Principais conclusões
- O DeepSeek-R1 completo é um modelo Mixture-of-Experts de 671B (~37B ativos por token) que precisa de ~376–404 GB em Q4 — você não consegue rodar em casa.
- Um "distill" é um modelo separado e menor (base Qwen2.5 ou Llama 3) ajustado com ~800K traços de raciocínio gerados pelo R1 completo.
- A destilação MANTÉM o comportamento de raciocínio: cadeia de raciocínio explícita, autoverificação e reflexão.
- A destilação PERDE capacidade bruta e amplitude — o modelo completo resolve os problemas mais difíceis de forma mais confiável e sabe mais.
- Para matemática e lógica locais do dia a dia a diferença é pequena; ela aumenta em tarefas de dificuldade de fronteira e de conhecimento amplo.
- Uma base mais forte reduz a diferença: DeepSeek-R1-0528-Qwen3-8B lidera os modelos abertos de 8B no AIME 2024.
- Rode qualquer distill em temperatura 0.6 sem prompt de sistema.
- DeepSeek-V3 é um modelo de chat; DeepSeek-R1 é um modelo de raciocínio — não confunda os dois.
Por que as pessoas confundem o DeepSeek-R1 com seus distills
**Quando você digita ollama run deepseek-r1:14b, você não está rodando uma versão menor do DeepSeek-R1 — está rodando o Qwen2.5 14B ensinado a imitar o raciocínio do R1.** O nome "DeepSeek-R1-Distill-Qwen-14B" é preciso, mas fácil de ler errado: a parte "DeepSeek-R1" descreve de onde veio o raciocínio, e a parte "Qwen-14B" é o modelo de fato rodando na sua GPU.
Isso importa porque as expectativas seguem o nome. As pessoas presumem que um distill é "o R1, só que menor e um pouco pior". Ele está mais perto de "um modelo aberto capaz que aprendeu a pensar como o R1". Esse enquadramento prevê o comportamento que você realmente verá: excelente estrutura de raciocínio, lacunas pontuais em conhecimento bruto ou na confiabilidade dos casos mais difíceis.
Para a realidade de hardware por trás do motivo de o modelo completo ser inviável em casa, veja Requisitos de hardware local do DeepSeek V3 — o V3 é o modelo de chat irmão com a mesma pegada de classe 671B.
📍 Em uma frase
Um distill do DeepSeek-R1 é um modelo pequeno existente (Qwen2.5 ou Llama 3) ajustado para imitar o raciocínio do R1 completo, não uma cópia reduzida do próprio R1.
💬 Em termos simples
Pense no R1 completo como um matemático experiente e em um distill como um aluno brilhante que estudou as soluções resolvidas do mestre. O aluno raciocina da mesma forma, mas não sabe tudo o que o mestre sabe.
O que é o DeepSeek-R1 671B completo?
O DeepSeek-R1 completo é um modelo Mixture-of-Experts (MoE) de 671 bilhões de parâmetros que ativa cerca de 37B parâmetros por token e precisa de cerca de 376–404 GB de VRAM em Q4 — só hardware de data center. É o modelo que gera o raciocínio de alta qualidade que os distills aprendem a imitar.
MoE significa que o modelo roteia cada token por um pequeno subconjunto de sub-redes "especialistas", de modo que apenas ~37B dos 671B parâmetros são disparados por token. Isso torna a inferência mais barata do que num modelo denso de 671B — mas cada um dos 671B parâmetros ainda precisa estar residente na memória, e é por isso que ele não cabe em hardware de consumo.
Existe um build Unsloth de 1.58 bits (IQ1_S, ~131 GB) que tecnicamente roda, mas a cerca de 0.3 token por segundo é uma curiosidade, não um setup local utilizável. Na prática, o R1 completo mora na nuvem e os distills moram na sua máquina.
Como funciona a destilação do DeepSeek-R1?
A DeepSeek gerou cerca de 800.000 amostras de raciocínio com o R1 completo e então ajustou modelos base abertos existentes — Qwen2.5 (1.5B, 7B, 14B, 32B) e Llama 3 (8B, 70B) — com essas amostras. Os modelos base aprendem a reproduzir o padrão de raciocínio passo a passo do R1 sem nunca conter os parâmetros do R1.
