是时候准备春招和实习了。

节前，我们邀请了一些互联网大厂朋友、今年参加社招和校招面试的同学。

针对新手如何入门算法岗、该如何准备面试攻略、面试常考点、大模型技术趋势、算法项目落地经验分享等热门话题进行了深入的讨论。

总结链接如下：

《大模型面试宝典》(2025版) 发布！

喜欢本文记得收藏、关注、点赞。

---

DeepSeek提供了提供了基础模型（V3）和深度思考（R1）两种不同模式，以满足用户在不同场景下的需求。

基础模型（V3）是通用模型，适用于绝大多数“规范性”任务，如用于快速获取百科信息；而深度思考（R1）是推理模型，擅长解决复杂推理和深度分析等“开放性”任务，如数理逻辑推理和辅助编程。

V3还是R1？过程驱动（规范约束）还是结果驱动（模糊目标）。

一、基础模型_（V3）_

基础模型DeepSeek-V3最大亮点是什么？DeepSeek-V3的训练成本远低于其它大模型。

据官方技术论文披露，DeepSeek-V3在预训练阶段仅使用2048块GPU训练了2个月，花费557.6万美元，而GPT-4o的训练成本估计高达数亿美元，马斯克的Grok3更是动用了20万块H100集群。

DeepSeek-V3如何实现低成本高性能？DeepSeek-V3之所以能实现低成本高性能，主要得益于其通过引入Mixture-of-Experts（MoE）架构和多头潜在注意力机制（MLA）进行模型架构创新，同时采用FP8混合精度训练进行训练方法创新。

1. Mixture-of-Experts（MoE）架构：由1个共享专家和256个路由专家组成，每个令牌会激活8个路由专家。这种细粒度的划分提高了模型的表达能力，同时减少了专家之间的通信开销。

2. 多头潜在注意力机制（MLA）：MLA通过对注意力键值（Key-Value）进行低秩压缩，将注意力键值压缩为一个低维的潜在向量，并在推理过程中仅缓存该向量，这种方式大大节省了存储空间，同时保证了信息的完整性。

3. FP8混合精度训练：DeepSeek-V3首次在如此大规模的模型上成功实现了FP8训练。DeepSeek-V3在大多数计算密集型操作（如矩阵乘法）中使用FP8格式，而在一些对精度敏感的操作（如嵌入模块、输出头、MoE门控模块等）中仍保留较高精度（如BF16或FP32）。这种混合精度框架在保证训练稳定性的同时，显著提高了计算速度和内存效率。

二、深度思考（R1）

深度思考DeepSeek-R1最大亮点是什么？DeepSeek-R1在推理能力方面表现出色，尤其在数学、代码和自然语言推理等复杂任务上。

由于DeepSeek-R1具有强大的推理能力和低成本优势，它在多个领域具有广泛的应用前景。例如，在教育领域，它可以作为智能辅导工具，帮助学生解决数学问题、编写代码等；在科研领域，它可以作为研究助手，帮助研究人员处理数据、生成假设等。

DeepSeek-R1如何实现强大的推理能力？DeepSeek-R1通过创新的强化学习技术、多阶段训练管道以及知识蒸馏技术实现了强大的推理能力。

一、强化学习为核心

DeepSeek-R1及其前身DeepSeek-R1-Zero代表了对传统监督微调（SFT）范式的背离，探索了强化学习（RL）的力量。

1. DeepSeek-R1-Zero：DeepSeek-R1-Zero完全通过强化学习进行训练，没有任何监督微调的介入。在训练过程中，DeepSeek-R1-Zero展示了自我进化的能力，例如通过分配更多的思考时间来重新思考其最初的方法，实现了推理能力的显著提升。然而，这种方法也存在可读性差和语言混合的问题。
2. DeepSeek-R1：DeepSeek-R1在强化学习之前结合了多阶段训练和冷启动数据方法。具体来说，它引入了数千条高质量的、包含长推理链（Chain of Thought，CoT）的冷启动数据对模型进行微调，从而显著提升了模型的可读性和多语言处理能力。

二、多阶段训练管道

DeepSeek-R1的多阶段训练管道包括冷启动数据预训练、推理导向强化学习、拒绝采样和监督微调以及全场景强化学习等阶段，每个阶段都对模型的推理能力进行了针对性的提升。

三、知识蒸馏技术

DeepSeek团队还深入探索了将R1的推理能力蒸馏到更小模型中的潜力。他们利用DeepSeek-R1生成的800K数据对Qwen和Llama系列的多个小模型进行了微调，并发布了DeepSeek-R1-Distill系列模型。这些小型模型在保持强大推理性能的同时，显著降低了计算资源需求，为企业级应用提供了更实用的解决方案。