?DeepSeek是什么？?DeepSeekR1的三大特點(diǎn)?

使用DeepSeek的五種方式對(duì)比DeepSeek是什么？

o

DeepSeek

是什么？

o?Deep

Seek

是

幻

方

量

化

于

2

0

2

3

年

創(chuàng)

立

的

大

模

型

子

公

司，

創(chuàng)

始

人

為

梁

文

鋒?2

0

2

4

年

1

月5日，

其

發(fā)

布

第

一

個(gè)

同

名

A

I

大

模

型Deep

Seek

LL

M?2

0

2

5

年

1

月2

0日，

Deep

See

kR

1

正

式

發(fā)

布，

為

對(duì)

標(biāo)Open

AI

o

1

正

式

版

的

高

性

能

推

理

模

型

；R

1

上

線

后

火

速

出

圈，

其

應(yīng)

用

創(chuàng)

造

了

全

球

APP

歷

史

上

增

長(zhǎng)

最

快

的

記

錄圖片來(lái)源：

DeepSeek官網(wǎng)

圖片來(lái)源：

AI產(chǎn)品榜

。

DeepSeek

R1的三大特點(diǎn)

。開(kāi)源低成本高性能R1開(kāi)源

，

并公開(kāi)訓(xùn)練技術(shù)

，允許開(kāi)發(fā)者

訪問(wèn)和學(xué)習(xí)R1開(kāi)發(fā)成本僅為OpenAIo1的2%左右推理表現(xiàn)媲美OpenAIo1正式版圖注：

DeepSeek與OpenAI各版本的準(zhǔn)確率對(duì)比

（圖片來(lái)源：

DeepSeek官網(wǎng)）https://chat.deepseek.com/https://chat.deepseek.com/https://deepseekapi.io/可借助Ollama、

vLLM和MNN等工具硅基流動(dòng)、

騰訊云、

阿里云等普通用戶作為生產(chǎn)力工具及技術(shù)嘗鮮開(kāi)發(fā)者、

企業(yè)用戶保障訪問(wèn)穩(wěn)定性和可擴(kuò)展性 。使用DeepSeek的五種方式對(duì)比。官網(wǎng)APP云平臺(tái)本地部署API?R1的基座模型——V3?R1的三種變體?R1訓(xùn)練的技術(shù)路徑?R1的核心技術(shù)解析?R1的關(guān)鍵技術(shù)貢獻(xiàn)DeepSeek

R1核心

技術(shù)揭秘?

V3是去年12月發(fā)布的自研MoE模型?

參數(shù)與GPT-4大致在同一數(shù)量級(jí)：

V3有671B

參數(shù)

，每個(gè)Token的計(jì)算激活約37B?

在14.8Ttoken上進(jìn)行了預(yù)訓(xùn)練?V3：對(duì)標(biāo)GPT-4o

，通過(guò)指令微調(diào)和偏好微調(diào)

提升性能?R1：

專注于推理能力R1在DeepSeekV3基礎(chǔ)上進(jìn)行了開(kāi)發(fā)V3模型的特征 o

R1的基座模型

：

V3

o圖注：

DeepSeekV3與發(fā)布時(shí)其他主流大模型的準(zhǔn)確率對(duì)比

（圖片來(lái)源：

DeepSeek官網(wǎng)）DeepSeek-R1-DistillDeepSeekV3R1-ZeroR1

o

R1的三種變體

。直接強(qiáng)化學(xué)習(xí)訓(xùn)練多階段漸進(jìn)訓(xùn)練模型蒸餾基座模型變體

1變體2變體3原圖作者：

Sebastian

Raschka o

R1訓(xùn)練的技術(shù)路徑

。

oR1的核心技術(shù)解析：

強(qiáng)化學(xué)習(xí)

。R1采用了多種獎(jiǎng)勵(lì)的強(qiáng)化學(xué)習(xí)

，相當(dāng)于模型的

“綜合評(píng)分系統(tǒng)”

，模型在完成任務(wù)時(shí)根據(jù)多個(gè)標(biāo)準(zhǔn)獲圖片來(lái)源：

《基于場(chǎng)景動(dòng)力學(xué)和強(qiáng)化學(xué)習(xí)的自動(dòng)駕駛邊緣測(cè)試場(chǎng)景生成方法》得不同的獎(jiǎng)勵(lì)信號(hào)。

oR1的核心技術(shù)解析：冷啟動(dòng)數(shù)據(jù)

。R1策略性地將少量高質(zhì)量數(shù)據(jù)作為冷啟動(dòng)。

這相當(dāng)于訓(xùn)練開(kāi)始前的

“入門教程”

，

幫助模型更快地學(xué)

會(huì)如何進(jìn)行清晰、

有邏輯的推理。R1的冷啟動(dòng)數(shù)據(jù)R1-Zero生成的長(zhǎng)思維鏈

(CoT)數(shù)據(jù)挑選示例-------------------->

oR1的核心技術(shù)解析：

監(jiān)督微調(diào)

