DeepSeek完全实用手册V1.5-技术原理·使用技巧·部署进展

一、DeepSeekV3模型更新

• DeepSeek-V3-0324模型开源发布，主要改进后训练方法，参数量约660B，上下文长度为128K（网页端、App和API提供64K）。
• 更新主要体现于：推理能力提升（数学、代码类相关评测集上取得超过GPT-4.5的成绩）、前端开发能力增强、中文写作升级、中文搜索能力优化。
• V3模型采用混合专家架构（MoE），支持多任务处理，在代码生成、数学推理等场景表现优异。
• R1模型是基于强化学习训练的推理模型，专注于代码生成和复杂数学问题解决，推理能力可通过蒸馏技术迁移至小型模型。

二、DeepSeek部署进展

• DeepSeek模型在我国地方政府、央企、四大直辖市国企以及智能终端的部署情况持续进展。
• 地方政府部署主要集中在智能问答、公文起草、政务服务、知识库、政策咨询、智能客服、12345热线等方面。
• 央企部署主要集中在办公、能源、制造、通信、航运等多领域，应用场景涵盖智能问答、知识库、场景应用、智能决策、数据挖掘、智慧运维等方面。
• 四大直辖市国企40+企业已全面部署DeepSeek模型，应用涵盖生产制造、金融创新、智能汽车、交通运营、水务管理等多个领域。
• 智能终端部署主要集中在语音交互、智能问答、AI助手、智能座舱等方面，已应用于多款智能手机、AI PC、智能家电和智能汽车产品。

三、DeepSeek技术路线解析

• DeepSeekR1模型训练流程：以V3模型作为基座模型训练，通过冷启动生成推理数据，利用推理数据和SFT数据进行强化学习和SFT等训练过程，最终得到R1模型。
• 成本相关技术：V3和R1模型前馈神经网络均采用混合专家（MoE）架构，每个MoE层包含1个共享专家和256个路由专家；引入多头潜在注意力MLA，减少推理过程中的键值缓存（KV cache），从而降低推理时的内存占用；采用多词元预测训练MTP和FP8混合精度训练方法，降低训练成本和存储占用。
• 性能相关技术：DeepSeek提出群体相对策略优化（GRPO），对PPO改良，提高计算效率，降低内存占用。
• 开源级别：DeepSeek属于大模型开源级别，完全公开模型权重、训练数据、代码等，并支持社区协议。

四、DeepSeek调用与部署

• DeepSeekR1模型可通过云端调用和本地部署的方式使用。
• 云端调用：可通过官方API或第三方API直接调用DeepSeek R1模型服务并接入业务中，或可在云平台上创建、部署、微调模型，再通过API连接模型调用。
• 本地部署：需下载DeepSeekR1满血版或蒸馏版本模型，通过Ollama、vLLM等工具启动模型，并借助可视化界面工具与用户交互。

五、如何使用DeepSeek

• DeepSeek的使用可划分为独立使用和工具组合使用两大范式。
• 独立使用：通过自然语言对话获取核心服务，典型场景包括文本创作、信息咨询、知识推理等。
• 工具组合：基于文本指令驱动的工具生态协同，实现“DeepSeek+”创新工作流，典型组合形态包括办公增效、创意设计、AI音视频、编程辅助等。
• 提示工程：通过优化输入指令（提示词），引导AI模型生成更精准、高质量的输出。

六、趋势判断

• 开源模型将推动AI应用生态的加速繁荣，大幅降低传统企业与创业者接入AI的成本与门槛。
• AI技术深入演进，推理模型或将成为主流形态，在精准度与成功率方面表现突出，且输出方式更具可解释性。
• 每项业务都需要接入至少一种AI模型，每位工作者都需要能跑端侧AI的个人电脑，每个公司都需建设能支撑AI工作流的AI算力平台。
• “Agent+协议”可能是企业应用的新范式，Agent将自主规划任务步骤、调用合适工具、判断完成情况，任务执行过程需要少量甚至无需人类参与。