为了给用户提供更全面、客观的参考，并帮助他们选择合适的服务平台，我们在7个服务平台上进行了DeepSeek-R1的API稳定性测评，从回复率、准确率和推理耗时等方面评估其表现。本次测评在同一机器上对第三方平台发送请求，使用20道小学奥数推理题测试，temperature为0.6，max_token设为平台最大值或16000，采用流式输出方式记录耗时及输出token数量。每题尝试三次避免网络影响，三次失败视为获取失败。本次测评的报告仅代表测评时点的稳定性。此前，我们还测评了支持DeepSeek-R1的第三方网页端，并整理了详细报告，详见《DeepSeek-R1 稳定性报告：18 家网页端测评》；以及针对App端的测评，见：DeepSeek-R1第三方稳定性测试（App端）：首批结果出炉！后续计划对该类平台，包括API（本次测评之外的第三方平台API）、APP、本地部署版本等进行跟进测评。以下为详细测评报告。排行榜地址：www.SuperCLUEai.com
测评要点1：各个第三方平台使用DeepSeek-R1的完整回复率表现差异不大
除微软云的DeepSeek-R1 API外，其他的完整回复率都在95%以上。火山引擎、商汤大装置、阿里云百炼都实现了100%的完整回复率。测评要点2：各第三方API接口输出效率差距明显，平均每秒输出token数量最低6.9个，最高55.86个。
测评显示，第三方API每秒输出token数量差异大。Together.ai以每秒55.86个token遥遥领先，文本生成效率极高；字节火山引擎次之，每秒27.94个token；阿里云百炼和微软云API则仅为每秒6.90个token。高并发或快速响应应用，宜选高生成效率平台。准确率上，字节火山引擎、硅基流动，准确率为95%左右；商汤大装置准确率在90%；阿里云百炼准确率为70%。# 榜单概览
- 完整回复率：模型给出完整回复，不存在截断、无响应等问题，但不考虑答案正确与否；再除以总题目数得出比例。
- 截断率：模型在回复过程中出现断开的情况，未给出完整的答案；前者再除以总题目数得出比例。
- 无回复率：模型由于特殊原因，如无响应/请求出错，未给出答案；前者再除以总题目数得出比例。
- 准确率：对于模型给出完整回复的题目，模型的答案与正确答案一致的比例；正确答案，只看最终答案，不检查解题过程。
说明：文本token数量的计算方法，采用deepseek-r1开源的tokenizer对文本进行分词，将文本划分为独立的多个token，进而计算token数量。# 测评方法
本次测评在同一机器上对第三方平台发送请求，使用20道小学奥数题测试，temperature为0.6，max_token设为平台最大值或16000，采用流式输出方式记录耗时及输出token数量。每题尝试三次避免网络影响，三次失败视为获取失败。1.对于每个第三方平台，使用20道小学奥数题进行统一测试。为了避免网络波动造成的影响，每个模型对每个问题会尝试三次，如果三次尝试都未获取到答案，才视为获取失败。并且将测试时间设为下午开始，主要模型完成时间在工作日下午15:30-20:30之间。2.由于测评集为推理题，输出较长，对于max_token的设置遵循以下原则：如果平台文档说明了支持的最大输出的token，我们将max_token按照平台的最大输出token进行设置；如果平台未说明，max_token统一设置为16000。对于影响生成质量的参数配置，调用时对于允许配置temperature的第三方api，我们统一采取DeepSeek的推荐参数值：0.6，其他参数保持各第三方平台默认不做配置。3.关于推理耗时的统计方法，API的调用统一采用流式输出（调用时，将stream参数设置为True）。开始发送请求时间记录为start_time, 请求开始返回数据时，记录时间chunk_time1; 返回数据结束后，记录时间chunk_time2。每道题目的输出token数量记录为：completion_tokens;# 测评结果
（3）推理耗时
这里对几个关键的推理性能指标做说明：
- Latency：从用户提供一个问题输入到模型返回最终输出的耗时（未获取到的除外）
- TTFT：首token输出延迟。首token输出延迟，指从输入问题到模型输出第一个token的耗时。
TPS：平均每秒输出的token数量
获取答案的平均耗时：所有题目“Latency”取平均值即为获取答案的平均耗时。
首token输出平均耗时：所有题目的“TTFT”取平均值即为首token输出平均耗时。
每秒输出token数量：本次测评中，模型平均每秒生成的token的数量。
题目：一只青蛙早上6点从深为10米的井底向上爬，它每向上爬2米，因为井壁打滑，就会下滑0.5米、下滑 0.5米的时间是向上爬2米所用时间的二分之一。6点 12 分时，青蛙爬至离井口 2.5米处，那么青蛙从井底爬到井口时所花的时间总共多少分钟？
