【湖南大学（陈果）】2025年我们该如何看待DeepSeek——what,_how,_why,_and_next_82页_4mb

DeepSeek 总结

核心内容

DeepSeek 是一个新兴的大语言模型（LLM），它在多个方面展现了显著的优势，尤其是在推理能力、价格竞争力和开源特性上。DeepSeek-R1 是首个展示思维链过程的推理模型，其在数学、代码和逻辑等领域表现突出。同时，DeepSeek 以较低的成本提供服务，使得大模型技术更易于普及和使用。此外，DeepSeek 是首个开源的推理模型，允许用户下载和本地使用，增强了自主性和灵活性。

主要观点

• DeepSeek 的优势：DeepSeek-R1 在推理能力上有了显著提升，能够进行更复杂的逻辑推理和问题解决。其价格优势明显，使得大模型技术不再是“菁英游戏”，而是“人民战争”。
• 开源与本地化：DeepSeek 是首个开源的推理模型，用户可以下载并本地部署，无需依赖外部服务，增强了数据安全性和使用便利性。
• 技术发展：DeepSeek 在模型设计上采用了 Transformer 架构，并结合了多头注意力机制（MHA）和 Grouped-Query Attention（GQA）等技术，提高了模型的性能和效率。

关键信息

• 价格优势：DeepSeek 的价格显著低于 OpenAI 的 GPT-4 Turbo 和 o1 模型，例如，每百万 token 输入价格为 0.07 美元，输出价格为 1.10 美元，相比 OpenAI 的 2.5 美元和 10 美元，更具竞争力。
• 模型性能：DeepSeek-R1 和 V3 模型的参数规模分别为 671B 和 1.5T，其性能在多个领域领先。
• 应用场景：DeepSeek 支持多种应用场景，包括智能对话、文本生成、语义理解、计算推理、代码生成等，同时支持联网搜索和文件上传，增强了其功能的多样性和实用性。
• 生态与未来发展：DeepSeek 的开源和本地化部署为 AI 生态系统的爆发奠定了基础，未来需要关注模型的生态建设、技术发展和应用场景的拓展。

使用方法

• 普通调用：通过 API 调用 DeepSeek 服务，使用其预训练的数据进行推理。
• RAG（检索增强生成）：结合外部数据（如文件和网络搜索）进行推理，提高模型的实时性和准确性。
• 本地部署：用户可以下载 DeepSeek 模型并在本地进行部署，提高数据安全性和使用灵活性。

原理与技术

• Transformer 架构：DeepSeek 基于 Transformer 架构，采用多头注意力机制和 Grouped-Query Attention 技术，提高模型的性能和效率。
• 训练与推理：通过大规模数据预训练和后训练对齐，优化模型的性能和准确性。DeepSeek 在训练过程中使用了严谨的 scaling law 研究，挑战了传统模型的训练方法。

下一步关注点

• 生态爆发：随着 DeepSeek 的普及，AI 生态系统将迎来爆发式增长，需关注模型的生态建设、技术发展和应用场景的拓展。
• 技术进展：未来需关注 DeepSeek 在多模态数据处理、更复杂的推理任务和更广泛的领域应用等方面的技术进展。
• 行业应用：DeepSeek 的开源和本地化部署将推动其在各个行业的应用，包括教育、科研、商业等。

术语概念

• Prompt：用户输入给模型的内容。
• Token：模型处理的最小单位，约等于单词。
• 上下文长度：模型处理的输入长度，影响其推理能力。
• 训练：将大量数据内嵌到模型中，使其具备一定的知识。
• 推理：模型生成输出内容的过程。
• 推理（reasoning）：模型将大问题拆解为多步，进行逐步推导。

模型发展历程

• 2023年7月：DeepSeek 公司成立，致力于 AGI。
• 2023年11月：开源 DeepSeek LLM 7B 和 67B 模型，包括 base 和 chat 版本。
• 2024年5月：进一步开源 DeepSeek-R1，支持更复杂的推理任务。

未来展望

• 技术挑战：DeepSeek 需要用户具备一定的问题拆解和信息整合能力，同时需注意其可能的错误和局限性。
• 生态建设：随着 DeepSeek 的普及，AI 生态系统将快速发展，需关注模型的生态建设、技术发展和应用场景的拓展。
• 行业应用：DeepSeek 的开源和本地化部署将推动其在各个行业的应用，包括教育、科研、商业等。

总结

DeepSeek 作为一款新兴的大语言模型，展现了显著的技术优势和价格竞争力。其开源和本地化部署使得大模型技术更加普及和实用。未来，DeepSeek 的生态建设和技术发展将是关注的重点，同时需注意其局限性和使用方法，以充分发挥其潜力。