DeepSeek-R1とは？料金・使い方・性能や日本語対応モデルについて解説

2025年1月、DeepSeekは推論型大規模言語モデル「DeepSeek-R1」をオープンソースで公開しました！

DeepSeek-R1は、総パラメータ数671Bの大規模モデルです。数学やコーディングではOpenAI o1に並ぶ性能を示し、1.5B〜70Bの蒸留モデルなら手元のPCでも動かせます。

本記事では、DeepSeek-R1の性能・料金・日本語モデル・ローカルでの使い方を解説し、後継のV4 Flashと比べた検証結果も紹介します。

【監修者】田村 洋樹

株式会社WEEL代表取締役 / 累計25社以上のAIアドバイザリーを担当 / 企業向けセミナー・大学講義でのべ10,000人超に登壇 / 日本HP・インテルなど、大手企業主催カンファレンスへの登壇実績多数。AI導入支援・生成AIを活用した業務改革のプロとして、アドバイザリー・PM・講演者など多面的な立場から企業を支援中。

DeepSeek-R1とは

DeepSeek-R1は、2024年12月にリリースされた「DeepSeek-V3」を基盤としており、強化学習（RL）と教師あり学習を組み合わせた多段階アプローチで開発されています。

初期モデル「DeepSeek-R1-Zero」は、自己進化プロセスを通じ、推論能力は格段にパワーアップしましたが、可読性の低さや言語の混在といった課題があったようです。これを改善するため、教師あり学習と強化学習（RL）を組み合わせて開発されたのが「DeepSeek-R1」です。

研究コミュニティを支援するため、「DeepSeek-R1-Zero」「DeepSeek-R1」と、LlamaとQwenをベースにR1から抽出した6つの高密度モデルがオープンソース化されています。

「DeepSeek-R1-Distill-Qwen-32B」は、様々なベンチマークでOpenAI-o1-miniを上回る性能を叩き出したようです。

重みが公開されたオープンウェイトモデル

DeepSeek-R1の大きな特徴は、モデルの重みそのものがMITライセンスで公開されている点です。Hugging FaceやOllamaからダウンロードすれば、ネットに接続しない環境でもR1を動かすことが可能。

Web版やAPIがV4系に切り替わった今、R1そのものを使い続けられるのはこのオープンウェイトがあるからです。社外にデータを出せない業務や、オンプレミスでの推論モデル導入を考えている企業にとって、今も検討する価値のあるモデルではないでしょうか。

DeepSeek-R1は今も使える？V3・V4との違いと現在の位置づけ

2026年10月時点でDeepSeek-R1そのものを使えるのはローカル実行だけです。Web版・アプリ・APIは、すでに後継のV4系へ切り替わっています。

R1の登場後、DeepSeekのモデルは次のように移り変わってきました。

注目したいのは、APIの「deepseek-reasoner」という名前のまま、中身が途中で入れ替わっていた点です。2025年8月以降はV3.1・V3.2の思考モードが応答しており、R1のつもりで呼び出していても実際には後継モデルが使われていました。

では、R1と現行のV4系は何が違うのでしょうか。R1-0528と最新のV4.1-Flashを比べると、次のようになります。

ベンチマークでも差は明らかです。GPQA DiamondはR1-0528の81.0に対してV4.1-Flashが90.9、Codeforcesのレーティングも1930と3471で大きく開いています。

DeepSeek-R1のライセンス

DeepSeek-R1はMITライセンスでリリースされており、詳細については以下の通りです。

商用利用や改変等、問題なく利用できますね。

これだけコストパフォーマンスの高いモデルを、自由に商用利用・改変等できてしまうのは驚きですね。

ただし、ライセンスについては変更となる可能性もありますので、利用する際は最新情報をチェックするようにしましょう！

また、R1の出力を使って別のモデルを学習させる蒸留も認められているのが特徴。商用利用や改変を含め、自由度の高いライセンスです。

一方で、蒸留モデルはベースモデルのライセンス条件を引き継ぐ点に注意が必要です。

DeepSeek-R1の性能

DeepSeek-R1の本体は、総パラメータ数671B（6,710億）のうち、推論時には37Bだけを動かすMoE構造の大規模モデルです。ここでは、ベンチマークから見た推論性能と、1.5B〜70Bまでそろった蒸留モデルのモデルサイズを順に解説します。

