DeepSeek-R1 lanseras – den öppna reasoning-modellen pressar AI-priserna

DeepSeek-R1 lanseras – den öppna reasoning-modellen pressar AI-priserna

Den 20 januari 2025 publicerade kinesiska DeepSeek DeepSeek-R1, en reasoning-modell med öppet tillgängliga vikter och aggressiv prissättning. Modellen fick snabbt global uppmärksamhet för matematik, kod och flerledsproblem och visade att avancerat reasoning inte enbart behövde komma från de största amerikanska AI-laboratorierna.

Marketplace har byggt om den tidigare generella DeepSeek-artikeln till en faktagranskad historisk guide om R1. Den befintliga URL:en behålls för att undvika en ny överlappande sida.

DeepSeek-R1 i korthet

R1-Zero och förstärkt inlärning

DeepSeek beskrev R1-Zero som ett experiment där modellen utvecklade starka reasoning-beteenden genom storskalig förstärkt inlärning utan ett traditionellt övervakat finjusteringssteg först.

Modellen lärde sig beteenden som:

• längre problemlösning
• självkontroll
• omprövning av ett angreppssätt
• fler mellanled
• större test-time compute

R1-Zero hade samtidigt problem med upprepningar, språkblandning och svårläst resonemang. DeepSeek skapade därför R1 med cold-start-data före förstärkt inlärning och ytterligare finjustering för bättre användbarhet.

Mer reasoning är inte en sanningsgaranti. Modellen kan fortfarande börja från ett felaktigt antagande och bygga en lång, övertygande men felaktig analys.

Öppet tillgängliga vikter

DeepSeek publicerade modellvikter för R1-Zero, R1 och sex destillerade modeller. Det gjorde lokal drift, forskning och egen anpassning möjlig under modellernas licensvillkor.

Lokal drift kan ge:

• bättre kontroll över data
• möjlighet att arbeta offline
• egen säkerhets- och loggningsmodell
• integration med privata dokument
• lägre rörlig kostnad vid hög användning

Den flyttar samtidigt ansvar till användaren för:

• hårdvara
• säkerhetsfilter
• uppdateringar
• licens
• incidenthantering
• nätverks- och verktygsbehörigheter

Sex destillerade modeller

DeepSeek använde data som genererats av R1 för att finjustera mindre täta modeller baserade på Qwen2.5 och Llama 3.

De publicerade storlekarna omfattade:

• 1,5B
• 7B
• 8B
• 14B
• 32B
• 70B

Distillering innebär att en större modell fungerar som lärare åt en mindre modell. Den mindre modellen blir billigare och lättare att köra, men når inte automatiskt samma kvalitet i varje uppgift.

Syntetiska träningsdata kan dessutom förstärka lärarmodellens fel. Ett produktionssystem behöver egna benchmark, verkliga exempel och mänsklig kontroll.

Matematik och kod

DeepSeek rapporterade starka resultat på bland annat AIME, MATH-500, GPQA och LiveCodeBench. Modellen jämfördes med OpenAI o1 på flera reasoning-uppgifter.

Benchmarkresultat behöver läsas försiktigt. De säger inte automatiskt hur modellen fungerar:

• på svenska
• i en viss kodbas
• med aktuell information
• inom svensk juridik
• under verkliga säkerhetskrav
• med företagets egna dokument

Kod behöver köras i isolerad miljö, testas och granskas oavsett modellens benchmark.

Prisdebatten

DeepSeek publicerade låga API-priser och uppgifter om effektiv modellutveckling. Det skapade stor debatt om hur mycket frontierliknande modeller faktiskt behöver kosta.

Träningskostnad kan avse olika saker:

1. den sista träningskörningen
2. tidigare experiment
3. datainsamling och databehandling
4. personal
5. acceleratorer och datacenter
6. utveckling av tidigare modeller
7. inferens och drift

Därför går det inte att jämföra en enskild rapporterad körkostnad direkt med ett annat företags totala forskningsbudget.

Den säkra slutsatsen var att R1 ökade konkurrensen och pressade prisförväntningarna för reasoning.

