一、什么是深度求索（DeepSeek）?

        深度求索（DeepSeek）是一款人工智能大模型（Artificial Intelligence Large Model，AILM），是由杭州深度求索人工智能基础技术研究有限公司开发。

        DeepSeek人工智能大模型包含大语言模型（Large Language Model，LLM），称为DeepSeek LLM，包含代码大模型（Coder Large Model，Coder LM），称为DeepSeek Coder，包含数学大模型（Math Large Model，Math LM），称为DeepSeek Math，包含视觉大模型（Vision Language Mode，VLM），称为DeepSeek VL。

        DeepSeek大语言模型（DeepSeek LLM），是一款由670亿（67 Billion，67B）个参数组成的大语言模型，它是在一个包含2万亿（2 Trillion，2T）个英文和中文基本单元（token）的庞大数据集上训练而成的，目前已开放了DeepSeek LLM Base（基础版本）和DeepSeek LLM Chat（对话版本），上述两个版本均分别包含70亿（7B）和670亿（67B）参数两个版本。

        DeepSeek代码大模型（DeepSeek Coder）由一系列代大语言模型组成，每个模型都是在2万亿（2 Trillion，2T）个基本单元 （token）数据集上训练而成的，由87%的代码和13%的自然语言组成，包括英语和中文，其提供从1B到33B参数规模的代码模型。

        DeepSeek数学大模型（DeepSeek Math）是一款基于deepseek - code -v1.5，且由70亿（7B）个参数组成的数学大模型，并持续通过Common Crawl免费Web数据库、自然语言中数学相关的基本单元（token）进行训练，基本单元数量达5000亿（500B）。DeepSeek Math 7B在不依赖外部工具包和投票技术（voting techniques）的情况下，其数学处理能力接近Gemini-Ultra和GPT-4的性能水平。 

        DeepSeek视觉大模型（DeepSeek VL）是一款开源的视觉语言（VL）模型，专为现实世界的视觉和语言理解应用而设计。DeepSeek VL具有通用的多模态理解能力，能够处理逻辑图、网页、公式识别、科学文献、自然图像和复杂场景下的人工智能。

二、深度求索（DeepSeek）大模型的发展过程

        2023年11月2日，DeepSeek公司发布了DeepSeek Coder代码大模型，包括：DeepSeek-Coder-1B、DeepSeek-Coder-5.7B、DeepSeek-Coder-6.7B和DeepSeek-Coder-33B等系列版本。

        2023年11月29日，DeepSeek公司发布了DeepSeek LLM大语言模型，包括：DeepSeek-LLM-7B-Base、DeepSeek-LLM-7B-Chat、DeepSeek-LLM-67B-Base、DeepSeek-LLM-67B-Chat共计4个版本。

        2024年2月6日，DeepSeek公司发布了DeepSeek Math数学大模型，包括：DeepSeekMath-Base 7B、DeepSeekMath-Instruct 7B和DeepSeekMath-RL 7B共计3个版本。

        DeepSeekMath，一个7B模型但有逼近GPT-4的数学推理能力，在MATH基准榜单上超过一众30B~70B的开源模型。

        2024年3月11日，DeepSeek公司发布了DeepSeek VL大模型，包括：DeepSeek-VL-7B-base、DeepSeek-VL-7B-chat、DeepSeek-VL-1.3B-base和DeepSeek-VL-1.3B-chat共计4个版本。

        2024年5月6日，DeepSeek公司发布了DeepSeek-V2大模型，并于2024年5月16日发布了其轻量化版本DeepSeek-V2-Lite。DeepSeek-V2是一款强大且经济高效的混合专家（Mixture-of-Experts，MoE）语言模型，其特点是经济的训练成本以及高效的推理能力。它总共包含2360亿（236B）个参数（是DeepSeek LLM的3.5倍），其中每个基本单元（token）能够激活210亿（21B）个参数。与DeepSeek LLM 67B相比，DeepSeek-V2的性能更强，同时节省了42.5%的训练成本，减少了93.3%的键值（Key Value，KV）缓存，最大生成吞吐量提高到5.76倍。

