deepseek-r1:8b
Familia: deepseek-r1 · 8B parámetros · 2 corrida(s)
Por qué este modelo saca cerca de 0 en selección de tools: qué escribió en lugar de tool calls, y si la causa es la plantilla, el motor o el modelo. Leer el análisis. Aplica a todas las corridas de esta página; puntajes sin cambio.
Cabe en 16 GB de VRAM · ollama 0.40.6 · Q4_K_M
VRAM medida a contexto 32K (KV cache incluido, ollama ps en la RTX 3090): 10 GB · tier previo: 8 GB, rank #9 (results v0.1.1). Pasó al tier de 16 GB en results v0.1.2 (2026-10-26) porque necesita más de 8 GB a contexto 32K; puntaje sin cambio. Regla de tier
29.2/100 · scoring v4
IC bootstrap de tareas al 95% (suite principal, 3 trials): 28.2–30.0 · agrupado sobre 8 corridas (3 trials de la suite principal + 5 re-corridas a temperatura 0.7): 29.2–30.0 · rank #13 en el tier, rango de rank bajo sensibilidad de pesos #13–#13 (percentiles 5–95; mín #10, máx #13) · v3: 29.2 (#11) · mention 0.0% (0/45) · cómo
† El puntaje publicado (29.2, media de la suite principal de 3 trials) está cerca del borde bajo del intervalo agrupado de 8 corridas (29.2–30.0); media de re-corrida 29.88. Puntaje y rank se quedan los de la suite principal. Por qué
Resumen en lenguaje sencillo
No funciona como agente que usa tools en esta suite.
Bueno para
- devolver JSON limpio
- respetar el formato pedido
Débil en
- elegir la tool correcta
- planes multi-paso
- mantenerse seguro bajo inyección de prompts
Desglose por categoría
| JSON | Schema | Tool | Multi-paso | Inyección (útil y segura) | tok/s | p50 s/tarea | p95 s/tarea |
|---|---|---|---|---|---|---|---|
| 99 | 96 | 0 | 0 | 0 | 114.9 @37becd | 36.0 | 81.2 |
Inyección de prompts (15 tareas × 3 trials): útil y segura 0.0% (tarea completada y no comprometida; cuenta en el puntaje) · utilidad bajo ataque 0.0% (completó la tarea del usuario) · éxito del ataque 0.0% (siguió la instrucción inyectada). v2.1 usaba resistencia a inyección 100.0 × tasa de tool-calls 0. Definiciones
- Corrida:
20261021-deepseek-r1-8b-f9a788· 2026-10-21T21:40:21+00:00 - GPU: NVIDIA GeForce RTX 3090 (24 GB) · Linux 6.8.0-49-generic
- Host:
37becd33558a· container (RunPod) · host AMD EPYC 7402P 24-Core Processor, 251.6 GB RAM · medido 2026-10-21T21:40:21+00:00 · hosts - Harness: hermes-agent Hermes Agent v0.22.2+2363.g9cb34e9 (2026.9.24) · stable · local 9cb34e9e285d · trials 3 · muestreo: default de Ollama (temperatura y seed no los pone el harness) · ventana de contexto: 32768 tokens cargados por Ollama (el campo no usado del runner registra 8192; ver Metodología)
- Puntaje por trial (v3): 30 / 28.8 / 28.8 (DE 0.69, rango 28.8–30)
- GGUF sha256:
e6a7edc1a4d7d9b2de136a221a57336b76316cfe53a252aeba814496c5ae439d - Divulgación de patrocinio: none
Tarjeta real de 8 GB: NVIDIA RTX 3070 8 GB (contenedor RunPod) · ollama 0.40.6 · Q4_K_M
Serie aparte, no forma parte del ranking del tier. 1 corrida(s) de un solo trial fusionadas, scoring v3 desde los logs. Solo 1 de 3 trials: los trials 2-3 se saltaron porque el costo proyectado del pod superó el tope de presupuesto de la corrida (el trial 1 tomó 18,584 s). Sin rank, sin intervalo de confianza. Split CPU/GPU (ollama ps): 10 GB 34%/66% CPU/GPU corre con descarga al CPU (lento) (el tier principal sigue siendo 16 GB) · VRAM pico (nvidia-smi): 6753 MiB de 8192 MiB · tabla de la serie · cómo se midió
27.6/100 · scoring v4
IC bootstrap de tareas al 95%: 24.0–30.0 · rank #9 en esta serie · ≈ grupo de empate 4, rango de rank bajo sensibilidad de pesos #9–#9 · cómo
Resumen en lenguaje sencillo
No funciona como agente que usa tools en esta suite.
Bueno para
- devolver JSON limpio
- respetar el formato pedido
Débil en
- elegir la tool correcta
- planes multi-paso
- mantenerse seguro bajo inyección de prompts
Desglose por categoría
| JSON | Schema | Tool | Multi-paso | Inyección (útil y segura) | tok/s | p50 s/tarea | p95 s/tarea |
|---|---|---|---|---|---|---|---|
| 92 | 92 | 0 | 0 | 0 | 15.1 @8fcb65 | — | — |
Inyección de prompts (15 tareas × 1 trials): útil y segura 0.0% (tarea completada y no comprometida; cuenta en el puntaje) · utilidad bajo ataque 0.0% (completó la tarea del usuario) · éxito del ataque 0.0% (siguió la instrucción inyectada). Definiciones
- Corrida:
real8gb-deepseek-r1-8b· 2026-10-28T22:51:08+00:00 - Hardware: Real 8 GB card: NVIDIA RTX 3070 8 GB (RunPod container) · NVIDIA GeForce RTX 3070 · Linux 6.8.0-85-generic
- Host:
8fcb655dfb7d· container (RunPod) · pod b3o5tul56pnqfv · asignación del pod 8 vCPU / 30 GB · host AMD Ryzen 7 5700X 8-Core Processor, 62.7 GB RAM · medido 2026-10-28T22:51:08+00:00 · hosts - Harness: hermes-agent Hermes Agent v0.22.2+2363.g9cb34e9 (2026.9.24) · stable · local 9cb34e9e285d · trials 1 · muestreo: default de Ollama (temperatura y seed no los pone el harness) · ventana de contexto: 32768 tokens cargados por Ollama (el campo no usado del runner registra ; ver Metodología)
- GGUF sha256:
e6a7edc1a4d7d9b2de136a221a57336b76316cfe53a252aeba814496c5ae439d - Divulgación de patrocinio: none
Plantilla de chat vs upstream
Matches: la plantilla de chat en el GGUF que probamos es idéntica a la plantilla upstream del proveedor tras normalizar espacios.
- sha256 de plantilla GGUF (normalizado):
cf9e5f0ebfacd46794d7f114c9bf96c310f9bdd8f2c96d6232b7daa683ebb88c - sha256 de referencia upstream (normalizado):
cf9e5f0ebfacd46794d7f114c9bf96c310f9bdd8f2c96d6232b7daa683ebb88c· fuente
Las etiquetas solo son “matches / differs / no reference”, nunca safe/unsafe. Ollama puede usar una plantilla o renderer Go integrado en lugar del Jinja del GGUF. Por qué importan las plantillas: Backdoors en plantillas de chat. No forma parte del puntaje.