DeepSeek-V3-0324 发布，本次 V3 版本有哪些改进？

新一周的第一天，北京时间 3 月 24 日晚，DeepSeek 「突然」发布了模型更新。但暂时还不是 DeepSeek V4 或 R2，而是 DeepSeek V3 模型的一次更新。大家对这次「小版本升级」的 DeepSeek V3 模型体验如何呢？一起来看大模型、Python 话题领域优秀答主、答主与答主的回答吧～推理能力增强基准测试提升显著Web前端开发能力优化中文写作能力升级风格与内容优化功

bagell

999人浏览 · 2025-04-01 10:37:53

bagell · 2025-04-01 10:37:53 发布

新一周的第一天，北京时间 3 月 24 日晚，DeepSeek 「突然」发布了模型更新。但暂时还不是 DeepSeek V4 或 R2，而是 DeepSeek V3 模型的一次更新。大家对这次「小版本升级」的 DeepSeek V3 模型体验如何呢？一起来看大模型、Python 话题领域优秀答主

@段小草、答主 @toyama nao与答主 @ Trisimo 崔思莫 的回答吧～

DeepSeek-V3-0324 发布，本次 V3 版本有哪些改进？

****|****** *答主：段小草*

Update：官网刚刚更新了版本说明，数学和编程提升幅度很大，推理能力增强，写作风格和 R1 对齐（倒也不是非得学 R1 那么癫）：

Deepseek-chat 模型升级为 DeepSeek-V3-0324：

推理能力增强
- 基准测试提升显著
- - MMLU-Pro: 75.9 → 81.2 (+5.3)
  - GPQA: 59.1 → 68.4 (+9.3)
  - AIME: 39.6 → 59.4 (+19.8)
  - LiveCodeBench: 39.2 → 49.2 (+10.0)
Web前端开发能力优化
- 代码生成准确率提升
- 生成的网页与游戏前端更加美观
中文写作能力升级
- 风格与内容优化
- - 实现与R1写作风格对齐
  - 中长篇写作内容质量提升
功能增强
- 多轮交互式改写能力提升
- 翻译质量与书信写作优化
中文搜索能力优化
- 报告分析类请求优化，输出内容详实
Function Calling 能力改进
- Function Calling 准确率提升，修复 V3 之前的问题。

个人感觉：DeepSeek-V3-0324 可能是专门优化提升编程能力的一个版本，其余能力变化不大。

DeepSeek 官方并没有更新版本号（算是 V3 的一个快照更新），没有对此次更新做任何宣传，甚至连更新日志也没写。我们无从知道 DeepSeek 的真实用意，是觉得这只是一次「不值一提的微小更新」，还是他们已经忙得顾不上这些细节了？

也不知道他们内部觉得 0324 算是 V3.3 还是 V3.7，距离 V4 还有多远，发 V4/R2 之前还会不会再发一个 R1-03xx……

无论如何，以 DeepSeek 现在的热度，再微小的更新也会被大家用放大镜审视。

首先是模型上，DeepSeek-V3-0324 和 DeepSeek-V3 相比，变化并不大。当然这部分现在网上说法不一样，有说参数涨了的，有说 MoE 激活变了的，有说上下文长度变了的。

我个人的理解，二者都是 671B 参数模型（+14B MTP 权重），二者的 MoE 架构也没变。二者的上下文长度似乎也没变。DeepSeek-V3-0324 就是一个新训练的 snapshot，训练方式和推理方式似乎都没有大的更新。

现在 DeepSeek 官网和 API 上已经更新到了 0324 版本，大家可以直接使用。

插播一句小小的吐槽，虽然 DeepSeek 一直是这样「覆盖式全量部署」deepseek-chat 的，表明他们对模型能力提升的自信。但对于开发者来说，一觉睡醒生产环境的模型变了还是会有影响的……

这也是为什么其他厂家会保留很多不同的 snapshots，就是为了保证业务稳定。毕竟换了模型，就意味着测评要重新跑，Prompt 也可能要调整。不过鉴于 DeepSeek 现在有这么多第三方的服务，这也不算什么问题。

我自己拿惯用的行测题目跑了一下 0324 的新接口，怎么说呢，整体变化不算大，分数的升降都可以算在模型输出不稳定性里（也不排除这个测试场景太窄没能体现出能力提升，还是需要看更多更宽的测评集）：