Isso é ajuste fino supervisionado sobre traços de raciocínio de alta qualidade, não aprendizado por reforço nos modelos pequenos. Os distills herdam a *forma* do pensamento do R1 — quando expandir uma cadeia de raciocínio, quando recuar, quando verificar — sobreposta ao que o modelo base já sabia.
É por isso que a escolha da base importa tanto. Um distill é tão conhecedor quanto a sua base, mais a disciplina de raciocínio copiada do R1. Uma base fraca com ótimos traços de raciocínio ainda esbarra num teto de capacidade bruta.
📍 Em uma frase
A DeepSeek ajustou os modelos base Qwen2.5 e Llama 3 com ~800.000 amostras de raciocínio geradas pelo R1 completo, transferindo seu estilo de raciocínio para modelos pequenos.
O que a destilação mantém?
A destilação transfere de forma confiável os três comportamentos que tornam o R1 um raciocinador forte: cadeia de raciocínio, autoverificação e reflexão. Eles sobrevivem porque são padrões de geração de tokens, e padrões são exatamente o que o ajuste fino supervisionado copia bem.
- Cadeia de raciocínio: o distill escreve os passos intermediários antes da resposta final, o núcleo da sua força em matemática e lógica.
- Autoverificação: ele checa os próprios resultados intermediários e pega erros no meio do raciocínio, não só no fim.
- Reflexão: ele recua e reconsidera quando um caminho parece errado, em vez de se prender à primeira tentativa.
- Resultado: um distill de 7B alcança 55.5% no AIME 2024 — matemática de competição que nenhum modelo de chat do mesmo tamanho atinge.
O que a destilação perde?
A destilação não consegue transferir a capacidade bruta, a amplitude de conhecimento ou a confiabilidade do modelo 671B completo nos problemas mais difíceis — uma base pequena simplesmente tem menos espaço para armazenar e combinar informação. Quanto menor o distill, maior essa diferença.
| Capacidade | R1 671B completo | Distill 32B | Distill 7B |
|---|---|---|---|
| Estrutura de raciocínio (CoT, reflexão) | Referência | Muito próximo | Próximo |
| Confiabilidade nos problemas mais difíceis | A mais alta | Forte | Moderada |
| Amplitude de conhecimento do mundo | A mais alta | Boa | Limitada |
| Problemas longos com várias restrições | A melhor | Boa | Degrada |
| Roda em hardware de consumo | Não | Sim (24 GB) | Sim (8 GB) |
As classificações são direcionais, não exatas por benchmark: a diferença é pequena em tarefas de raciocínio comuns e cresce em trabalho de dificuldade de fronteira ou de conhecimento amplo.
A diferença importa para o seu caso de uso?
Para a maioria do raciocínio local a diferença é pequena o suficiente para ser ignorada; ela só se torna decisiva em problemas de dificuldade de fronteira ou tarefas que exigem amplo conhecimento do mundo. Decida pelo caso de uso, não correndo atrás do maior modelo.
Um distill é bom o suficiente?
Use a local LLM if:
- •Matemática escolar e de competição, quebra-cabeças de lógica, planejamento passo a passo → um distill basta de sobra (32B para folga, 14B para a maioria)
- •Raciocínio privado/offline em que os dados não podem sair da sua máquina → um distill é a única opção, e uma boa
- •Controle de custos diante de uma API hospedada → um distill local elimina por completo o custo por token
Use a cloud model if:
- •Matemática de pesquisa ou provas na fronteira da área → o R1 completo hospedado é mais confiável
- •Tarefas que exigem conhecimento do mundo amplo e atual → um modelo maior ou um setup com busca aumentada vence
- •Você precisa da única resposta mais confiável independentemente do custo → compare com modelos de fronteira via PromptQuorum
Quick decision:
- →Na dúvida, rode o distill de 32B e só escale para o R1 hospedado quando ele claramente tiver dificuldade.
- →Uma base maior vence um tamanho maior na ponta pequena — veja o R1-0528-Qwen3-8B abaixo.