高度な推論能力

英語タスクではMMLUが90.8％、MMLU-Reduxが92.9％、MMLU-Proが84.0％を記録し、いずれもGPT-4oやClaude 3.5 Sonnet以上の性能を示しています。

数学タスクの性能は特に優れており、MATH-500が97.3％、AIME 2024が79.8％と最高水準の結果を記録しています。

これはOpenAI o1-1217（AIME 2024：79.2％、MATH-500：96.4％）をわずかに上回る数値です。こうした推論能力のもとになっているのは、教師データを使わず強化学習だけで「答える前に考える」力を引き出した、R1-Zeroの開発手法です。

軽量モデル

DeepSeek-R1本体は671Bと巨大なため、そのまま動かすにはデータセンター規模の設備が必要です。そこでDeepSeekは、R1の推論能力を小さなモデルに移し替えた蒸留モデルも同時に公開。

蒸留モデルは1.5B・7B・8B・14B・32B・70Bと豊富なサイズバリエーションがあり、32BモデルはOpenAI o1-miniと同等の性能を示しています。

※ただし、32Bモデルは量子化して軽くしても20GB前後のVRAM（GPUメモリ）が目安となり、十分なメモリを備えたPCで実行可能です。

小さいモデルほど必要なGPUメモリは少なく、1.5BならGPUのないPCでも試せます。用途やPCのスペックに合わせてパラメータ数を選べるのが、蒸留モデルの利点といえるでしょう。

R1-0528で推論の深さと正確性が向上

2025年5月には、改良版の「DeepSeek-R1-0528」が公開されました。計算資源の追加と学習後の調整の最適化により、推論の深さと推論能力が大きく向上。

変化がわかりやすいのは、考える量そのもの。AIMEの1問あたりに使うトークン数は平均1万2,000から2万3,000へとほぼ倍増し、より時間をかけて考えるモデルになりました。

性能面だけでなく、使い勝手も改善されました。ハルシネーションが抑えられたほか、JSON出力や関数呼び出し、システムプロンプトにも対応。

あわせて、R1-0528の推論過程をQwen3-8Bに学習させた蒸留モデル「DeepSeek-R1-0528-Qwen3-8B」も登場。8Bクラスの手軽なサイズで最新のR1系を試せる選択肢といえるでしょう。

DeepSeek-R1の蒸留モデル一覧と必要なGPUメモリ

DeepSeek-R1をローカルで動かすなら蒸留モデルが主な選択になります。モデルごとのベース・ライセンス・必要なVRAMの目安は以下のとおり。

※VRAMの数値は量子化の方式・コンテキスト長・実行環境によって変わるため、あくまで目安です。

手持ちのGPUからモデルを選ぶなら、次のように考えると良いでしょう。

迷ったら、R1-0528の推論過程を学習したDeepSeek-R1-0528-Qwen3-8Bから試すのがおすすめ。8GBクラスのGPUで動き、R1系の最新の挙動を確かめられます。

32Bモデルは、量子化しても20GB前後のVRAMが必要です。16GB以下のGPUを積んだ一般的なPCでは動かないと考えておきましょう。

DeepSeek-R1の料金

2026年10月時点で、DeepSeek-R1そのものはAPIで提供されていません。R1を使うならローカル実行（無料）、APIを使うなら後継のV4系の料金がかかります。

APIの料金は以下のとおり。時間帯によって単価が変わる2段階制を採用しています。

参考：https://api-docs.deepseek.com/quick_start/pricing/

ピーク時間はUTC基準で決められています。日本時間に直すと次のとおりです。

つまり、平日の昼〜夕方に使うと割高で、夜〜朝と土日は半額。急ぎでない大量処理を夜間に回せば、コストを大きく抑えられるでしょう。

もう一つ見逃せないのが、キャッシュの効果です。deepseek-flashの入力はキャッシュヒット時とミス時で50倍の差があり、同じ前置きのプロンプトを繰り返し使う設計にするほど安くなります。