Data och integritet

DeepSeeks officiella molntjänster omfattas av företagets villkor och tillämplig kinesisk lagstiftning. Svenska företag behöver därför göra en särskild leverantörs-, jurisdiktions- och dataöverföringsbedömning innan personuppgifter, källkod eller affärshemligheter skickas till tjänsten.

Klistra inte in:

• personnummer
• lösenord eller API-nycklar
• kundregister
• opublicerad källkod
• känsliga personaluppgifter
• avtal eller företagshemligheter

Lokal drift av modellvikterna kan vara ett alternativ, men den egna miljön behöver fortfarande kryptering, loggning, uppdateringar och behörighetskontroll.

Läs även vår checklista för DeepSeek och datasäkerhet i företag.

Censur och politiska ämnen

DeepSeeks officiella molnprodukt kunde begränsa eller styra svar på vissa politiskt känsliga frågor. Det gör tjänsten olämplig som enda källa för nyheter, historia eller geopolitik.

Lokalt körda vikter kan bete sig annorlunda beroende på systemprompt och finjustering, men träningsbias och kunskapsluckor finns kvar.

Ett källkritiskt arbetsflöde bör:

1. begära källor
2. jämföra flera modeller
3. öppna originaldokument
4. skilja fakta från värdering
5. kontrollera datum och jurisdiktion

Säkerhetsrisker

En öppen reasoning-modell kan användas legitimt för forskning och utveckling, men även anpassas för riskfyllda syften.

Organisationer bör:

• köra kod i sandlåda
• begränsa nätverksåtkomst
• ge agenten minsta möjliga behörighet
• blockera betalning, publicering och radering som standard
• logga verktygsanrop
• kräva mänskligt godkännande före externa konsekvenser
• ha en incidentprocess

Öppna vikter betyder inte att modellen är säker utan ytterligare kontroller.

DeepSeek-R1 jämfört med slutna reasoning-modeller

Den bästa modellen beror på kvalitet, dataskydd, total kostnad och arbetsflöde – inte enbart en leaderboard.

Svenska företag

DeepSeek-R1 kan vara relevant för:

• lokal kodhjälp
• matematik
• privat dokumentanalys
• experiment med mindre destillerade modeller
• intern RAG
• kostnadskänsliga reasoning-flöden

Företaget bör jämföra R1 med ChatGPT, Claude, Gemini, Mistral och andra öppna modeller på ett eget testset.

Mät:

• korrekthet
• svarstid
• kostnad per godkänt resultat
• kvalitet på svenska
• behov av mänsklig rättning
• säkerhets- och dataskyddskrav

Vanliga frågor

När lanserades DeepSeek-R1?

DeepSeek publicerade R1 den 20 januari 2025.

Var modellvikterna tillgängliga?

Ja. DeepSeek publicerade R1-Zero, R1 och sex destillerade modeller under angivna licensvillkor.

Var R1 billigare än konkurrenterna?

API-priserna var mycket låga vid lanseringen, men total kostnad beror på hårdvara, drift, kontext, verktyg och hur ofta svar behöver rättas.

Kan DeepSeek-R1 köras lokalt?

Ja, beroende på vald modell, kvantisering och hårdvara. Den fulla modellen kräver betydande resurser, medan destillerade varianter är lättare att drifta.

Är DeepSeek säkert för företagsdata?

Inte utan en separat riskbedömning. Känsliga data bör endast användas i en godkänd miljö med rätt avtal och tekniska kontroller.

Ersätter reasoning mänsklig granskning?

Nej. Modellen kan resonera länge och fortfarande ge fel svar.

Sammanfattning

DeepSeek-R1 lanserades den 20 januari 2025 och blev en av årets mest uppmärksammade AI-händelser. Modellen kombinerade reasoning, öppna vikter, sex destillerade varianter och låga API-priser.

R1 ökade konkurrensen och gjorde avancerad problemlösning mer tillgänglig. Samtidigt krävde användningen noggrann bedömning av data, censur, licens, säkerhet och verklig total kostnad. En billig modell är bara värdefull när resultatet är korrekt och miljön är säker.

Faktaunderlag: DeepSeeks officiella DeepSeek-R1-repository och modellkort, publicerade den 20 januari 2025. Artikeln ersätter en äldre generell DeepSeek-text på samma URL.

Läs också

• DeepSeek och AI-plattformar