官方公布的测试显示，DeepSeek-R1-0528在数学竞赛、科学、代码生成和编辑，以及推理与百科知识等主流基准上的表现，相较DeepSeek-R1均有明显提升。

DeepSeek提到，相较于旧版R1，新版模型在复杂推理任务中的表现有了显著改进。如在数学测试AIME 2025中，准确率由70%提升至87.5%，这得益于模型在推理过程中的思维深度增强。

在该测试中，旧版模型平均每题使用12K tokens，而新版模型平均每题使用23K tokens，表明其在解题过程中进行了更为详尽和深入的思考。

更为重要的是，DeepSeek-R1-0528在这六大基准测试中均超过阿里的Qwen3-235B，数学和代码生成能力也超过谷歌Gemini-2.5-Pro-0506。但整体来看，该模型与o3相比仍还有微弱差距。

其它更新方面，新版DeepSeek-R1针对幻觉问题进行了优化。此前，在Vectara HHEM人工智能幻觉测试（通过检测语言模型生成内容是否与原始证据一致，从而评估模型的幻觉率）中，DeepSeek-R1幻觉率为14.3%，是DeepSeek-V3的近4倍，也远超行业平均水平。

与旧版相比，此次更新后的模型在改写润色、总结摘要、阅读理解等场景中，幻觉率降低45%-50%左右，能够有效地提供更为准确、可靠的结果。

在创意写作方面，更新后的R1模型针对议论文、小说、散文等文体进行了进一步优化，能够输出篇幅更长、结构内容更完整的长篇作品，同时呈现出更加贴近人类偏好的写作风格。

DeepSeek-R1-0528还支持工具调用（不支持在thinking中进行），其在Tau-Bench测评成绩为Airline 53.5% / Retail 63.9%，与OpenAI-o1-high相当，但与o3-High及Claude 4 Sonnet 仍有差距。

Tau-Bench是OpenAI董事会主席布雷特·泰勒（Bret Taylor）创办的公司Sierra推出的评估AI智能体在复杂现实任务中与用户和工具交互的能力，主要设计了Retail（零售场景）和Airline（航空场景）两个垂直领域的评测。

此外，新版R1 API仍支持查看模型思考过程，同时增加了Function Calling和JsonOutput的支持。Function Calling也就是函数调用，是一种允许AI模型在特定任务中调用预定义函数或API的机制，用于增强模型的处理能力和功能，是大模型与外部世界交互的关键技术。

OpenAI的GPT模型、百度文心模型等主流模型均支持Function Calling。这也意味着，DeepSeek-R1-0528模型将增强与外部工具交互的能力，有助于智能体应用开发。

DeepSeek还表示，DeepSeek-R1-0528在前端代码生成、角色扮演等领域的能力也均有更新和提升。

在代码能力方面，代码测试平台Live CodeBench显示，在最近一年内的模型评测中，DeepSeek-R1-0528性能仅次于OpenAI在4月发布的o4 mini和o3-high版本。

在模型上下文长度方面，R1新模型在官方网站、小程序、App端和API中的模型上下文长度仍为64K。如果用户对更长的上下文长度有需求，可以通过其他第三方平台调用上下文长度为128K的开源版本R1-0528模型。