DeepSeekの安全性

DeepSeekの安全性は、公式のWeb版・アプリ・APIを使うか、モデルをダウンロードしてローカルで動かすかで大きく変わります。ここでは、それぞれの使い方で押さえておきたい注意点を解説します。

アプリ・API利用時の注意点

公式のWeb版・アプリ・APIに入力したデータは、中国のサーバーで収集・処理・保存されます。プライバシーポリシーには、入力内容やアップロードしたファイル、チャット履歴をモデルの学習や技術改善に使う旨も記載されています。

学習への利用を止める「オプトアウト」の権利は用意されているものの、設定画面で切り替えるのではなく、privacy@deepseek.comへのメール申請が必要です。

こうした点を受けて、2025年には日本を含む各国の公的機関が注意喚起や利用制限を行いました。

オープンモデル（ローカル）利用時の注意点

Hugging FaceやOllamaからモデルをダウンロードしてローカルで動かす場合、入力したデータが外部のサーバーに送られることはありません。機密情報を扱う必要があるなら、こちらの方法がおすすめです。

一方で、運用の責任は全て自分たちで負うことになります。主な注意点は以下のとおりです。

DeepSeek-R1の日本語モデルについて

サイバーエージェントは2025年1月27日に、日本語に対応したLLM「DeepSeek-R1-Distill-Qwen-14B/32B-Japanese」をHugging Face上で公開しました。※3

このLLMは「DeepSeek-R1-Distill-Qwen-14B/32B」をベースに、日本語を追加学習させたモデルです。32B（320億）のパラメータを持つ大規模モデルをベースにすることで、日本語の複雑な文脈やニュアンスを正確に捉えることを可能にしました。

DeepSeek-R1の使い方

実際に「DeepSeek-R1」を使っていきましょう！

2026年10月時点で、DeepSeekを使う方法は以下の5つです。

WebUI・アプリ・APIは、R1ではなく後継のV4系で動作しています。R1そのものを使いたい場合は、4・5のローカル実行を選んでください。

各利用方法の設定フローを1つずつまとめていきます。

1．WebUI

STEP

公式サイトにアクセスし「Start Now」をクリック

STEP

メールアドレスとパスワードを登録するかGoogleでログイン

STEP

WebUIが表示されれば利用開始

ログインするとWebUIが表示されるので、これで利用可能になりました。

かなりChatGPTやChatbot-UIに似たインターフェースで使いやすそうですね。

簡単に設定できるのも非常にポイントが高いです。

Chatbot-UIについて気になる方は、以下の記事も参考にしてみてください。

WEEL

【ChatBot UI】ChatGPT APIをウェブ上から利用できるオープンソースUI！使い方からカスタマイズ方法まで解… Chatbot UIは、ReactやNext.jsを活用して構築されたオープンソースのAIユーザーインターフェースです。SupabaseやOllamaを利用してモデルのローカル実装やクラウド実行をサ…

2．スマホアプリ

DeepSeekスマホアプリ版は、App StoreやGoogle Play Storeから無料でダウンロード可能です。

ストアで「DeepSeek」と検索すれば上位に出てくると思います。

STEP

アプリをダウンロード

STEP

メールアドレスとパスワードを登録するかGoogleでログイン

STEP

チャット画面で質問を入力

ログインするとチャット画面が表示されます。

赤枠の「DeepThink」をオンにすると、考える過程を経てから回答する思考モードで使えます。ただし、2026年10月時点でアプリ内で動いているのはR1ではなく後継のV4系です。

