DeepSeek-R1-0528
DeepSeek-R1-0528 est un LLM de DeepSeek publié le 28 mai 2025 sous licence MIT, avec des poids ouverts et un usage commercial autorisé. Son profil combine un très grand modèle de 671 milliards de paramètres, une fenêtre de contexte de 163 840 tokens et un tarif très inférieur à celui des…
DeepSeek-R1-0528 est un LLM de DeepSeek publié le 28 mai 2025 sous licence MIT, avec des poids ouverts et un usage commercial autorisé. Son profil combine un très grand modèle de 671 milliards de paramètres, une fenêtre de contexte de 163 840 tokens et un tarif très inférieur à celui des LLM comparables.
Avec environ un an d’ancienneté, DeepSeek-R1-0528 appartient déjà à une génération passée à l’échelle de l’IA. Il doit donc être lu comme un modèle marquant de sa période, notamment grâce à son positionnement économique et à ses résultats alors solides, plutôt que comme une référence de pointe actuelle.
Caractéristiques
| Caractéristique | Valeur |
|---|---|
| Type | Grand modèle de langage (LLM) |
| Éditeur | DeepSeek |
| Licence | MIT (open-weights, usage commercial autorisé) |
| Date de sortie | 28 mai 2025 |
| Connaissances jusqu'à | 2025-03-31 |
| Multimodal | non |
| Paramètres | 671 milliards |
| Fenêtre de contexte | 163 840 tokens |
| Modalités (entrée → sortie) | text → text |
Performances (benchmarks)
| Benchmark | Score | Rang (LLM) | Source | Fiabilité |
|---|---|---|---|---|
| Benchable : General Knowledge (Baseline) | 99,5 % | 68ᵉ / 250 | benchable | ✅ Mesuré |
| Benchable : Ethics (Baseline) | 99,0 % | 114ᵉ / 248 | benchable | ✅ Mesuré |
| Benchable : Email Classification (Baseline) | 98,0 % | 90ᵉ / 254 | benchable | ✅ Mesuré |
| Benchable : Reasoning (Baseline) | 96,0 % | 39ᵉ / 239 | benchable | ✅ Mesuré |
| Benchable : Coding (Baseline) | 93,0 % | 58ᵉ / 248 | benchable | ✅ Mesuré |
| Benchable : Mathematics (Baseline) | 92,8 % | 89ᵉ / 217 | benchable | ✅ Mesuré |
| Benchable : Instruction Following (Baseline) | 50,0 % | 173ᵉ / 252 | benchable | ✅ Mesuré |
| MMLU-Redux | 93,4 % | 10ᵉ / 48 | llm-stats | Auto-déclaré |
| SimpleQA | 92,3 % | 4ᵉ / 45 | llm-stats | Auto-déclaré |
| AIME 2024 | 91,4 % | 7ᵉ / 52 | llm-stats | Auto-déclaré |
| AIME 2025 | 87,5 % | 50ᵉ / 108 | llm-stats | Auto-déclaré |
| MMLU-Pro | 85,0 % | 17ᵉ / 125 | llm-stats | Auto-déclaré |
| GPQA | 81,0 % | 68ᵉ / 213 | llm-stats | Auto-déclaré |
| HMMT 2025 | 79,4 % | 25ᵉ / 33 | llm-stats | Auto-déclaré |
| LiveCodeBench | 73,3 % | 17ᵉ / 72 | llm-stats | Auto-déclaré |
| Aider-Polyglot | 71,6 % | 6ᵉ / 22 | llm-stats | Auto-déclaré |
| CodeForces | 64,3 % | 14ᵉ / 16 | llm-stats | Auto-déclaré |
| SWE-Bench Verified | 44,6 % | 87ᵉ / 100 | llm-stats | Auto-déclaré |
| BrowseComp-zh | 35,7 % | 13ᵉ / 13 | llm-stats | Auto-déclaré |
| SWE-bench Multilingual | 30,5 % | 32ᵉ / 32 | llm-stats | Auto-déclaré |
| Humanity's Last Exam | 17,7 % | 58ᵉ / 86 | llm-stats | Auto-déclaré |
| BrowseComp | 8,9 % | 51ᵉ / 51 | llm-stats | Auto-déclaré |
| Terminal-Bench | 5,7 % | 25ᵉ / 25 | llm-stats | Auto-déclaré |
« Auto-déclaré » : score communiqué par l'éditeur, non rejoué indépendamment. « Mesuré » : évalué par un tiers (Epoch AI, LiveBench). Le rang est calculé parmi les LLM évalués sur le même benchmark.
Comment se situe-t-il ?
Le modèle (en orange) comparé aux meilleurs modèles « grand public » sur chaque dimension, et à ses voisins de classement.
Benchable : General Knowledge (Baseline)
Benchable : Ethics (Baseline)
Classements Arena (Elo)
| Catégorie | Elo | Rang |
|---|---|---|
| Arena Text | 1422 | 88ᵉ |
Tarifs
| Fournisseur | Entrée / 1M | Sortie / 1M | Cache lecture / 1M |
|---|---|---|---|
| DeepInfra | 0,5 $ | 2,15 $ | 0,35 $ |
| deepseek | 0,55 $ | 2,19 $ | n.d. |
| novita | 0,7 $ | 2,5 $ | n.d. |
Prix en dollars US par million de tokens.
Sa tarification se situe 74 % en dessous de la moyenne des LLM similaires, et 9,7 fois moins cher que les modèles frontières (Claude Fable 5, GPT-5.4, Gemini 3.1 Pro Preview).
Coût & vitesse agentiques
| Indicateur | Valeur |
|---|---|
| Coût moyen par benchmark — Benchable | 0,17 $ |
| Latence moyenne par benchmark — Benchable | 53 min 24 s |
Coûts et durées réels mesurés en exécutant le modèle comme agent. PinchBench = un run complet de 147 tâches (harness OpenClaw) ; Benchable = moyenne par benchmark. Sources : PinchBench, Benchable.ai.
Notre analyse
Forces. DeepSeek-R1-0528 se distingue d’abord par un rapport performance-prix très agressif : sa tarification est indiquée 74% sous la moyenne des LLM similaires et environ 9,7 fois moins chère que celle des modèles frontière. À sa sortie, il figurait dans le top 10% de sa génération sur GPQA, ce qui le place alors dans le haut du panier pour les tâches de raisonnement exigeantes. Les résultats Benchable sont particulièrement élevés en General Knowledge, Ethics et Email Classification, avec aussi de bons niveaux en Reasoning, Coding et Mathematics. Sa licence MIT et ses poids ouverts renforcent son intérêt pour les usages commerciaux, tandis que sa large fenêtre de contexte le rend adapté aux traitements de longs documents ou de conversations étendues.
Limites et points d'attention. Son ancienneté est le principal frein : un an représente un cycle très long dans l’IA générative, et ses performances sont aujourd’hui probablement largement dépassées par des modèles plus récents. Le modèle est aussi souvent retiré du catalogue de l’éditeur à ce stade de maturité, ce qui limite son intérêt comme choix opérationnel durable. Sa date de connaissances s’arrête au 2025-03-31, ce qui exclut les événements et évolutions postérieurs. Son classement Arena text le place loin des tout premiers modèles en préférence utilisateur, malgré de bons résultats techniques. Enfin, ses 671 milliards de paramètres en font un modèle massif, moins simple à exploiter directement qu’un LLM plus compact.
Sources des données : LLM-Stats (llm-stats.com) · OpenRouter (openrouter.ai) · Arena.ai (arena.ai) · Benchable.ai (benchable.ai).