deepseek hermes是什么？一次搞清这两个模型的区别

上周有个读者在后台问我："deepseek hermes是什么？我在Ollama里搜了半天没找到这个模型。"这个问题我被问了不下五次，一开始还挺纳闷——这两个词怎么会凑到一起？后来翻了翻搜索词报告才发现，确实有不少人是同时看到这两个名字，然后把它们记混了。坦白讲，市面上并不存在一个官方叫"DeepSeek Hermes"的模型，它更像是两个独立技术线在搜索框里撞了车。但这背后牵出的问题挺有价值：DeepSeek和Hermes各自是什么、为什么容易混、新手又该怎么选？

核心结论摘要： 不存在官方命名为"DeepSeek Hermes"的模型。它是DeepSeek（幻方旗下，自研MoE架构，主打中文与推理）与Hermes（Nous Research基于Llama微调的对齐系列）两个概念的混淆组合。搞清两者定位差异，比纠结这个名字本身更有意义。

先分清：DeepSeek和Hermes根本是两条线

DeepSeek和Hermes虽然都能在本地跑、都开源、都支持中文对话，但出身完全不一样。一个是自研底层架构的国产大模型团队，一个是在别人基座上做精细微调的开源社区玩家。把它们当成同一类东西，选型时必然踩坑。

我做了张表，把关键维度摊开看：

| 维度 | DeepSeek | Hermes | | --- | --- | --- | | 开发方 | 深度求索（幻方量化旗下） | Nous Research | | 代表模型 | DeepSeek-V3、DeepSeek-R1 | Hermes 3 系列 | | 底层架构 | 自研 MoE（混合专家） | 基于 Meta Llama 3.1 微调 | | 参数规模 | V3：671B总参 / 37B激活 | 8B / 70B / 405B | | 开源许可 | R1 采用 MIT 许可 | Llama 3.1 社区许可 | | 强项 | 中文、数学推理、代码、低成本训练 | 角色扮演、函数调用、中性对齐 | | 部署方式 | 官方API、本地量化 | Ollama、LM Studio、vLLM |

看懂这张表，基本就不会再问"deepseek hermes是什么"这种问题了——它俩压根不是竞品的同一代产品，更像是"造发动机的"和"调校整车的"关系。

DeepSeek：国产大模型里的效率派

DeepSeek 是指深度求索公司研发的一系列大语言模型。这家公司背后是量化私募幻方，2023年才正式下场做大模型，但出手就是硬货。

2024年12月发布的《DeepSeek-V3 Technical Report》里给了几个让我印象很深的数据：V3 总参数 671B，但每次推理只激活 37B，训练总共消耗 278.8 万 H800 GPU 小时，按当时市场租金折算大约 557.6 万美元。这个数字在千亿级模型里低得有点离谱——同期同量级的模型训练成本普遍在数千万美元以上。它靠的是自研的 MLA（多头潜在注意力）和 DeepSeekMoE 架构，把显存和算力都压了下来。

到2025年1月的 DeepSeek-R1，路子又变了一次。这篇发表在 arXiv 上的论文显示，R1 在 AIME 2024 数学竞赛题上的 pass@1 达到 79.8%，接近 OpenAI o1 的水平，而且权重直接以 MIT 许可开源。我在一台 4090 上跑过 R1 的 7B 蒸馏版，做数学题和写 Python 脚本的表现确实比我预期好，就是遇到超长上下文时会有点喘。

对我们国内开发者来说，DeepSeek 最舒服的一点是中文语感。它不是那种"翻译腔中文"，写公文、改文案、读技术文档都挺自然，这一点很多国外开源模型做不到。

Hermes：开源微调圈的那只"信使"

Hermes 这个名字在希腊神话里是众神的信使，Nous Research 拿它命名自己的模型系列，意思大概是"传递指令"。

严格来说，Hermes 不是从零训练的模型，而是基于 Meta 的 Llama 系列做深度微调的产物。2024年8月发布的 Hermes 3 基于 Llama 3.1，提供 8B、70B、405B 三个规格。它最大的特点不在参数，而在对齐策略——Nous Research 管这个叫"neutral alignment"（中性对齐）。简单说，就是尽量不往模型里塞强立场，让它更听话、更少说教。