アプリ版もWeb版と同様に、ChatGPT等のインターフェースに似ていますね。

3．API

DeepSeek-R1はAPIを発行することで、さまざまな方法で利用できます。

今回はAPIを使ってGoogle Colab上でdeepseek-flash（V4.1-Flash）を使う方法をご紹介します。

STEP

DeepSeek APIプラットフォームにアクセス

STEP

「Top up」タブから料金をチャージ

「Top up」タブからクレジットカードもしくはPayPalで料金をチャージ、使用料に応じてチャージ残高が使われます。

今回はミニマム価格の＄2.12チャージして試してみます。

STEP

「API keys」タブからAPIキーを作成

「API keys」タブ → 「Create new API key」をクリックしてAPIを作成

作成するとAPI keyをコピーできるのでクリップボードにコピーしておきましょう。

STEP

Google Colabでコードを実行

Google Colabにアクセスし、新しいノートブックで以下のコードを実行します。

クリックで表示

import requests
import json
# DeepSeek APIの設定
API_URL = "https://api.deepseek.com/v1/chat/completions"  # エンドポイント
API_KEY = ""  # 手順3で取得したご自身のAPIキーを設定してください
headers = {
    "Authorization": f"Bearer {API_KEY}",
    "Content-Type": "application/json"
}
user_input = "DeepSeek-R1の特徴を教えてください" # 入力プロンプト
data = {
    "model": "deepseek-flash",
    "messages": [
        {"role": "system", "content": "You are a helpful assistant."},
        {"role": "user", "content": user_input}
    ],
    "thinking":{"type":"enabled"},
    "reasoning_effort":"high",
    "max_tokens":4000    
}
response = requests.post(API_URL, headers=headers, data=json.dumps(data))
if response.status_code == 200:
    result = response.json()
    print("AIの応答:", result['choices'][0]['message']['content'])
else:
    print("エラー:", response.status_code, response.text)

出力結果は以下の通りです。

Potential final:
DeepSeek-R1は、DeepSeekが公開した推論特化型のオープンソースLLMです。特に「考える」過程を長く生成してから答える点が特徴です。
主な特徴:
1. 推論特化・長いCoT
2. 強化学習中心の訓練
3. DeepSeek-V3ベースのMoE
4. 高性能
5. オープンソース
6. 蒸留モデル
7. API/使い方
8. 制限・注意
Let's ensure no false claims. "128Kコンテキスト" I think correct. "671B total, 37B active" correct. "MIT" correct. "R1-Zero pure RL no SFT" correct. "GRPO" correct. "AIME 2024 79.8" correct? Let's check: DeepSeek-R1 AIME 2024 pass@1 79.8%. Yes. "MATH-500 97.3" yes. "Codeforces 2029" yes. "GPQA Diamond 71.5" yes. "MMLU 90.8" yes. "SWE-bench Verified 49.2" yes. Good. But maybe not necessary. Include a few.
"o1に匹敵" correct. "一部上回る" on math/code. 
"初期版は関数呼び出し非対応" correct. "0528版で改善" I think yes. Could say "後続の0528版などでは関数呼び出しやJSON出力の対応が改善". If uncertain, maybe "一部改善". That's safe.
"言語混在" yes. "プロンプトに敏感" yes. "幻覚" yes.
"テキスト専用" yes. "マルチモーダル非対応" yes.
"APIのreasoning_content" yes. "OpenAI互換" yes. "temperatureなどは無視/非対応" for deepseek-reasoner initially. Good.
"蒸留モデルはRLではなくSFTでR1の出力を学習" correct.
Need maybe mention "DeepSeek-R1-Distill-Qwen-1.5B/7B/14B/32B, Llama-8B/70B". Good.
Let's write final. Keep moderate length. Use bullet points. Japanese. Ensure no mention "I think". 
Maybe start: "DeepSeek-R1は、中国のDeepSeekが2025年1月に公開したオープンソースの推論特化型LLMです。簡単に言うと、OpenAI o1と同様に『答える前に長く考える』モデルで、数学・コーディング・論理推論に強いのが特徴です。"
Then sections.
Let's final.
AIの応答: DeepSeek-R1