**当然，目前体感上最明显、最直接的变化，就是编程能力的提升。**这个是毫无疑问的，甚至猜测 0324 是专门微调了编程专家。

DeepSeek-V3-0324 的编程能力大幅超过了 DeepSeek V3 甚至是 R1，逼近了 Claude 3.7。这方面大家实测的不同 case 已经很多了，等等看更多编程领域的 bench 分数就能验证。

个人总结：模型训练方式保持不变，编程能力提升巨大，其余场景变化不多。

****|****** *答主：toyama nao
*

DeepSeek看来不准备发公告了。

一句话总结：昨日的基础大模型之「GPT4.5 」恐沦为笑柄。

基于 V3.5 题库（ 3 月版本）测试成绩，极限分力压 GPT4.5，达到 67 ，中位分也比 4.5 高少许。

以下是详细结论。

首先，可以推知，V3 新版使用了 R1 的数据，V3的输出平均长度来到了 5030 字符，远高于其他基础模型，甚至部分题目输出达到了 12000~13000 这种推理模型才有的规模。看内容也确实是复刻先前 R1 的推导过程，有些题目还保留了 R1 推理到一半切成英文的「习惯」。

其次，V3 虽然很强，但小问题也很多。V3 的指令遵循能力与 R1 接近，都存在较多缺陷。比如 #10 水果热量问题，V3 竟然强行修改题目要求。#22 连续计算，上来第一步就忽略题目要求。

对于复杂难题部分，如 #4 拧魔方，#23 解密，#24 找数字符规律，V3 的智力不够，找不到解法，但这不怪 V3 ，他的先辈 R1 也是错的。

也有部分字符类问题，R1 是稳定正确，如 #9 数字缩写，#11 岛屿计数。R1 是接近满分，V3 幻觉严重，基本不得分。

在宣称的数学，程序改进方面，确实比 V3 初版进步显著，但最大问题还是不稳定，编程题可能在全对和全错之间随机。这一点在其中位分比最高分低 17% 中也能反应出来。

如果是与「死对头GPT4.5」对比，二者虽然分数接近。但细节差异很多。

4.5 保留了许多来自 o1/o3 的推理特点，擅长字符类，前面 V3 丢分的字符类问题，4.5 这边得分都较高。而 V3 可以在数学问题上拿到更多分。

此外，4.5 的输出稳定性也稍好。

但不管怎么说，4.5 比 V3 贵 135 倍，OpenAI 你得给个说法。在基础模型这块，你不干有的是人干。

总结：

这又是 DeepSeek 擅长的「左脚踩右脚上天」模式，V2 时代靠 V2 Coder 模型专项提升逻辑能力，再与 Chat 模型融合出 V2.5 。现在又用 R1 的能力喂出 V3 新版这个基础模型怪物。

****|****** ***答主：Trisimo 崔思莫*令人震惊。(这里用震惊体是不过分的) V3324 我已经做过初步的评价，不再重复。这里想聊聊 V3324 这个微调版本「之所以能出现」的环境氛围。我认为小梁具备了Canines 的嗅觉知道什么是好东西。之前也提到过很多次，AI界的氛围已经发生转变，从跑分走向了实战。Claude 3.7 发布后，我想每个人都咂摸出了味道，Anthropic 放弃了竞技型数学和代码。这是重要的行业转变。Canines 的速度在 R1 之后，再次证明鲸鱼速度。这次的目标是Anthropic，**鲸鱼总是能找到最快的路径。**这种速度是构建在扎实的技术之上的，而不是靠加班，加班是在做加法，真正的技术是在做乘法。Canines的三观鲸鱼总是能找到最快的路径。 (同样的话，不同的氛围，看你如何理解了，我在评测初代 V3 时，表达过类似的观点，那时候 R1 还没发布。)**这样的人，何愁大事不成？**大家可能认为DeepSeek是那种Meta、Google式「象牙塔Lab」。现在大家应该都知道了，DeepSeek是犬牙塔。什么是狼性？这就是真正的狼性。很多人谈狼性时，抛开了价值嗅觉和技术力，这就不是狼了，充其量只是些无能暴徒。