Человек читает, что рассуждающая модель DeepSeek решает олимпиадные задачи, ставит на своей машине файл с похожим именем и размером в несколько гигабайт, задаёт ту же задачу — и получает уверенную чепуху. Дальше следует вывод «в интернете преувеличили» или «квантизация всё сломала». Оба вывода неверны.
Настоящая причина в том, что за одним брендом скрываются две принципиально разные вещи. Есть крупная облачная модель на сотни миллиардов параметров, которую физически невозможно запустить на домашней карте. И есть дистилляции — компактные модели совсем других семейств, дообученные на выводах этой крупной модели и получившие её имя в названии файла. Они наследуют манеру рассуждать, но не наследуют способность рассуждать в полном объёме.
Путаница возникает не на пустом месте: в реестрах моделей строка выглядит как «deepseek» с указанием размера в миллиардах параметров, и ничто в интерфейсе не подсказывает, что базовая архитектура здесь чужая. Разбор ниже посвящён в первую очередь этому разрыву. Дата написания — 25 августа 2026 года; состав линейки и условия доступа требуют проверки на официальных страницах.
#Что скрывается за одним именем
В таблице смотрите на строку «базовая архитектура» — она объясняет всё остальное. Числа параметров у оригинала приведены по порядку величины и требуют проверки: точный состав версий менялся.
| Свойство | Оригинальная облачная модель | Локальные дистилляции |
|---|---|---|
| Базовая архитектура | собственная, разреженная | чужие семейства: Qwen, Llama |
| Число параметров | сотни миллиардов | от 1,5 до 70 миллиардов |
| Где выполняется | сервер провайдера | ваша машина |
| Куда уходит текст запроса | провайдеру, в его юрисдикцию | никуда, если запускаете сами |
| Качество рассуждений | высокое для своего класса | заметно ниже оригинала |
| Требования к памяти | недостижимы для домашней карты | от 1 до 40 ГБ в Q4 |
Вывод из таблицы: сравнивать эти две колонки как «облачную и локальную версию одного продукта» нельзя. Это разные модели с общим происхождением обучающих данных. Ближайшая аналогия — конспект лекции, написанный студентом: в нём есть ход мысли преподавателя, но нет его знаний и опыта.
Механика самого приёма — когда компактную модель обучают воспроизводить ответы крупной — разобрана в справке про дистилляцию моделей и её ограничения. Здесь важно одно следствие: качество дистилляции ограничено сверху не учителем, а размером ученика.
#Что умеет оригинал
Рассуждения в явном виде. Модель тратит дополнительные токены на внутреннюю цепочку рассуждений до ответа. На математике, логике и планировании это даёт заметный прирост по сравнению с обычными моделями сопоставимого класса — и заметный перерасход на задачах, где рассуждать нечего. Общая механика класса разобрана в обзоре рассуждающих моделей и того, когда они окупаются.
Порядок цен относительно западных флагманов. Это то, о чём говорят чаще всего: доступ к модели такого класса обходится дешевле, чем у ведущих западных провайдеров, иногда на порядок. Конкретных цифр в этой статье нет намеренно — тарифы меняются, и любая цифра здесь протухнет раньше, чем вы её прочтёте. Смотрите страницу тарифов провайдера на день чтения. Как из тарифа получить месячный счёт по своему профилю нагрузки, показано в материале о том, как считать стоимость токенов.
Совместимый API. Подключение устроено по привычной схеме, и перенос кода с другого провайдера обычно сводится к смене адреса и ключа. Порядок действий — в гайде по подключению API DeepSeek.
Длинный контекст. Заявленные значения контекста у облачной версии велики. Помните, что заявленный предел — это длина, на которой модель технически не падает, а не длина, на которой она удерживает факты. Разрыв между ними бывает кратным у любого провайдера.
#Чего не дают дистилляции
Раздел намеренно подробный: именно здесь возникает большинство разочарований.
Они не наследуют качество рассуждений в полном объёме. Дистилляция переносит форму — модель начинает писать длинную цепочку размышлений перед ответом. Способность довести эту цепочку до верного результата переносится частично и тем хуже, чем меньше ученик. Модель на 7 миллиардов параметров, пишущая пятьсот токенов рассуждений, выглядит убедительно и ошибается в середине выкладки.
Это не уменьшенная копия оригинала. База у них чужая — модели других семейств. Значит, вместе с базой наследуются и её свойства: качество русского, манера ответов, лицензия. Дистилляция на основе одного семейства и дистилляция того же размера на основе другого ведут себя по-разному, хотя в реестре стоят рядом.
Перерасход токенов. Локальная дистилляция тратит на внутреннюю цепочку столько же слов, сколько крупная модель, но выдаёт результат хуже. На домашней карте это означает долгое ожидание ответа, который потом придётся проверять.