回答が長いので最終出力のみを貼り付けていますが、上記のような結果が返ってきました。

4．ローカル環境（Hugging Face）

ここではHugging Faceをローカル環境で使う方法をご紹介します。Hugging Faceから利用することで、DeepSeek-R1-Distill-Qwen-14B-Japaneseを使用できるので、日本語に対応したモデルを使用したい方はこちらをご覧ください。

pip install transformers torch

from transformers import AutoModelForCausalLM, AutoTokenizer
# モデルとトークナイザーの読み込み
model_name = "cyberagent/DeepSeek-R1-Distill-Qwen-14B-Japanese"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(model_name)

# 入力テキスト
input_text = "AIモデルの用途は何ですか？"
# 会話形式に整えてトークン化
input_ids = tokenizer.apply_chat_template(
    [{"role": "user", "content": input_text}],
    add_generation_prompt=True,
    return_tensors="pt"
).to(model.device)
# モデルで推論を実行（推論モデルは考える過程も出力するため長めに設定）
outputs = model.generate(input_ids, max_new_tokens=1024, do_sample=True, temperature=0.6)

# 入力部分を除いて、生成された部分だけをテキストに戻す
result = tokenizer.decode(outputs[0][input_ids.shape[-1]:], skip_special_tokens=True)
# 結果を表示
print(result)

これによりDeepSeek-R1が生成した応答や文章を確認できるでしょう。

以下に、上記の手順をすべて含んだフルコードをまとめます。

from transformers import AutoModelForCausalLM, AutoTokenizer
# モデルとトークナイザーの読み込み
model_name = "cyberagent/DeepSeek-R1-Distill-Qwen-14B-Japanese"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(
    model_name,
    device_map="auto",
    torch_dtype="auto"
)
# 入力テキスト
input_text = "AIモデルの用途は何ですか？"
# 会話形式に整えてトークン化
input_ids = tokenizer.apply_chat_template(
    [{"role": "user", "content": input_text}],
    add_generation_prompt=True,
    return_tensors="pt"
).to(model.device)
# モデルで推論を実行
outputs = model.generate(input_ids, max_new_tokens=1024, do_sample=True, temperature=0.6)
# 生成された部分だけをテキストに変換
result = tokenizer.decode(outputs[0][input_ids.shape[-1]:], skip_special_tokens=True)
# 結果を表示
print("生成された応答:", result)

5．Ollamaでローカル実行する方法

Ollamaは、ローカルLLMをコマンド1つでダウンロード・実行できるツールです。量子化済みのモデルが用意されているため、Hugging Faceの方法よりも少ないGPUメモリでR1を動かせます。

STEP

Ollamaをインストールする

macOS・Windowsは、公式サイトからインストーラーをダウンロードして実行します。

Linuxの場合は、ターミナルで以下のコマンドを実行してください。

curl -fsSL https://ollama.com/install.sh | sh

STEP

モデルを指定して起動する

ターミナルで以下のコマンドを実行。初回はモデルのダウンロードが自動で始まり、完了するとそのまま対話できる状態になります。

ollama run deepseek-r1:8b

「8b」の部分を「14b」「32b」などに変えれば、別のサイズのモデルを使えます。GPUメモリに合わせて、前述の「蒸留モデル一覧と必要なGPUメモリ」の表から選んでください。

STEP

質問を入力する

プロンプトを入力してEnterキーを押すと、モデルが考えた過程に続いて回答が表示されます。終了するときは「/bye」と入力してください。

今回は下記の質問を入れてみました。

A、B、Cの3人のうち1人だけが嘘をついています。A「Bは嘘つきだ」B「Cは嘘つきだ」C「AとBは両方嘘つきだ」。嘘をついているのは誰？

一意に回答が導き出せない問題を出しましたが、延々と考え続け、結論を出してくれませんでした。

【検証】ローカルのDeepSeek-R1とV4 Flashを比較してみた

ここでは、ローカルで動かしたDeepSeek-R1の蒸留モデルと、APIで提供されている後継のV4 Flash（deepseek-flash）に同じプロンプトを入力し、回答を比較します。

