报告由西北工业大学王鹏教授主讲，深度解读了DeepSeek的核心技术，涵盖模型特点、技术创新、应用段位、现存问题及未来展望我爱配资网，为理解当下AI发展提供关键视角。

1. DeepSeek概述：DeepSeek是首个低成本、高性能的开源大语言模型，性能可与GPT-4等顶尖闭源大模型相媲美，但其训练成本仅为后者的5%-10% 。它包含语言大模型DeepSeek-V3和推理大模型DeepSeek-R1等多个版本，各版本在性能和应用场景上有所差异，如DeepSeek-V3通用语言能力强，DeepSeek-R1推理能力出色。

2. 核心技术创新

学习策略创新：突破传统监督学习和强化学习的局限，在大模型后训练阶段用强化学习完全代替监督微调（R1-Zero）。采用GRPO算法，放弃对思维过程的监督，依赖简单反馈信号，减少学习循环次数，提升模型推理能力，还降低了数据标注成本，为LLM推理能力的自我进化开辟新路径。

模型结构创新：基于Transformer结构进行改进，引入混合专家结构（MOE）。将前向计算网络分割成多个小网络，通过动态激活部分专家，提升计算效率。DeepSeekMOE进一步细化专家分割，发挥MOE计算优势，同时解决了负载均衡和通信路由等问题。

工程实现创新：结合计算硬件进行优化，采用FP8混合精度训练，在保证精度的同时提升训练速度30%；运用4D并行策略和通信计算重叠技术的分布式训练优化，将万亿Token训练时间压缩至3.7天；实施预填充与解码阶段分离，结合余专家动态路由的推理部署分离策略，实现高吞吐量与低延迟的在线服务。

3. 应用段位与实践：使用DeepSeek可分为不同段位。青铜段位主要通过直接问答和提示工程掌握基础应用；白银段位将LLM作为Agent，连接其他软件系统扩展功能；星耀段位进行后训练，提高模型泛化能力；王者段位则需掌握预训练与后训练全过程，优化模型在复杂场景下的表现。

4. 思考与展望：DeepSeek的出现引发西方市场恐慌，因其降低成本，扩大了市场需求，但目前其多项核心技术仍基于Nvidia平台开发，国产硬件对FP8训练的支持情况有待观察。同时，DeepSeek部署热潮中，多数用户停留在基础段位，高校AI科研应更注重高效模型训练和任务优化。此外，大模型存在幻觉消除和模型压缩等问题，未来多模态大模型与具身智能将是重要发展方向，能处理多源信息，让机器人在复杂环境中自主学习和决策。

免责声明：我们尊重知识产权、数据隐私，只做内容的收集、整理及分享，报告内容来源于网络,报告版权归原撰写发布机构所有我爱配资网，通过公开合法渠道获得，如涉及侵权，请及时联系我们删除，如对报告内容存疑，请与撰写、发布机构联系

• 我爱配资网