标准答案：15.2 分钟（即15 分钟 12 秒）参考答案（来自模型：Gemini-2.0-Flash-Exp）：1. 第三方平台提供的deepseek-r1的API稳定性较高，但在回答问题的准确率上可能有所差异。根据稳定性评估结果，在本批次测评第三方平台中，除了微软云的完整回复率为75%，其他第三方API都在95%及以上。在已经获取到答案的数据中只发现少数题目截断的现象，并且统计数据显示并未超过调用时设置的最大max_token，属于模型本身出现的问题。根据回答准确率数据结果，表现最差的模型准确率为70%（20道问题答对14道），而表现最好的模型为95%（20道问题答对19道）。因为本次测试的题目数量有限，我们仅就数据进行说明，不代表对第三方平台的deepseek-r1服务能力强弱的意见。对于准确率的差异，可能是因为模型部署的环境和配置不同引起，也可能与题目本身具有较高难度并评估准确率较为严格相关，即只看最终答案是否正确。
2. 在推理速度方面，各平台之间输出效率的差异较大，每秒输出token数量最多的可达55.86个，最少的只有6.90个。
根据统计数据，本次测评的第三方API每秒输出token数量有明显的差距，Together.ai性能最优，平均每秒可输出55.86个token，显示出极高的文本生成效率，第二名字节火山引擎每秒可输出27.94个token，而阿里云百炼和微软云提供的api每秒只有6.90个token输出。针对回答的平均耗时（Latency）来看，本次测评的第三方DeepSeek-R1 API中，排名前三的是together.ai（74.33秒）、字节火山引擎（147.25秒）和商汤大装置（181.85秒），其中together.ai和火山引擎属于付费使用，商汤大装置属于免费使用阶段。首token输出延迟时间（TTFT）上看，平均延迟最小的三家分别是：硅基流动（0.64秒）、商汤大装置（0.70秒）和腾讯云知识引擎（0.82秒）。可以看到在各项指标中，性能最佳的都是付费平台。其中together.ai在答题的平均耗时（Latency）和每秒输出token数量（TPS）指标上领先较大，但同时其标价也最高，平台标价每百万token输入需要3美元（折合人民币21元左右），每百万token输出要7美元（测试时，折合人民币50元左右）。而对应的字节火山引擎的表现虽然比together.ai要逊色，但是价格方面却要低很多（测试时处于半价优惠期，只需要百万输入token：2元，百万输出token：8元）。硅基流动在首token延迟方面表现最佳。限时免费平台中，商汤大装置在Latency、TTFT和TPS三项指标上都表现不错，腾讯云知识引擎在TTFT上取得不错的性能表现。总体来说，在本次测评期间，付费平台的速度性能表现更佳，免费的平台性能会逊色一些。各平台的性能表现可能原因包括：1.免费的资源有限的，提供的计算能力有限；2.免费或赠送免费token，可能会引入更多用户使用，导致服务器压力过大；3.部署的环境和机器配置不同。
3. 价格方面，多家平台处于限时免费阶段，付费平台也各有优惠策略，用户的体验成本较低。根据我们统计的第三方平台的收费情况，本次测评的第三方平台中有多家仍处于免费阶段。比如：商汤、腾讯云知识引擎等，但可能有自己的访问速率限制要严格一些；收费的平台中，也各自推出了优惠策略，比如：阿里云、火山引擎对新开通deepseek-r1调用服务的用户，提供免费token，并且阿里云和火山引擎都有自己的限时半价服务。目前各平台也在逐步增加资源，并且逐步过渡到正常收费阶段，根据各第三方平台网站公布的收费计划，多家平台正常收费后价格可能不高于deepseek官方。# 结论和建议
1. 不同第三方平台在部署的Deepseek-R1 服务API稳定性差异不大，但在速度和答题的准确率上可能有所差别。TTFT和TPS都是需要考虑的指标。TTFT，代表用户感知到的模型开始输出的时间，对于搭建实时聊天类应用比较重要，越小越好；TPS，代表每秒输出的tokens数量。相同的输入下，每秒输出的token数量越多代表生成的速度更快，在实际应用中能够处理更多的任务。但具体的并发数量和访问tokens数量限制上限，还需要参考第三方平台给出的速率限制。
2. 数据显示，付费平台中，国外的together.ai和国内的字节火山引擎的推理速度方面表现最佳，如果优先考虑推理速度，愿意付出成本可以优先从这两家中选择；限时免费平台中，商汤大装置平台的回复延迟和每秒输出的tokens数量上表现都不错，并且免费时间持续到2025年5月9日，如果想要免费体验DeepSeek-R1的用户推荐选择商汤大装置平台API。3. 统计数据显示，在本次测试中，模型的回复出现了输出长度（包含思维链推理过程和最终输出的长度）在10k以上甚至24k的情况，虽然针对本批测试题目来说是属于极少数情况，但在实际的应用场景仍然可能出现。各家平台对max_tokens定义可能不同，可能会包含思维链推理过程的长度，因此，建议在调用API时尽量将max_tokens参数设置为允许的最大长度，避免因参数设置导致的截断问题。4. 需要注意的是本次测试在单并发下调用，针对小学奥数类问题。如果需要应用到多并发场景或其他不同场景，建议进一步对各平台进行测试比较，TTFT和TPS等指标都可能发生变化。
粤ICP备14082021号
免费POC，
零成本试错