。R1訓(xùn)練包括兩個(gè)監(jiān)督微調(diào)(SFT)階段。

模型通過(guò)學(xué)習(xí)標(biāo)注數(shù)據(jù)來(lái)調(diào)整模型

，

以在特定任務(wù)上表現(xiàn)得

更精準(zhǔn)。圖片來(lái)源：《PORT:PreferenceOptimizationonReasoningTraces》 o

R1的核心技術(shù)解析：

蒸餾

。R1-Distill采用蒸餾技術(shù)。

大模型

（老師）

把自己的知識(shí)和推理能力教給小模型

（學(xué)生）

，通過(guò)高質(zhì)

量的數(shù)據(jù)和訓(xùn)練方法

，

讓小模型學(xué)會(huì)大模型的推理技巧。圖片來(lái)源：

https://devopedia.org/knowledge-distillation關(guān)鍵貢獻(xiàn)1：

“純RL”技術(shù)路線的可行性首個(gè)公開(kāi)研究

，驗(yàn)證了LLMs的推理能力可以僅通過(guò)強(qiáng)化學(xué)習(xí)激勵(lì)

，

而無(wú)需監(jiān)督微調(diào)。圖注：

隨著RL訓(xùn)練逐步推進(jìn)

，

R1-Zero的性能穩(wěn)定且持續(xù)提升

（圖片來(lái)源：

DeepSeek官方論文）

。

關(guān)鍵貢獻(xiàn)2

：

R1的

“啊哈時(shí)刻”。DeepSeek

R1在推理時(shí)使用諸如

“

啊哈時(shí)刻”

的高度擬人化語(yǔ)言

，在解題找到突破口時(shí)產(chǎn)生了頓悟

，被視

為走向AGI的重要一步。圖注：

在處理復(fù)雜的數(shù)學(xué)問(wèn)題時(shí)

，模型突然停下來(lái)說(shuō)

“等等、

等等、

這是個(gè)值得標(biāo)記的啊哈時(shí)刻”

（圖片來(lái)源：

DeepSeek官方論文）圖注：

DeepSeek

R1的推理過(guò)程

。關(guān)鍵貢獻(xiàn)3：蒸餾小模型超越OpenAIo1-mini

。蒸餾小模型的高性能

，

證明了該策略的經(jīng)濟(jì)和有效

，但想要突破當(dāng)前智能的邊界

，

或仍需要更大規(guī)模的

基礎(chǔ)模型與強(qiáng)化學(xué)習(xí)。圖注：

通過(guò)DeepSeek-R1的輸出

，蒸餾了6個(gè)小模型開(kāi)源給社區(qū)

（圖片來(lái)源：

DeepSeek官方論文）?R1與OpenAIo1的三大區(qū)別?R1的四大進(jìn)化方向?附錄：

DeepSeek產(chǎn)品家族全梳理DeepSeek技術(shù)貢獻(xiàn)

及未來(lái)進(jìn)化架構(gòu)不同訓(xùn)練方式不同生態(tài)不同R1：

開(kāi)源

，免費(fèi)使用R1：

證明可以僅通過(guò)強(qiáng)化學(xué)習(xí)激勵(lì)

，

無(wú)需監(jiān)督微調(diào)R1：基于已有模型DeepSeekV3o1：

閉源

，ChatGPTPlus會(huì)員才

可訪問(wèn)o1及o1minio1：監(jiān)督微調(diào)和強(qiáng)化學(xué)習(xí)結(jié)合o1：不同于GPT-4o的新模型

。

DeepSeekR1與OpenAIo1的三大區(qū)別。從軟件工程數(shù)據(jù)、

強(qiáng)化學(xué)習(xí)的異步評(píng)估入手

，縮短評(píng)估時(shí)長(zhǎng)

，保障強(qiáng)

化學(xué)習(xí)過(guò)程的效率

。

R1的四大進(jìn)化方向

。R1在一些復(fù)雜任務(wù)上的表現(xiàn)不如V3，未來(lái)可以通過(guò)長(zhǎng)鏈推理來(lái)提升優(yōu)化R1處理中英文以外語(yǔ)言的能力，避免現(xiàn)在的語(yǔ)言混合問(wèn)題R1對(duì)提示很敏感

，少量示例提示會(huì)降低性能語(yǔ)言混合軟件工程任務(wù)通用能力提示工程附：DeepSeek產(chǎn)品家族全梳理

圖表來(lái)源：

國(guó)海證券圖注：

51CTO企業(yè)學(xué)堂推出的企業(yè)DeepSeek體系化學(xué)習(xí)方案更多DeepSeek及AI學(xué)習(xí)資源51CTO官網(wǎng)AI.x專區(qū)

，獲取DeepSeek及AI最新資訊、

實(shí)戰(zhàn)文章、實(shí)用資源及AI