前言，DeepSeek的火爆程度无需多言，对应其产品的各个版本依然有很多朋友不太清楚，比如常见的问题有DeepSeek的产品分类有哪些？常看到的DeepSeekR1和V3的区别和联系？R1-zero版本的定位是什么？以及R1满血版和蒸馏版的关系？不同大小的模型对于本地部署的配置要求等等，今天和大家展开聊聊！

一、DeepSeek产品发布时间表和“主流”产品定位

DeepSeek V3和R1各个版本火爆出圈，下图展示了DeepSeek公司从2023年到现在重点产品发布的时间点。

其实目前DeepSeek主流版本是2个分别为V3和R1版本，两个模型的定位有所差异，简单分析。

1、DeepSeek V3模型：对标OpenAI的GPT4o，属于L1级别的聊天机器人，工程创新最多，优势是性价比。采用混合专家（MoE）架构，主要面向自然语言处理（NLP）任务，旨在提供高效、可扩展的解决方案。其广泛的应用涵盖了客户服务、文本摘要、内容生成等多个领域。

2、DeepSeek R1模型：对标OpenAI-o1，属于L2级别的推理优化模型产品，产业影响大，专注于高级推理任务，并利用强化学习技术来提升推理能力。该模型特别适用于涉及逻辑推理和问题求解的应用场景。

在使用DeepSeek官网或者APP时，默认聊天的模型是V3版本，如果点了深度思考（R1）就会调用R1版本的模型，如下图所示：

3、R1-Zero和R1模型的联系：R1-zero可以理解为R1训练过程中的中间“产物”，R1-zero基于V3基座模型，完全由强化学习驱动，无需经过预热（Warmup） 阶段。这个模型没有任何初始的人工调节，完全靠强化学习来进行优化。

如上图所示，R1的训练流程分为了两个部分：

第1部分是基于 V3版本采用纯强化训练的方式得到 R1-zero，R1-zero主要作用是用来生成冷启动思维链数据，然后将这个冷启动数据再去训练 V3。

第2部分又分为了四个阶段，第一阶段是冷启动SFT、推理导向的强化学习阶段通过收集少量合成数据进行微调，确保训练初期的稳定性。第二阶段依然以 DeepSeek-V3 为基础，进行强化学习训练，并引入语言一致性的奖励机制。第三阶段引入其他领域的监督微调数据，增强模型在写作、角色扮演等任务上的通用能力。第四阶段则通过规则奖励和偏好奖励进行全面优化，最终得到强推理的 R1模型。

一句话总结是R1在 R1-zero 的基础上，通过少量冷启动数据进行微调，提高了输出质量和可读性。

二、R1满血版&蒸馏版以及的性能对比

1、满血版的模型产品：Deepseek-R1（671B），特点是性能最优，但是对服务器的计算能力、存储性能、数据吞吐量及稳定性均提出了极高要求。

2、蒸馏版的模型产品（如下）：特点是体积小、速度快和成本低、便于大规模的部署。

• DeepSeek-R1-Distill-Qwen-1.5B

• DeepSeek-R1-Distill-Qwen-7B

• DeepSeek-R1-Distill-Llama-8B

• DeepSeek-R1-Distill-Qwen-14B

• DeepSeek-R1-Distill-Qwen-32B

• DeepSeek-R1-Distill-Llama-70B

DeepSeek-R1-Distill的各个版本是基于R1（671B 满血版）通过创新的蒸馏优化技术，在推理速度、计算成本、部署灵活性方面具有明显优势。在不同计算资源和应用场景下，企业都可以更灵活地部署大模型，通过合理的硬件搭配及性能调优，可为各规模企业提供性价比最优的大模型使用体验。

如下图所示（基于DeepSeek公开数据），R1蒸馏后的小模型在推理能力上显著超越了原始的Qwen2.5和Llama模型，展现了R1推理模式的高效迁移性。

三、DeepSeek 公开价格与行业主流对比

基于公开信息，DeepSeek最新产品每百万 token 价格显著低于性能相同的 GPT-o1， 优惠期最低达 1/100，常规价格的 DS-chat相较于紧急发布的 GPT-o3-mini，价格仍为 1/3-1/4，侧面印证DeepSeek-R1 训练成本确实较低。deepseek-chat 模型已经升级为 DeepSeek-V3；deepseek-reasoner 模型为新模型 DeepSeek-R1。

四、不同版本的R1模型所需的GPU参数情况

以精度为INT8的大模型为例，这种精度，一个参数需要占用一个字节

通常使用FP32（4字节）、FP16（2字节）或INT8（1字节）

• 1B参数模型=10亿参数x每个参数占用的1Byte

• 1GB显存=1024MB=1024*1024KB=1024*1024*1024Byte

• 10*108/（1024*1024*1024）=0.93132≈1

结论：1B 的 INT8 参数的大模型部署需要 0.93132G 显存，近似等于 1G

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】