Слабый контроль остановки. Компактные рассуждающие модели склонны зацикливаться: перебирать одно и то же рассуждение по кругу, пока не упрётся в лимит токенов. Лечится ограничением длины ответа и явной инструкцией в системном промпте, но лечится не полностью.
Русский язык — по базовой модели, а не по учителю. Если дистилляция построена на англоцентричном семействе, русский у неё будет как у этого семейства. Публичные бенчмарки этого не покажут: они англоязычные, и на русский их результаты не переносятся.
#Лицензии и условия
Здесь тоже две разные истории. Веса дистилляций распространяются на условиях, которые складываются из двух источников: условий самого проекта DeepSeek и условий базового семейства, на котором построена конкретная дистилляция. Если база — семейство с собственной лицензией правообладателя, её ограничения продолжают действовать в производной модели.
Практический вывод для коммерческого применения: проверять нужно обе лицензии — и проекта, и базового семейства, — и делать это для конкретного файла весов, а не для линейки в целом. Формулировки менялись, и это требует проверки на день загрузки.
Отдельный вопрос — облачный доступ. При работе через API текст ваших запросов уходит провайдеру и обрабатывается на его серверах в его юрисдикции. Условия обработки и хранения запросов, а также возможность отказаться от использования данных для обучения, читаются в политике провайдера. Это не упрёк конкретному сервису: правило одинаково для любого облачного API.
#Кому что подойдёт
Если вам нужны сильные рассуждения, а машина обычная — берите облачный доступ и проверяйте тариф на странице провайдера. Локальная дистилляция здесь не замена, а имитация формы.
Если данные не должны уходить наружу — берите локальную дистилляцию, но с трезвыми ожиданиями: она годится для черновых рассуждений, для разбора текста, для задач, где ошибку вы всё равно проверите глазами.
Если у вас 8 ГБ видеопамяти — вам доступны дистилляции класса 7–8B в четырёхбитной квантизации. Это примерно 4 ГБ весов плюс кэш. Как соотнести класс модели с бюджетом памяти, разобрано в материале о том, как выбрать модель под задачу и железо.
Если задача не требует рассуждений — переписка, переформулирование, извлечение полей — не берите рассуждающую модель вообще. Вы заплатите временем и памятью за цепочку, которая вам не нужна.
Если результат уходит в коммерческий продукт — сначала лицензия базового семейства дистилляции, потом всё остальное.
#Частые вопросы
#Можно ли запустить DeepSeek локально?
Оригинальную крупную модель — практически нет: она требует серверного железа, недоступного домашней машине. Локально запускаются дистилляции: компактные модели других семейств, дообученные на её выводах. Они носят похожее имя, но это другие модели с другой базовой архитектурой.
#Чем DeepSeek R1 отличается от обычной модели?
Это рассуждающая модель: перед ответом она генерирует внутреннюю цепочку рассуждений и только потом выдаёт результат. На математике, логике и планировании такой режим окупается, на переписке и переформулировании — нет, там он лишь увеличивает время ответа и расход токенов.
#Насколько локальная дистилляция слабее облачного оригинала?
Разрыв большой и растёт по мере усложнения задачи. Дистилляция воспроизводит манеру рассуждать, но доводит цепочку до верного ответа заметно реже, особенно в младших размерах. Точную величину разрыва можно измерить только на своих задачах: публичные цифры получены на англоязычных тестах и на вашу нагрузку не переносятся.
#Сколько стоит DeepSeek через API?
Порядок цен ниже, чем у ведущих западных провайдеров, но конкретные значения меняются, и приводить их в статье бессмысленно. Откройте страницу тарифов провайдера на день, когда планируете подключение, и посчитайте месячный расход по своему объёму запросов.
#Безопасно ли отправлять данные в облачный DeepSeek?
Текст ваших запросов уходит на серверы провайдера и обрабатывается в его юрисдикции — как и у любого облачного API. Если данные чувствительные, используйте локальный запуск дистилляции либо проверьте в политике провайдера условия хранения запросов и возможность отказаться от их использования для обучения.
#Какую дистилляцию DeepSeek выбрать для домашней карты?
Ориентируйтесь на бюджет памяти: класс 7–8B занимает около 4 ГБ в четырёхбитной квантизации, класс 14B — около 8 ГБ, класс 32B — около 18 ГБ. И проверьте, на каком базовом семействе построена конкретная дистилляция: от этого зависят качество русского и лицензионные ограничения.
#Вывод
Главное, что стоит унести из этого текста: одинаковое имя не означает одинаковую модель. Облачный DeepSeek и локальный файл с тем же словом в названии решают разные задачи и дают разное качество.
Если вам нужно качество рассуждений — это облако, и тариф вы смотрите на странице провайдера в день подключения. Если вам нужно, чтобы текст запроса никуда не уходил, — это локальная дистилляция, и ожидания надо снизить заранее. Если задача вообще не требует рассуждений — берите обычную модель своего размерного класса и не платите за цепочку размышлений, которая вам не нужна.