大家好，我是木易，一个持续关注AI领域的互联网技术产品经理，国内Top2本科，美国Top10 CS研究生，MBA。我坚信AI是普通人变强的“外挂”，所以创建了“AI信息Gap”这个公众号，专注于分享AI全维度知识，包括但不限于AI科普，AI工具测评，AI效率提升，AI行业洞察。关注我，AI之路不迷路，2025我们继续出发。

今天，我和深度求索刚刚发布的DeepSeek-R1玩了一天。

先放结论：DeepSeek-R1强，很强。

DeepSeek-R1是由低调奢华有内涵的国内AI初创公司深度求索（DeepSeek）发布并开源的最新推理模型。

该模型的前身是DeepSeek-R1-Lite。我之前也做过不少关于DeepSeek-R1-Lite的测评，说实话，和OpenAI的o1比起来，推理能力差距不小，大约是比o1-preview弱一点的水平。

而如今的DeepSeek-R1令人刮目相看，不只是停留在纸面上的基准测试。

为了测试DeepSeek-R1的推理能力在实际体验中到底怎么样，我今天做了大量测试。分享一些比较有趣的。

24点问题（困难版）

1. “2、3、5、12”

用数字 2、3、5、12 和四则运算得出结果 24。

这个是DeepSeek-R1-Lite无法推理出的一道题，我用DeepSeek-R1测试了多次，稳定回答正确。

美中不足的是，好几次答案中的LaTeX公式都没有正常渲染显示，比如上面那个。但也有能渲染出来的，比例大概50%吧。

2. “2, 7, 8, 9”

用数字 2, 7, 8, 9 和四则运算得出结果 24。

思考19秒，回答正确，还进行了最终结果的二次验证。

3. “1, 2, 7, 7”

用数字 1, 2, 7, 7 和四则运算得出结果 24。

思考21秒，回答正确。可以看到，像这种带有除法运算的24点问题本身还是有一定难度的。

4. “2, 2, 2, 9”

用数字 2, 2, 2, 9 和四则运算得出结果 24。

划重点，这是DeepSeek-R1第一次出错。思考了139秒，最终以幻觉结束。

来看看o1-mini和o1的回答。这里只考虑第一次回答的结果。

o1-mini和o1均回答正确，甚至o1-mini只思考了4秒钟就给出了正确答案。

o1-mini：

o1：

附上GPT-4o和Claude 3.5 Sonnet的回答作为对比。错的很离谱，这就是推理模型和通用模型在推理能力上的区别。

GPT-4o：

Claude 3.5 Sonnet：

5. “4, 4, 10, 10”

用数字 4, 4, 10, 10 和四则运算得出结果 24。

DeepSeek-R1思考了25秒，回答正确。

6. “1, 5, 5, 5”

用数字 1, 5, 5, 5 和四则运算得出结果 24。

思考9秒，回答正确。同样出现了Latex渲染失败的问题。

7. “2, 5, 5, 10”

用数字 2, 5, 5, 10 和四则运算得出结果 24。

很有难度的题目。DeepSeek-R1思考了45秒，最终回答正确。

8. “1, 4, 5, 6”

用数字 1, 4, 5, 6 和四则运算得出结果 24。

凡是涉及除法、分数等需要逆向运算的24点题目，都有难度。这道题，DeepSeek-R1思考了38秒，不但回答正确，甚至给出了2个都正确的解答。

9. “6, 9, 9, 10”

用数字 6, 9, 9, 10 和四则运算得出结果 24。

很遗憾，DeepSeek-R1思考45秒，还是回答错了。

划重点，这是DeepSeek-R1第二次出错。

同样，来看看o1-mini和o1的回答。o1-mini和o1都是一次通过，思考时间方面，o1-mini思考57秒，o1思考了1分44秒。

o1-mini：

o1：

10. “3, 3, 7, 7”

用数字 3, 3, 7, 7 和四则运算得出结果 24。

“3, 3, 7, 7”在这些题目里都算是简单的了。DeepSeek-R1思考17秒，给出正确答案。

11. “3, 3, 8, 8”

用数字 3, 3, 8, 8 和四则运算得出结果 24。

回答正确，用时15秒。

总结一下，11道困难版本的24点题目（含有除法、分数运算的），DeepSeek-R1的战绩是回答正确9道。拿DeepSeek-R1出错的题目投喂给o1-mini和o1，这两个模型都回答正确了。

最后，再附上一个上一代的DeepSeek-R1-Lite出错了的真假话推理问题。我在《国内首个对标o1的推理模型发布：DeepSeek-R1-Lite初体验！》一文中有过记录。

DeepSeek-R1回答完全正确。虽然是通过枚举法推理出的，但的确答对了。

结语

总结一下DeepSeek-R1的综合表现：肉眼可见的进步。

无法评价DeepSeek-R1是不是真正的已经超越或者对标了o1，毕竟测试是片面的，评价是主观的。但从测试中，我看到了DeepSeek-R1相较于上一代Lite模型实打实的进步。主要体现在下面几个方面。

首先，推理过程更加简洁明了、条理清晰。可以看到，很多测试题目都是20秒就结束战斗，展开推理过程可以看到，之前经常出现的自我怀疑、自我否定几乎没有了。这是推理能力的进步。其次，推理过程全中文，之前时不时自动切换到英文推理的情形没有了。

量大管饱还免费的DeepSeek-R1，作为o1的平替，性价比拉满。