R1-0528-Qwen3-8B: uma base melhor reduz a diferença
O DeepSeek-R1-0528-Qwen3-8B mostra que uma base mais forte encolhe a diferença da destilação: construído sobre o Qwen3 8B com raciocínio do R1-0528 atualizado, ele lidera os modelos abertos de 8B no AIME 2024 e pontua cerca de 10 pontos acima do Qwen3 8B base. Mesma classe de tamanho do distill 8B original, com raciocínio materialmente melhor — porque a base é melhor e a fonte de raciocínio é mais nova.
A lição para escolher um distill: na ponta pequena, prefira o modelo com a base mais forte e mais nova em vez de um distill mais antigo com a mesma contagem de parâmetros. A capacidade por gigabyte sobe mais rápido com bases melhores do que com tamanho bruto.
Dica de config: temperatura 0.6 e sem prompt de sistema
Rode cada distill do DeepSeek-R1 em temperatura 0.6 (0.5–0.7 é seguro) sem prompt de sistema — coloque todas as instruções no prompt de usuário. Isso evita o modo de falha de repetição e incoerência ao qual a família R1 é propensa quando recebe um prompt de sistema ou uma temperatura perto de 0 ou acima de ~0.8.
Se você está comparando um distill com o R1 completo hospedado e o distill entra em loop ou desvia, conserte a configuração antes de concluir que o distill é fraco — configurações ruins de amostragem mascaram a sua qualidade real.
Perguntas frequentes
Um distill do DeepSeek-R1 é o mesmo modelo que o DeepSeek-R1, só que menor?
Não. Um distill é um modelo base diferente (Qwen2.5 ou Llama 3) ajustado para imitar o raciocínio do R1 com ~800K amostras. Ele mantém o estilo de raciocínio do R1, mas não contém nenhum dos parâmetros do R1.
O que exatamente a destilação mantém do R1 completo?
O comportamento de raciocínio: cadeia de raciocínio, autoverificação e reflexão. São padrões de geração de tokens que o ajuste fino supervisionado transfere de forma confiável, por isso um distill de 7B chega a 55.5% no AIME 2024.
O que um distill perde em relação ao R1 671B completo?
Capacidade bruta, amplitude de conhecimento do mundo e confiabilidade nos problemas mais difíceis. Quanto menor o distill, maior a diferença — embora ela continue pequena em tarefas de raciocínio comuns.
Por que não consigo rodar o DeepSeek-R1 671B completo em casa?
Ele precisa de ~376–404 GB de VRAM em Q4 porque todos os 671B parâmetros precisam estar residentes mesmo que só ~37B sejam ativados por token. Isso é hardware de data center. Um build de 1.58 bits roda a ~0.3 tok/s — uma curiosidade, não utilizável.
A diferença importa para o uso cotidiano?
Normalmente não. Para matemática escolar e de competição, lógica e planejamento em várias etapas, um distill de 14B ou 32B basta de sobra. A diferença importa em problemas de dificuldade de fronteira ou tarefas que exigem conhecimento amplo e atual.
Qual distill é o mais próximo do R1 completo?
O distill de 70B é o mais forte dos seis e o mais próximo em capacidade bruta, mas precisa de GPU dupla. O de 32B é a melhor opção de GPU única e supera o OpenAI o1-mini em vários benchmarks de raciocínio.
Por que o R1-0528-Qwen3-8B é melhor que o distill 8B original?
Ele usa uma base Qwen3 8B mais forte e raciocínio do R1-0528 atualizado, por isso lidera os modelos abertos de 8B no AIME 2024 — cerca de 10 pontos acima do Qwen3 8B base no mesmo tamanho.
O DeepSeek-V3 é um distill do R1?
Não. O DeepSeek-V3 é um modelo de chat MoE de 671B separado, não um modelo de raciocínio nem um distill. O R1 é o modelo de raciocínio; os distills imitam o R1, não o V3.
Registro de atualizações
- Publicado em 19/06/2026. Próxima revisão prevista para 19/06/2027 (nível de atualização anual — explicação duradoura com fatos de modelos ancorados ao ano).
- Cobre o R1 671B completo diante dos seis distills oficiais e do DeepSeek-R1-0528-Qwen3-8B. Apenas comparação interna de raciocínio; as comparações de código entre modelos estão no guia de código.