什么是DeepSeek
技术特点：
混合专家架构（MoE）：如 DeepSeek-V3 采用此架构，总参数达 6710 亿，每个输入只激活 370 亿参数，通过动态冗余策略，降低计算成本并保持高性能。
多头潜在注意力（MLA）：引入该机制，通过低秩联合压缩机制，减少内存占用。
多 Token 预测（MTP）：采用多 Token 预测目标，可用于推理加速。
FP8 混合精度训练：设计了 FP8 混合精度训练框架，验证了在极大规模模型上进行 FP8 训练的可行性和有效性。
知识蒸馏：如 DeepSeek-R1 通过知识蒸馏，将长链推理模型的推理能力蒸馏到标准 LLM 中，提升推理性能。
模型版本：
DeepSeek-V3：2024 年 12 月发布，训练成本仅为 557.6 万美元，在聊天机器人竞技场（Chatbot Arena）上排名第七，在开源模型中排名第一。
DeepSeek-R1：2025 年 1 月发布，性能与 OpenAI 的 o1 正式版持平并开源，在 Chatbot Arena 综合榜单上排名第三。
Janus-Pro：2025 年 1 月 28 日发布，有 7B 和 1.5B 两个参数量版本且均开源，在多模态理解和文本到图像的指令跟踪功能方面有重大进步。
核心优势：
多模态理解能力强：集成视觉 - 语言联合表征框架，支持图文混合输入解析，在医疗影像分析等场景识别准确率达 98.7%。
推理速度快：采用自研的 Dual - Chain Reasoning 技术，相较传统模型推理速度提升 3 倍，能耗降低 40%。
领域自适应好：通过 MoE 架构实现参数动态激活，在金融风控场景的误报率较传统模型降低 62%。
训练效率高：采用 3D 并行训练策略，千亿参数模型训练时间从行业平均 6 个月缩短至 45 天。
应用领域：
自然语言处理：可用于智能客服、内容创作、信息检索等领域，能进行文本生成、翻译、摘要等任务。
代码生成与调试：支持多种编程语言，帮助程序员提高工作效率，可完成代码生成、调试和数据分析等任务。
多模态任务：如 Janus - Pro 模型可进行文生图、图生文等操作，在图像生成、图像理解等方面有应用潜力。
开源策略：DeepSeek 采用完全开源策略，将模型权重、训练框架及数据管道全部开源，采用 MIT 许可证，允许用户自由使用、修改和商业化，吸引了大量开发者和研究人员参与，推动了 AI 技术的发展和应用。
