關於DeepSeek-R1-Distill-Qwen-7B
DeepSeek-R1-Distill-Qwen-7B 是基於 Qwen2.5-Math-7B 的蒸餾模型。該模型使用由 DeepSeek-R1 生成的 80 萬個精選樣本進行微調，展示了強大的推理能力。它在各個基準上取得了令人印象深刻的成績，包括 MATH-500 上 92.8% 的準確率、AIME 2024 上 55.5% 的通過率，以及在 CodeForces 上獲得 1189 的評分，展現了其作為 7B 規模模型的卓越數學和編程能力。
探索DeepSeek-R1-Distill-Qwen-7B強大的推理、數學和程式設計能力如何高效地應用於解決複雜的現實世界問題。
高級數學問題解決
利用模型產生和驗證證明、解方程和推導公式的能力，解決從理論物理到複雜工程的精細數學挑戰。
使用案例示例：
"一位材料科學家使用模型推導了一組描述新合金熱性能的部分微分方程，顯著加速了實驗設計。"
智能代碼分析與精緻化
通過深度邏輯推理識別細微錯誤、優化算法並重構各種程式範式下的複雜代碼以提升軟件質量。
使用案例示例：
"通過識別低效的排序算法並建議更高效、內存使用更少的替代方案，優化了用Python編寫的重要數據處理管道，執行時間縮短了40％。"
定量金融建模
對市場數據和財務報告進行深入的定量分析，發現趨勢、評估風險，並生成數據驅動的投資策略。
使用案例示例：
"通過分析歷史交易數據和宏觀經濟指標，開發了用於加密貨幣價格走勢的預測模型，提供了一個詳細的風險調整投資組合建議。"
自動邏輯與合規審計
系統性地審計從監管文件到網絡配置的複雜系統，以檢測邏輯不一致、合規缺口和潛在漏洞。
使用案例示例：
"審計了大型企業的云基礎設施配置文件（Terraform/YAML），以識別安全配置錯誤和政策違反，確保遵循行業最佳實踐。"
元數據
規格
狀態
Deprecated
架構
Dense Transformer
經過校準的
否
專家並行
否
總參數
7B
啟用的參數
7B
推理
否
精度
FP8
上下文長度
33K
最大輸出長度
16K
DeepSeek
chat
DeepSeek-V3.2
總上下文：
164K
最大輸出：
164K
輸入：
$
0.27
/ M Tokens
輸出：
$
0.42
/ M Tokens
DeepSeek
chat
DeepSeek-V3.2-Exp
總上下文：
164K
最大輸出：
164K
輸入：
$
0.27
/ M Tokens
輸出：
$
0.41
/ M Tokens
DeepSeek
chat
DeepSeek-V3.1-Terminus
總上下文：
164K
最大輸出：
164K
輸入：
$
0.27
/ M Tokens
輸出：
$
1.0
/ M Tokens
DeepSeek
chat
DeepSeek-V3.1
總上下文：
164K
最大輸出：
164K
輸入：
$
0.27
/ M Tokens
輸出：
$
1.0
/ M Tokens
DeepSeek
chat
DeepSeek-V3
總上下文：
164K
最大輸出：
164K
輸入：
$
0.25
/ M Tokens
輸出：
$
1.0
/ M Tokens
DeepSeek
chat
DeepSeek-R1
總上下文：
164K
最大輸出：
164K
輸入：
$
0.5
/ M Tokens
輸出：
$
2.18
/ M Tokens
DeepSeek
chat
DeepSeek-R1-Distill-Qwen-32B
總上下文：
131K
最大輸出：
131K
輸入：
$
0.18
/ M Tokens
輸出：
$
0.18
/ M Tokens
DeepSeek
chat
DeepSeek-R1-Distill-Qwen-14B
總上下文：
131K
最大輸出：
131K
輸入：
$
0.1
/ M Tokens
輸出：
$
0.1
/ M Tokens
DeepSeek
chat
DeepSeek-R1-Distill-Qwen-7B
總上下文：
33K
最大輸出：
16K
輸入：
$
0.05
/ M Tokens
輸出：
$
0.05
/ M Tokens