今回使用するR1はdeepseek-r1:8bです。ローカル側の実行環境はMac mini（Apple M4 Pro・メモリ64GB）です。

英語タスク

今回は、以下のプロンプトを入力しました。

ビジネスメールの英語版を作成してください。宛先は海外の取引先です。

V4 Flashの回答

汎用的な英文テンプレートを提示したうえで、「用件」「期限」「添付ファイルの有無」など完成版を作るために必要な情報を8項目で質問してきました。日本語の原文を送れば翻訳・調整するという提案まで添えられています。

ローカルR1の回答

フォローアップを想定したシンプルな英文テンプレートを出力しました。件名・本文・署名がひととおりそろっており、そのまま書き換えて使える内容です。

英語タスクは、どちらも実用的なテンプレートを返しており大きな差はありません。足りない情報を聞き返してくるV4 Flashのほうが、実務では一歩進んだ対応といえるでしょう。

数学タスク

今回は、以下のプロンプトを入力しました。

以下の数列の規則を見つけて、次の数を予測してください：2、6、12、20、?

V4 Flashの回答

次の数は30です。差が4、6、8と2ずつ増えているため、次の差は10で20＋10＝30。別の見方として、1×2、2×3、3×4、4×5と並んでいるので、次は5×6＝30になると説明しています。

ローカルR1の回答

The given sequence is 2, 6, 12, 20. The pattern is that each term is given by the formula a(n) = n × (n+1)……（以下、英語で解説が続き、最終的に30と回答）。

どちらも正解の30にたどり着き、2通りの解き方を示した点も共通しています。ただし、ローカルR1は日本語で質問したのに英語で回答しました。

R1-Zeroの頃から指摘されている言語の混在が、蒸留モデルでも残っていることがわかります。

コーディングタスク

今回は、以下のプロンプトを入力しました。

クイックソートアルゴリズムをPythonで実装し、100万件のデータをソートするコードを書いてください。

V4 Flashの回答

データを並べ替えながら追加のメモリをほとんど使わない「インプレース」方式で実装してきました。ピボットの選び方の工夫、小さな区間での挿入ソートへの切り替え、再帰を使わないスタック処理など、大量データを想定した最適化が一通り入っています。

実際に実行したところ、100万件のソートは0.72秒で完了しました。Python標準のsorted()と結果を突き合わせる検証処理まで含まれています。

ローカルR1の回答

リスト内包表記で配列を3つに分ける、シンプルで読みやすい実装です。実際に実行すると、データ生成を含めて約1.4秒で正しくソートできました。

ただし、分割のたびに新しいリストを作るためメモリ効率は良くありません。再帰の上限を200万まで引き上げる必要のない設定も入っていました。

どちらのコードも正しく動きましたが、実装の質はV4 Flashが明らかに上です。

検証結果

回答の質は、3つのタスクともV4 Flashが上回る結果になりました。特に、日本語で質問して英語で返ってくるローカルR1の挙動は、実務で使ううえで気になる点です。

一方で、ローカルR1も数学とコーディングでは正しい答えを出しており、8Bという小さなサイズでも推論モデルとして十分に機能しています。データを外に出さず、無料で何度でも試せる点は、V4 Flashにはない強みといえるでしょう。

性能を求めるならV4 Flash、機密データを扱う処理や、社内で気軽に試したい場面ではローカルR1という使い分けが良さそうです。

DeepSeek-R1などオープンソースLLMの導入・構築ならWEELへ

生成AIの導入に関する詳細なアドバイスをもとに、最適な活用方法を見つけるために、実績豊富な専門家からのサポートを受けてみませんか？

生成AIを社内で活用していきたい方へ

「生成AIを社内で活用したい」「生成AIの事業をやっていきたい」という方に向けて、生成AI社内セミナー・勉強会をさせていただいております。

セミナー内容や料金については、ご相談ください。

また、サービス紹介資料もご用意しておりますので、併せてご確認ください。

無料で相談する

資料をダウンロードする

DeepSeek-R1のよくある質問