Chuyển đến nội dung

deepseek-ai / DeepSeek-R1

DeepSeek-R1

Mô hình AI "biết suy nghĩ từng bước" mã nguồn mở của DeepSeek, giỏi toán, code và lập luận

DeepSeek-R1 là dòng mô hình ngôn ngữ do DeepSeek phát hành, được huấn luyện để nghĩ kỹ từng bước trước khi trả lời (gọi là mô hình suy luận). Trọng số mở theo giấy phép MIT, cho phép dùng thương mại. Bản đầy đủ rất lớn (671 tỷ tham số) nên người thường thường dùng các bản chưng cất (distill) nhỏ hơn từ 1,5 đến 70 tỷ tham số hoặc dùng qua web và API của hãng.

  • 92.030 sao
  • 11.687 fork
  • Cập nhật 1 năm trước
  • MIT (dùng tự do, kể cả thương mại)
Độ khó
Khó Dành cho người biết lập trình
Dạng
Mô hình AI
Chạy trên
Web, Windows, macOS, Linux, Python
Chi phí
Miễn phí hoàn toàn

Trải nghiệm khi dùng DeepSeek-R1

Cách nhanh nhất để thấy DeepSeek-R1 làm gì là vào chat.deepseek.com, đăng nhập rồi bật nút DeepThink. Khi hỏi một bài toán hay một câu khó, bạn thấy mô hình viết ra cả đoạn "suy nghĩ" trước, thử cách này cách kia, tự kiểm tra, rồi mới đưa đáp án. Cảm giác giống nhìn một học sinh giỏi nháp bài trước khi chép đáp án sạch.

Nếu muốn chạy trên máy mình, bạn thường không chạy bản 671 tỷ tham số (cần cả cụm máy chủ) mà dùng các bản distill nhỏ như 7B, 8B, 14B, 32B. Cách dễ nhất cho người thường là qua Ollama: một lệnh ollama run deepseek-r1 là có khung chat ngay trên máy. Các bản này được tinh chỉnh từ mô hình Qwen và Llama dựa trên dữ liệu do DeepSeek-R1 sinh ra, nên mang lối suy luận từng bước nhưng không mạnh bằng bản gốc.

Một điều cần nhớ khi dùng: vì mô hình viết dài phần suy nghĩ nên câu trả lời thường lâu hơn các mô hình chat thường, và tốn nhiều token (mẩu chữ AI đọc/viết) hơn. Đổi lại, nó thường đáng giá với các bài cần lập luận như toán, lập trình, phân tích logic.

Tính năng nổi bật

Suy luận từng bước

Mô hình viết quá trình nghĩ trước khi trả lời, giúp bạn đọc lại lập luận và dễ phát hiện chỗ nó sai.

Mã nguồn mở, giấy phép MIT

Trọng số và mã trong repo dùng giấy phép MIT, cho phép dùng thương mại, sửa đổi và chưng cất để huấn luyện mô hình khác (xem lưu ý riêng cho các bản distill).

Nhiều kích cỡ để chọn

Ngoài bản 671B, có sáu bản distill: 1,5B, 7B, 8B, 14B, 32B và 70B tham số, từ máy yếu đến máy chủ mạnh.

Có web chat và API

Chat tại chat.deepseek.com bằng nút DeepThink, hoặc dùng API tương thích OpenAI ở platform.deepseek.com nếu không muốn tự chạy.

Chạy được qua công cụ quen thuộc

Các bản distill dùng như mô hình Qwen hoặc Llama bình thường nên chạy được qua vLLM, SGLang và, theo thư viện của Ollama, cả Ollama.

Tận dụng DeepSeek-R1 vào việc gì?

Học sinh, sinh viên

Giải bài toán và bài logic từng bước

Nhờ mô hình giải và xem cách nó lập luận để học cách làm, nhưng luôn tự kiểm tra lại đáp án.

Lập trình viên

Hỗ trợ viết và sửa code

Hỏi những bài thuật toán hoặc lỗi khó, để mô hình phân tích từng bước trước khi đề xuất cách sửa.

Người thích tự chạy AI

Chạy trợ lý suy luận ngay trên máy

Dùng bản distill 7B đến 14B qua Ollama cho các việc nội bộ, không phải gửi tài liệu lên dịch vụ ngoài.

Nhà nghiên cứu AI

Nghiên cứu và huấn luyện mô hình

Đọc báo cáo kỹ thuật (file PDF trong repo) và dùng các bản distill làm nền để thử nghiệm hoặc tinh chỉnh tiếp.

Cần chuẩn bị gì?

