大型模型的知识和推理能力转移到更小的模型中，使它们能够在推理任务上表现良好，同时更加轻量、节省资源，并且更容易部署。

DeepSeek-R1发布的不同蒸馏模型包括：

• DeepSeek-R1-Distill-Qwen系列：1.5B，7B，14B，32B。

• DeepSeek-R1-Distill-Llama系列：8B，70B。

回到DeepSeek-R1-Distill-Qwen 1.5…

DeepSeek-R1-Distill-Qwen 1.5是Qwen2.5-Math-1.5B的蒸馏版，专注于数学和逻辑推理。

从指标表格来看，这款模型表现得非常强大。

图片

从表格中可以看到，DeepSeek-R1-Distill-Qwen-1.5B在以下特定任务中超越了GPT-4o和Claude 3.5：

AIME 2024（数学竞赛）

• DeepSeek-R1-Distill-Qwen-1.5B: 28.9% Pass@1

• GPT-4o: 9.3% Pass@1

• Claude 3.5: 16.0% Pass@1

分析：DeepSeek-R1-Distill-Qwen-1.5B在这一具有挑战性的数学竞赛基准中显著超越了GPT-4o和Claude 3.5，展现了其强大的推理能力。

MATH-500（数学推理）

• DeepSeek-R1-Distill-Qwen-1.5B: 83.9% Pass@1

• GPT-4o: 74.6% Pass@1

• Claude 3.5: 78.3% Pass@1

分析：这款15亿参数的模型在数学推理方面超越了GPT-4o和Claude 3.5，展示了它在处理复杂数学问题上的能力，尽管体积较小。

Codeforces（编程竞赛）

• DeepSeek-R1-Distill-Qwen-1.5B: 954 Rating

• GPT-4o: 759 Rating

• Claude 3.5: 717 Rating

分析：虽然DeepSeek-R1-Distill-Qwen-1.5B在总体编程任务中不是最强的，但它在Codeforces评分上超越了GPT-4o和Claude 3.5，表明它在竞争性编程任务中的表现更好。

虽然DeepSeek-R1-Distill-Qwen-1.5B在数学和推理方面表现出色，但它并没有在所有基准中超越GPT-4o和Claude 3.5。

在更广泛的任务（如GPQA、LiveCode Bench）中，它的表现较弱，这可能是因为它更优化于数学任务，而非一般推理或编码任务。

DeepSeek-R1-Distill-Qwen-1.5B的优势：

• 推理能力：在数学和推理任务中表现突出，超越了像GPT-4o和Claude-3.5-Sonnet等更大的模型。

• 效率：仅有15亿参数，具有高效性，适合资源受限的环境。

• 蒸馏技术：该模型通过蒸馏技术保留了DeepSeek-R1更大模型的推理能力，同时体积大大减小。

局限性

• 编程表现：在编程任务（如LiveCodeBench）中，DeepSeek-R1-Distill-Qwen-1.5B的表现不如GPT-4o和Claude-3.5-Sonnet。

• 语言混合：与其父模型类似，它在多语言任务中可能会面临语言一致性的问题。

• 提示敏感性：它在零样本提示下表现最佳，但在少样本提示下可能表现下降。

DeepSeek-R1-Distill-Qwen-1.5B是最佳的小型LLM吗？

• 是的，适用于推理任务：DeepSeek-R1-Distill-Qwen-1.5B无疑是最佳的小型LLM，特别是在数学和推理任务中，超越了GPT-4o和Claude-3.5-Sonnet等更大的模型。

• 不是的，适用于通用用途：对于需要强大编程或多语言能力的任务，它可能表现不佳。

• 相较于其他小型LLM，如Llama 3.2 1B或3B、HuggingFace的SmolLM和Qwen2.5–1.5 Math模型，它应当脱颖而出，但目前尚无直接比较。

如何使用DeepSeek-R1-Distill-Qwen-1.5B？

该模型的权重已开源，可以直接从HuggingFace使用。

如何学习AI大模型？

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

👉学会后的收获：👈
• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

1.AI大模型学习路线图
2.100套AI大模型商业化落地方案
3.100集大模型视频教程
4.200本大模型PDF书籍
5.LLM面试题合集
6.AI产品经理资源合集

👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