这点在角色扮演和 Agent 场景里特别明显。我用 Hermes 3 8B 做过一个客服机器人原型，给定人设和规则后，它基本不会跑偏，也不会突然跳出来教育用户"作为AI我不便回答"。函数调用和结构化输出（JSON 模式）也是它的强项，Nous 在这块下了不少功夫。

不过话说回来，Hermes 的中文能力是个短板。它主要吃英文数据，中文表达偶尔会冒出奇怪的语序。如果你的场景以中文为主，它很难直接替代 DeepSeek。

那"deepseek hermes"这个说法从哪来的？

这是我比较想聊的部分。我翻了一圈 GitHub issue、Reddit 讨论和几个模型聚合站，没找到任何官方把两者合并的痕迹。目前看，混淆主要来自三个地方：

一是模型命名混乱。很多第三方平台会把"基座模型+微调版本"连起来写，比如"Llama-Hermes"，用户看多了就默认任何模型都能这么拼，于是冒出"DeepSeek-Hermes"这种组合。

二是本地部署工具的搜索习惯。在 Ollama 里，用户输入关键词会同时匹配到 deepseek-r1 和 hermes3，列表挨在一起，记串了很正常。

三是评测文章的对比排版。不少对比文章把 DeepSeek 和 Hermes 放在同一表格里比，读者扫一眼标题就容易误读成同一个东西。

我的判断是：与其去考证这个不存在的模型，不如把它当成一个选型信号——当你在 DeepSeek 和 Hermes 之间犹豫时，真正该问的是"我的任务以中文推理为主，还是以英文对齐/角色扮演为主"。

新手怎么上手：两条命令起步

如果你只想快速体验，别纠结概念，直接跑起来最快。前提是装好 Ollama（官网文档写得很清楚）：

拉取 DeepSeek-R1 蒸馏版（7B，消费级显卡能跑）

ollama pull deepseek-r1:7b

拉取 Hermes 3（8B，英文场景优先）

ollama pull hermes3:8b

分别对话测试，对比回答风格

ollama run deepseek-r1:7b ollama run hermes3:8b

跑完你会发现风格差异挺直观：DeepSeek 更爱一步步推导，Hermes 更倾向于直接给结构化答案。我在同一台机器上轮流问"帮我写个 Python 爬虫解析豆瓣电影页"，DeepSeek 会给完整可运行的代码加注释，Hermes 则更爱先问清楚需求边界再动手。哪种更好，取决于你要的是效率还是可控性。

想省事的，也可以直接在 VergeX AI工具导航 里找在线入口，不用本地折腾环境。

几个实用建议：

• 中文为主的写作、翻译、文档问答，优先 DeepSeek
• 需要严格人设、函数调用、JSON 输出的 Agent，优先 Hermes
• 显存小于 12GB，从 7B/8B 量化版起步，别硬扛 70B

关键要点速览

• "DeepSeek Hermes"不是一个官方模型，是DeepSeek和Hermes两个技术线的混淆叫法
• DeepSeek 是自研 MoE 架构的国产大模型，强在中文、推理与低成本训练
• Hermes 是 Nous Research 基于 Llama 微调的对齐系列，强在角色扮演和结构化输出
• 选型看任务语言和可控性需求，不是看谁的基准分高
• 想快速验证，用 Ollama 拉 7B/8B 版本跑一遍，比读十篇文章都快

相关推荐

延伸阅读

• [VergeX 大模型专题](https://nav.vergex.cn) — 持续跟进 DeepSeek、Qwen、Llama 系列的版本动态
• [VergeX 推理模型工具集](https://nav.vergex.cn) — 收录 R1、o1 类推理模型的在线体验入口与本地部署方案

工具推荐 想一次性对比 DeepSeek、Hermes 及其他 50+ 主流大模型的部署方式和 API 价格，可以逛一圈 VergeX AI工具导航，分类做得挺清楚，省得自己一个个翻文档。

订阅更新 VergeX 每周整理开源大模型的重要版本发布和技术报告解读。想第一时间收到，可以订阅邮件列表或关注公众号，新模型评测出来我们会先发。