  • Bản đầy đủ DeepSeek-R1 và R1-Zero có 671 tỷ tham số (37 tỷ kích hoạt mỗi lần), độ dài ngữ cảnh 128K; cần hạ tầng máy chủ rất lớn, README trỏ sang repo DeepSeek-V3 để xem cách chạy.
  • Các bản distill nhỏ (1,5B, 7B, 8B, 14B) chạy được trên máy cá nhân, nhưng README không nêu yêu cầu RAM/VRAM cụ thể; hãy xem dung lượng ghi trên trang mô hình ở nơi bạn tải.
  • Bản 32B và 70B cần card đồ hoạ mạnh hoặc nhiều card; ví dụ lệnh vLLM trong README cho bản 32B dùng --tensor-parallel-size 2 (hai GPU).
  • Nếu chạy cục bộ qua Ollama: cài Ollama trước; nếu dùng web/API: tài khoản DeepSeek.

Hướng dẫn cài đặt chi tiết

Cài trên Ollama (dễ nhất)

  1. Cài Ollama từ ollama.com (xem trang Ollama trong Kho Repo). Thư viện của Ollama có mục deepseek-r1 với nhiều kích cỡ; xem trang ollama.com/library/deepseek-r1 để biết các tag và dung lượng thực tế.

    Văn bản
    https://ollama.com/library/deepseek-r1
  2. Mở Terminal hoặc PowerShell và chạy lệnh dưới. Lần đầu máy sẽ tải mô hình về. Muốn chọn kích cỡ khác, thêm tag sau dấu hai chấm theo danh sách trên trang thư viện.

    Terminal
    ollama run deepseek-r1
  3. Lưu ý: các tag nhỏ trong Ollama là bản distill, không phải mô hình 671B đầy đủ.

Cài trên Web / API

  1. Chat trực tiếp: vào trang dưới, đăng nhập và bật nút DeepThink để dùng chế độ suy luận.

    Văn bản
    https://chat.deepseek.com
  2. Dùng qua lập trình: đăng ký ở DeepSeek Platform để lấy API key. README ghi API tương thích OpenAI.

    Văn bản
    https://platform.deepseek.com/

Cài trên Tải trọng số (nâng cao)

  1. Trọng số của từng mô hình nằm trên Hugging Face, ví dụ bản distill Qwen 7B. Bấm vào trang mô hình để xem hướng dẫn tải và dung lượng.

    Văn bản
    https://huggingface.co/deepseek-ai/DeepSeek-R1-Distill-Qwen-7B
  2. Chạy máy chủ bằng vLLM theo ví dụ trong README (bản 32B, hai GPU). Cần cài vLLM và có phần cứng phù hợp.

    Terminal
    vllm serve deepseek-ai/DeepSeek-R1-Distill-Qwen-32B --tensor-parallel-size 2 --max-model-len 32768 --enforce-eager
  3. Hoặc dùng SGLang, cũng theo README.

    Terminal
    python3 -m sglang.launch_server --model deepseek-ai/DeepSeek-R1-Distill-Qwen-32B --trust-remote-code --tp 2
  4. Lưu ý: README ghi rõ Transformers của Hugging Face chưa hỗ trợ trực tiếp bản DeepSeek-R1 đầy đủ.

Dùng thử lần đầu

  1. Cài Ollama rồi chạy mô hình suy luận.

    Terminal
    ollama run deepseek-r1
  2. Hỏi một bài toán cần nhiều bước, ví dụ: Một cửa hàng giảm 20 phần trăm rồi giảm tiếp 10 phần trăm, tổng cộng giảm bao nhiêu phần trăm. Quan sát phần suy nghĩ hiện ra trước câu trả lời.

  3. Với bài toán, thêm câu dặn theo gợi ý của DeepSeek: Hãy suy luận từng bước và ghi đáp án cuối cùng trong \boxed{}.

  4. Đưa mọi chỉ dẫn vào ngay trong câu hỏi, không đặt lời dặn hệ thống riêng, vì README khuyên không dùng system prompt cho dòng mô hình này.

  5. Nếu chạy qua công cụ cho chỉnh được nhiệt độ (temperature), đặt trong khoảng 0,5 đến 0,7 và khuyến nghị 0,6 để tránh lặp lại vô tận hoặc trả lời lộn xộn.

Mẹo dùng hay

  • Theo khuyến nghị trong README: đặt temperature quanh 0,6, không dùng system prompt, và đưa mọi hướng dẫn vào lời nhắn của người dùng.
  • Với bài toán, thêm câu "suy luận từng bước và đặt đáp án cuối trong \boxed{}" để mô hình trình bày gọn.
  • Máy yếu thì bắt đầu từ bản distill nhỏ (7B/8B) rồi mới thử lớn hơn; mô hình vượt quá RAM hoặc VRAM sẽ chạy rất chậm.
  • Khi chạy qua web của hãng, cân nhắc không đưa dữ liệu nhạy cảm vì nội dung được gửi lên máy chủ của họ.

