一、DeepSeek是什么

• DeepSeek（深度求索）是中国的人工智能公司，成立于 2023 年7月，由知名量化资管巨头幻方量化创立，专注于探索通用人工智能(artificial general intelligence，AGI）的实现路径，主攻大模型研发与应用。
• DeepSeek-V3是其开源的通用自然语言处理模型，对标GPT-4o.
• DeepSeek-R1是其开源的推理模型，擅长处理复杂任务，对标OpenAI o1 / o1-mini.

二、DeepSeek可以做什么

直接面向用户或者支持开发者，提供智能对话、文本生成、语义理解、计算推理、代码生成补全等应用场景，支持联网搜索与深度思考，同时支持文本上传，能够扫描读取各类文件及图片的文字内容。

三、 DeepSeek的模型对比

3.1. DeepSeek模型发展史

资料来源: 彩云之南公众号，浙商证券研究所。[相关链接2]

我们常说的DeepSeek的大模型，是指当前主流的DeepSeek-V3和DeepSeek-R1。

3.2. V3与R1的对比与选择

总结: 不考虑调用成本，复杂推理任务（例如数学、代码等）或者希望获取思维链，优先DeepSeek-R1；内容创作、文本生成等优先DeepSeek-V3。

• DeepSeekV3与DeepSeek-R1的对比

• 选择V3和R1的指南

四、DeepSeek为什么大火

4.1. 性能优越

• DeepSeek-v3推断速度快:吐字速度从v2的20TPS提升到60TPS.
• DeepSeek-v3性能优越: 在目前大模型主流榜单中，DeepSeek-V3 在开源模型中位列榜首，与世界上最先进的闭源模型不分伯仲。

• DeepSeek R1专注于推理能力，尤其是密集推理任务（reasoning-intensive tasks)，比如代码、数学、科学、逻辑推理这些带有明确答案的良定义的问题。DeepSeek R1在数学、代码、自然语言推理等任务上性能可比肩OpenAI o1模型正式版

• 在AIME 2024数学基准测试中，DeepSeek R1得分率79.8%，OpenAI o1得分率79.2%。

• 在MATH-500基准测试中，DeepSeek R1得分率97.3%，OpenAI o1得分率96.4%。

• 顿悟(Aha)时刻: 单纯的RL（没有显式地提供CoT数据，而是告诉模型先思考，再回答）就可以激发模型产出带有长思维链（甚至是反思）的回复的能力，在DeepSeek-R1-zero训练过程中，在某个特定阶段，模型**突然学会了重新评估自己的初始方法，并为复杂问题分配更多的思考时间。**这个时刻不仅标志着模型能力的质的飞跃，也是研究者们的重大发现，它展示了强化学习在培养AI自主思考和问题解决能力方面的巨大潜力。

• 蒸馏小模型： 在R1的发布中，同时探索了如何将大模型的推理能力高效地蒸馏到小模型中，使用DeepSeek-R1生成80万条训练样本，直接对开源的小模型（如Qwen和Llama系列）进行微调，开源了方便本地部署的一众蒸馏小模型。

五、 DeepSeek为什么又好又省-技术路线

5.1. 主要技术路线

• 模型结构和训练方法上: 省

• DeepSeekMoE: 混合专家模型，推理时，仅动态激活部分专家（37B 参数），而非全模型参数（671B 参数），减少计算负担。
• 引入无辅助损失的自然负载均衡来解决不同专家的负载均衡问题。
• 采用MLA (Multi-Head Latent Attention)架构，扩展了传统的多头注意力机制，引入潜向量（latent variables），可以动态调整注意力机制，捕捉任务中不同的隐含语义。在训练中减少内存和计算开销，在推理中降低KV缓存占用空间,把显存占用降为MHA架构的5%~13%。
• 采用多步token预测 MTP（Multi-Token Prediction）。一般LLM一次生成1个token，DeepSeek在特定场景下能同时预测多个token，来提高信号密度。一方面能够减少上下文漂移、逻辑更连贯，也能减少一些重复中间步骤，在数学、代码和文本摘要场景能提升效率。

• 采用了GRPO（Group Relative Policy Optimization）的强化学习算法。核心思想是：对于每个问题，从旧策略中采样多个输出，然后根据这些输出的奖励计算相对评分来优化新策略。跳过传统RL中与策略模型等规模的critic网络，减少开销。