        2024年6月14日，DeepSeek公司发布了DeepSeek-Coder-V2代码大模型，一款开源的混合专家（MoE）代码大模型。DeepSeek-Coder-V2在DeepSeek-V2的基础上进一步训练，增加了6万亿个基本单元（token）。通过这种持续的训练，DeepSeek-Coder-V2大大增强了DeepSeek-V2的编码和数学推理能力。此外，DeepSeek-Coder-V2将其对编程语言的支持从86种扩展到338种，同时将上下文长度从16K扩展到128K。

                2024年9月5日，DeepSeek公司发布了DeepSeek-V2.5大模型，实现了DeepSeek-V2-Chat和DeepSeek-Coder-V2两个大模型的合并。DeepSeek-V2.5 不仅保留了原有 Chat 模型的通用对话能力和 Coder 模型的强大代码处理能力，还更好地对齐了人类偏好。此外，DeepSeek-V2.5 在写作任务、指令跟随等多个方面也实现了大幅提升。

        2024年12月13日，DeepSeek公司发布了DeepSeek-VL2视觉大模型，一款先进的大型混合专家（MoE）视觉大模型，采用DeepSeek-MoE架构配合动态切图，在其前身DeepSeek-VL的基础上进行了显著改进。DeepSeek-VL2在各种任务中展示了卓越的能力，包括但不限于视觉问答、光学字符识别、文档/表格/图表理解和视觉基础。该模型系列由三个变体组成：DeepSeek-VL2-tiny、DeepSeek-VL2-small和DeepSeek-VL2，激活参数分别为1.0B、2.8B和4.5B。

        2024年12月26日，DeepSeek公司发布了DeepSeek-V3大模型，一款强大的混合专家（MoE）大模型，具有6710亿（671B）个参数，每个基本单元（token）激活370亿（37B）个参数。为了实现高效的推理和低成本的训练，DeepSeek-V3采用了多头潜在注意力（Multi-head Latent Attention，MLA）架构和DeepSeek-MoE架构。此外，DeepSeek-V3开创了负载平衡的辅助无丢失策略，并为更强的性能设置了多令牌（token）预测训练目标。在14.8万亿（14.8T）个不同的高质量令牌（token）上进行了预训练，然后进行监督微调和强化学习阶段，以充分利用其能力。

        由上图可以看出，DeepSeek-V3 多项评测成绩超越了 Qwen2.5-72B 和 Llama-3.1-405B 等其他开源模型，并在性能上和世界顶尖的闭源模型 GPT-4o 以及 Claude-3.5-Sonnet 不分伯仲。

        2025年1月20日，DeepSeek公司发布了DeepSeek-R1大模型，是第一代推理模型，有两个版本：DeepSeek-R1-zero和DeepSeek-R1。DeepSeek-R1-Zero是一个通过大规模强化学习（RL）训练的模型，没有监督微调（SFT）作为起始步骤，在推理方面表现出卓越的性能。有了强化学习，DeepSeek-R1-Zero自然就出现了许多强大而有趣的推理行为。然而，DeepSeek-R1-Zero遇到了诸如无休止的重复、可读性差和语言混合等挑战。为了解决这些问题并进一步提高推理性能，我们引入了DeepSeek-R1，它在强化学习之前包含了冷启动数据。开源了DeepSeek-R1- zero， DeepSeek-R1，以及基于Llama和Qwen的DeepSeek-R1提炼的六个密集模型。

        由上图可以看出，DeepSeek-R1的性能已对齐OpenAI-o1正式版。

三、深度求索（DeepSeek）大模型App初体验

        2025年1月15日，DeepSeek公司发布了DeepSeek官方App，是一款功能强大的掌上助手，用户在移动终端安装后即可免费与性能世界领先的DeepSeek-V3（目前是更先进的DeepSeek-R1）模型进行互动交流。

        支持联网搜索与深度思考模式，同时支持文件上传，能够扫描读取各类文件及图片中的文字内容，随时随地为用户答疑解惑、实现学习办公提效。

        用户可以通过检索关键词“DeepSeek”从各大应用市场获取，也可以通过官方网站首页直接获取各应用市场内下载链接。

        注册后，在DeepSeek App中选中“深度思考（R1）”和“联网搜索”功能，然后在输入框中输入需要提问的问题，这里输入“DeepSeek与OpenAI的性能对比”，DeepSeek的回答如下：

        DeepSeek App在收到指令后，先是给出整个深度思考的过程，然后，再给出深度思考后的结果。

---

作者信息：朱赛，18210821611，zhusai@cesi.cn