Lưu ý và hạn chế

  • Bản DeepSeek-R1 đầy đủ rất lớn, người dùng cá nhân gần như không tự chạy được. Bản distill nhỏ chạy được nhưng kém hơn bản gốc nhiều, nên đừng so sánh điểm benchmark của bản lớn với bản nhỏ.
  • Các con số benchmark trong README do chính DeepSeek công bố, chưa phải kết quả kiểm chứng độc lập; chất lượng thực tế với tiếng Việt và với việc của bạn có thể khác. Trên web chính thức, hãy cân nhắc quyền riêng tư dữ liệu và quy định nơi bạn làm việc.
  • Giấy phép các bản distill còn chịu điều khoản của mô hình nền: bản dựa trên Qwen theo Apache 2.0, bản Llama 8B theo giấy phép Llama 3.1 và bản Llama 70B theo giấy phép Llama 3.3. Đọc kỹ trước khi dùng thương mại.

Câu hỏi thường gặp

DeepSeek-R1 có miễn phí không?

Trọng số mở miễn phí dưới giấy phép MIT, bạn có thể tải và chạy. Chat trên web của hãng có thể dùng được; còn API tính phí theo mức sử dụng nên hãy xem bảng giá tại platform.deepseek.com.

Máy yếu có chạy được không?

Bản gốc 671B thì không. Bản distill nhỏ như 1,5B hay 7B có thể chạy trên laptop thông thường qua Ollama, chỉ chậm hơn nếu không có card đồ hoạ. Hãy chọn bản vừa với RAM của bạn.

Có dùng được tiếng Việt không?

README không đánh giá riêng tiếng Việt. Mô hình chủ yếu được báo cáo trên tiếng Anh và tiếng Trung, nên với tiếng Việt hãy tự thử và so sánh, đặc biệt với các bản nhỏ.

Tải mã nguồn về máy

Nếu bạn muốn xem hoặc sửa mã nguồn, mở Terminal (trên Windows là PowerShell) và chạy lệnh dưới. Máy cần cài sẵn Git.

Terminal
git clone https://github.com/deepseek-ai/DeepSeek-R1.git

Repo tương tự nên xem

Chạy AI trên máy cá nhân187K

Ollama

ollama / ollama

Tải và chạy mô hình AI như Gemma, Qwen, DeepSeek ngay trên máy tính của bạn chỉ với một lệnh

DễWindowsmacOSLinuxDocker
Mô hình AI mã nguồn mở105K

DeepSeek-V3

deepseek-ai / DeepSeek-V3

Mô hình ngôn ngữ mã nguồn mở cỡ 671 tỷ tham số của DeepSeek, dùng qua chat web, API hoặc máy chủ GPU riêng

KhóLinuxPythonWeb
Mô hình AI mã nguồn mở27,7K

Qwen3

QwenLM / Qwen3

Dòng mô hình AI mở của Alibaba Qwen, nhiều cỡ từ 0,6 tỷ đến 235 tỷ tham số, chạy được trên laptop qua Ollama

VừaWindowsmacOSLinuxPython

Nội dung được biên soạn bằng tiếng Việt dựa trên tài liệu chính thức của dự án, cập nhật lần cuối 16/11/2026. Lệnh cài có thể thay đổi theo phiên bản mới; nếu có khác biệt, hãy làm theo README trên GitHub.

Cùng chủ đề: Mô hình AI mã nguồn mở

Mô hình AI mã nguồn mở41,6K

BitNet (bitnet.cpp)

microsoft / BitNet

Bộ chạy mô hình AI 1-bit của Microsoft, giúp chạy mô hình ngôn ngữ nhỏ trên CPU thường mà vẫn nhanh

KhóWindowsmacOSLinuxPython
Mô hình AI mã nguồn mở27,2K

MiniCPM-V và MiniCPM-o

OpenBMB / MiniCPM-V

Mô hình AI nhìn ảnh, nghe tiếng và nói chuyện, nhỏ gọn để chạy trên máy cá nhân và điện thoại

KhóWindowsmacOSLinuxAndroid+2
Mô hình AI mã nguồn mở26,1K

FLUX.1

black-forest-labs / flux

Mã chạy chính thức của dòng mô hình tạo và chỉnh sửa ảnh FLUX.1 từ Black Forest Labs

KhóLinuxPython
Mô hình AI mã nguồn mở20,5K

gpt-oss

openai / gpt-oss

Hai mô hình trọng số mở của OpenAI (20B và 120B), bản 20B chạy được trên máy có khoảng 16 GB bộ nhớ

VừaWindowsmacOSLinuxPython
Mô hình AI mã nguồn mở20,2K

Qwen3-VL

QwenLM / Qwen3-VL

Mô hình AI của Alibaba hiểu ảnh, video và tài liệu, đọc chữ 32 ngôn ngữ, có nhiều cỡ từ 2B đến 235B

KhóLinuxWindowsmacOSPython
Mô hình AI mã nguồn mở17,8K

Janus / Janus-Pro

deepseek-ai / Janus

Mô hình AI của DeepSeek vừa hiểu ảnh vừa vẽ ảnh từ chữ trong cùng một mô hình

KhóLinuxPython

Xem cả 10 repo Mô hình AI mã nguồn mở Về Kho Repo