模型结构和训练方法上: 好

• Cot：Chain of thought。将复杂的问题拆分成小步的中间逻辑，细分逻辑链条。在训练阶段，DeepSeek-R1用标注的Long CoT数据微调模型，让模型生成更清晰的推理步骤，在强化学习中用CoT设计奖励优化，增强长链推理能力，并且在此过程中观察到了模型的反思（回溯推理路径）、多路径推理（能给出多个解）、aha时刻（通过策略突破瓶颈）等自发行为。
• 拒绝采样: 当针对推理的强化学习收敛后，研究者们使用训练得到的模型进行拒绝采样，生成多个答案，然后只选择最优的答案来继续训练，生成新的监督微调（SFT）数据。这个阶段的目的是提高模型在非推理任务（如写作、角色扮演等）上的表现。

工程上：省

• FP8混合精度训练： 引入了FP8 混合精度训练框架，相比传统的FP16 精度，数据内存占用更少，但在一些算子模块、权重中仍然保留了FP16、FP32 的精度，节省计算资源。
• 底层通信优化： 专门开发了高效的跨节点全对全通信内核，优化对带宽的利用，保证数据传输效率，并能支持大规模部署。
• DualPipe跨节点通信： 传统训练信息流水线会产生一些等待时间、有“流水线气泡”，DeepSeek设计了一个双重流水线，让一个计算阶段在等待数据传输时可以切换到另一批数据，充分利用空闲时间。
• 并行： 对硬件的极限使用. 在系统架构层面，DeepSeek就使用了专家并行训练技术，通过将不同的专家模块分配到不同的计算设备上同时进行训练，提升了训练过程中的计算效率。并对算力做极致压缩。

我的DeepSeek部署资料已打包好（自取↓）
https://pan.quark.cn/s/7e0fa45596e4

但如果你想知道这个工具为什么能“听懂人话”、写出代码 甚至预测市场趋势——答案就藏在大模型技术里！

❗️为什么你必须了解大模型？

1️⃣ 薪资爆炸：应届大模型工程师年薪40万起步，懂“Prompt调教”的带货主播收入翻3倍

2️⃣ 行业重构：金融、医疗、教育正在被AI重塑，不用大模型的公司3年内必淘汰

3️⃣ 零门槛上车：90%的进阶技巧不需写代码！会说话就能指挥AI

（附深度求索BOSS招聘信息）

⚠️警惕：当同事用DeepSeek 3小时干完你3天的工作时，淘汰倒计时就开始了。

那么，如何系统的去学习大模型LLM？

作为一名从业五年的资深大模型算法工程师，我经常会收到一些评论和私信，我是小白，学习大模型该从哪里入手呢？老师啊，我自学没有方向怎么办？老师，这个地方我不会啊。如果你也有类似的经历，一定要继续看下去！当然这些问题啊，也不是三言两语啊就能讲明白的。

所以我综合了大模型的所有知识点，给大家带来一套全网最全最细的大模型零基础教程。在做这套教程之前呢，我就曾放空大脑，以一个大模型小白的角度去重新解析它，采用基础知识和实战项目相结合的教学方式，历时3个月，终于完成了这样的课程，让你真正体会到什么是每一秒都在疯狂输出知识点。

篇幅有限，⚡️ 朋友们如果有需要全套 《2025全新制作的大模型全套资料》，扫码获取~

👉大模型学习指南+路线汇总👈

我们这套资料呢，会从基础篇、进阶篇和项目实战篇等三大方面来讲解。

👉①.基础篇👈

基础篇里面包括了Python快速入门、AI开发环境搭建及提示词工程，带你学习大模型核心原理、prompt使用技巧、Transformer架构和预训练、SFT、RLHF等一些基础概念，用最易懂的方式带你入门大模型。

👉②.进阶篇👈

接下来是进阶篇，你将掌握RAG、Agent、Langchain、大模型微调和私有化部署，学习如何构建外挂知识库并和自己的企业相结合，学习如何使用langchain框架提高开发效率和代码质量、学习如何选择合适的基座模型并进行数据集的收集预处理以及具体的模型微调等等。

👉③.实战篇👈

实战篇会手把手带着大家练习企业级的落地项目（已脱敏），比如RAG医疗问答系统、Agent智能电商客服系统、数字人项目实战、教育行业智能助教等等，从而帮助大家更好的应对大模型时代的挑战。

👉④.福利篇👈

最后呢，会给大家一个小福利，课程视频中的所有素材，有搭建AI开发环境资料包，还有学习计划表，几十上百G素材、电子书和课件等等，只要你能想到的素材，我这里几乎都有。我已经全部上传到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】

相信我，这套大模型系统教程将会是全网最齐全 最易懂的小白专用课！！