DeepSeek R1: öppna vikter tar inte bort driftansvaret

DeepSeek presenterade R1 den 20 januari 2025. Originalrapporten lämnades in den 22 januari. Rapporten skilde R1-Zero, tränad med förstärkningsinlärning utan inledande övervakad finjustering, från R1, som använde startdata och flera träningssteg. Jämförelserna med OpenAI o1 var utvecklarens benchmarkresultat, inte universell likvärdighet i affärsuppgifter. Lanseringen är historiskt viktig eftersom nedladdningsbara resonemangsmodeller breddade driftvalen. Den fastställer däremot ingen aktuell placering eller några aktuella tjänstevillkor. 1 2

Originalrapporten beskrev sex täta destillerade modeller baserade på Qwen och Llama, från 1,5 till 70 miljarder parametrar. De är inte bara mindre kopior med garanterat identiskt beteende. Välj exakt modellversion innan minnesbehov, kvalitet eller licensvillkor jämförs. Ett lyckat prov med en destillerad modell validerar inte hela R1-systemet, och omvänt gäller samma sak. Registrera beroenden till basmodellen och bevara den testade artefakten så att en senare nedladdning inte omärkligt ändrar beslutsunderlaget.

Nedladdade vikter, en extern värdtjänst och utvecklarens offentliga chatt skapar olika dataflöden. Överför inte en integritetsslutsats från ett alternativ till ett annat. Egen drift ger kontroll över infrastrukturen men också ansvar för behörigheter, loggar, uppdateringar och incidenter. Extern drift kräver kontroll av lagring, underleverantörer och överföringar. För ett företag är den viktiga frågan vart en viss fråga och dess hämtade dokument skickas, inte om modellfamiljen allmänt beskrivs som öppen källkod i ett pressmeddelande eller i en produktpresentation.

Januarilanseringen presenterade R1:s kod och vikter under MIT-licensen. Det ersätter inte granskning av det exakta paketet, inklusive meddelanden som följer med destillerade basmodeller. Öppna vikter visar inte att alla träningsdata är redovisade, och en tillåtande programvarulicens är ingen garanti för varje möjligt resultat. Koppla granskningen till leverantörsansvar och AI-säkerhet, men håll immaterialrättsliga frågor åtskilda från driftsäkerhet och dataskydd. Olika ansvariga kan behöva bedöma samma modellpaket ur flera perspektiv innan en installation godkänns.

Originalrapporten beskrev problem med läsbarhet, upprepningar och språkblandning i R1-Zero. Därför bör framväxande resonemang inte likställas med färdig driftförmåga. Testa svenska och engelska uppgiftspar, ofullständiga frågor och avsiktligt motsägelsefulla indata. Mät kostnad per godkänt svar, inklusive genererade resonemang och omförsök. En modell som ber om förtydligande kan vara mer användbar än en som producerar en flytande men obelagd lösning. Bevara konkreta fel i underlaget i stället för att bara redovisa ett genomsnittligt resultat för hela testmängden.

Låt granskare bedöma samma uppgifter utan att se modellnamnet. Spara både godkända och underkända svar, och registrera vilka fel som kräver mänsklig rättning. Ett reproducerbart jämförelsematerial gör nästa modellbyte mer informerat än en ny topplista. Börja med en begränsad uppgift där fel kan upptäckas innan resultatet når en kund.

Använd agenters behörigheter för att definiera verktyg och åtgärder oberoende av modellens kapacitet. Ett pilotprojekt behöver återställningsansvarig, godkända dokument och tydliga villkor för eskalering. Öppet resonemang är ett driftalternativ, inte ett undantag från styrning. Artikeln publiceras den 25 oktober 2026 som en tillbakablick på lanseringen och originalrapporten från januari 2025. Den verifierar inte aktuella API-priser, tillgängliga tjänster, nyare modellversioner eller ledarskap i dagens tester. Det kräver separata daterade kontroller före upphandling.