国内AI公司DeepSeek发布了其最新开源大语言模型 DeepSeek-V3。作为一款基于自研架构的超大规模开源模型，V3的表现不仅在国内开源领域中处于领先地位，还在部分任务上接近国际顶尖闭源模型（如GPT-4o和Claude-3.5-Sonnet）。
模型特点：参数规模与架构设计
DeepSeek-V3采用了 混合专家（MoE）架构，拥有 6710亿参数，但在推理时只激活 370亿参数。这一设计在保证模型性能的同时，显著提升了计算效率。相比之下，其前代产品DeepSeek-V2拥有2360亿总参数，激活参数为21亿，V3在规模和性能上均有较大提升。
这样的架构设计，使得V3能够在高效运行的同时，保持对复杂任务的良好适应能力。
性能表现：稳步接近闭源模型
根据DeepSeek的测试，DeepSeek-V3在多项基准任务中表现优异，尤其是在中文任务、数学推理和代码生成等领域。在数学测试（MATH 500）中，V3的得分为90.2%，在编程相关的Codeforces和SWE测试中也取得了较高成绩。
在与开源模型（如Llama-3.1和Qwen 2.5）对比中，V3展现了明显优势；而在与国际主流闭源模型（如GPT-4o、Claude-3.5）对比时，V3虽然在部分任务上仍有差距，但整体表现已相当接近，尤其是在中文语言领域中具有竞争力。
速度提升：推理效率显著增强
DeepSeek-V3在推理速度上也有较大进步。生成速度从前代产品的 20 TPS（每秒生成20个token） 提升至 60 TPS，达到了前代的三倍。这一改进为开发者和用户提供了更高效的使用体验，特别是在需要生成长文本或快速响应的场景中表现突出。
开源与API服务：强调普惠性
DeepSeek-V3已在GitHub上同步开源，用户可以直接访问相关代码并进行本地测试。同时，DeepSeek提供了API服务，定价如下：
输入tokens：缓存命中 0.5元/百万，缓存未命中 2元/百万
输出tokens：8元/百万
DeepSeek还为新API服务设定了 45天优惠体验期，以帮助用户在低成本下体验和测试新模型。
训练过程：成本控制与技术优化并行
在训练DeepSeek-V3时，团队采用了 FP8混合精度训练 等技术优化手段。在硬件资源方面，训练使用了总计 2000块H800 GPU，训练数据量达到 14.8万亿tokens。整个训练过程耗时278.8万GPU小时，成本约为 557万美元。
与国际其他超大规模模型相比（如GPT-4动辄数亿美元的训练成本），DeepSeek-V3在训练成本上的控制较为突出。
社区反响：褒贬不一
DeepSeek-V3的发布在社区内引发了较多讨论。一方面，其性能和开源的透明性受到肯定，部分开发者认为它进一步缩小了国内开源AI与国际顶尖水平之间的差距；另一方面，也有用户对API接口的调整提出了质疑，认为接口变化在短期内增加了适配成本。
未来计划：迈向通用人工智能（AGI）
DeepSeek表示，V3的发布是公司发展中的一个重要阶段，未来计划在以下方向继续探索：
突破Transformer架构限制：开发支持更大上下文长度的模型，进一步提升模型的推理能力和适用场景。
逐步迈向通用人工智能（AGI）：以开源为核心，推动AI模型在多领域的泛化能力。
