截至最新的可用信息，DeepSeek 的 R1 模型没有公开发布针对特定任务的 F1 分数。F1 分数是一种平衡精度（正确的积极预测）和召回率（实际积极案例的覆盖率）的指标，它通常依赖于具体任务，并且需要在标准化数据集上进行基准测试。 虽然 DeepSeek 强调了 R1 在文本生成和推理等领域的一般能力，但尚未正式发布针对单个任务（例如，分类、命名实体识别）的详细性能指标。 评估此类模型的开发人员通常依赖于已发布的基准或进行自己的测试，但如果没有访问模型或其训练数据，这两种方法目前对 R1 来说都不可行。
为了估计 R1 的潜在 F1 性能，开发人员可以考虑其架构和训练方法。 例如，针对多任务学习优化的模型通常在情感分析或问答等结构化任务上获得强大的 F1 分数，通过平衡特异性和敏感性。 如果 R1 使用类似于 BERT 或 GPT-3.5 的技术（例如，注意力机制或在特定领域数据上进行微调），则其在文本分类等任务上的 F1 分数可能与已建立的基准对齐。 例如，基于 BERT 的模型通常在 CoLA（语言可接受性语料库）数据集上获得 90-95% 之间的 F1 分数，而 GPT-3.5 在 MMLU（大规模多任务语言理解）上达到约 85%。 如果 R1 采用高级预处理或更大的训练数据集，它可能会超过这些范围，但如果没有具体数据，这仍然是推测性的。
对于对实际应用感兴趣的开发人员来说，缺少已发布的 F1 分数意味着优先考虑直接实验。 如果获得对 R1 的访问权限，则在特定任务基准（例如，用于语言理解的 GLUE 或用于 NER 的 Conll-2003）上运行它将提供可操作的指标。 或者，将 R1 的输出与自定义数据集上的 Llama-3 或 Mistral 等开源模型进行比较可以提供间接的见解。 在 F1 至关重要的场景中（例如，医学文本分析或法律文件处理），通过试点测试验证性能至关重要。 在 DeepSeek 发布详细评估之前，开发人员应谨慎对待 R1 的能力，重点关注其已记录的优势（例如，代码生成、逻辑推理），而不是假设特定于任务的 F1 性能。