DeepSeek开发的AI 大模型 （属于大语言模型、代码模型、视觉语言模型等）
1. DeepSeek R1
• 介绍：2025 年发布的强化学习驱动的推理专用模型，主打数学、编程竞赛等复杂逻辑任务，性能对标 OpenAI o1。
• 核心原理： ◦ 基于 6710 亿参数的 MoE（混合专家）架构，仅激活 370 亿参数降低计算成本； ◦ 用强化学习（GRPO 算法）替代传统海量数据训练，搭配 “智能训练场” 自主学习推理方法； ◦ 通过蒸馏技术把大模型能力迁移到 1.5B~70B 的轻量模型。
• 用途：数学竞赛（AIME）、编程竞赛（Codeforces）、逻辑证明、科研级高精度计算（如气候建模）。
2. DeepSeek V3 / V2
介绍：通用大语言模型的迭代版本，V3 是目前最大的开源 MoE 模型（6710 亿参数）。
核心原理：
采用 MoE 架构 +多头潜在注意力（MLA），把 KV 缓存压缩 93.3%，支持 128K 长上下文；
V3 新增 “多 Token 预测” 技术，生成速度提升 2 倍（从 20TPS 到 60TPS）。
用途：
通用语言任务（对话、写作、翻译）；
长文本处理（文档分析、论文总结）；
企业级内容生成（营销文案、报告）。
3. DeepSeek Coder V2 / Coder
• 介绍：开源代码专用模型，V2 以 21B 活跃参数实现 236B 模型的性能，是目前顶级的开源代码 AI。
• 核心原理： ◦ MoE 架构 + 6 万亿代码数据预训练； ◦ 支持 338 种编程语言 + 128K 上下文（能加载整个代码库）。
• 用途： ◦ 代码生成、补全、修复（覆盖 Python/Java/C++ 等）； ◦ 跨语言代码迁移（如 VB6 转 C#）； ◦ 智能合约（Solidity）、AI 模型部署（TensorFlow）等垂直场景。
4. DeepSeek VL
介绍：视觉 - 语言多模态模型，能同时理解图像和文字。
核心原理：
ViT 视觉编码器 + 文本解码器，通过对比学习实现 “图像 - 语言语义对齐”；
用 MoE 架构（16 个专家激活 4 个）降低 60% 计算量。
用途：
图文描述、视觉问答（VQA）；
多图像对比分析（如产品外观 / 医学影像差异）；
文档图表理解、流程图生成代码。
5. DeepSeek Math
介绍：数学专用模型，是 DeepSeek Coder/V2 的衍生方向之一。
核心原理：在代码模型基础上，强化数学推理数据训练 + 长链思维（CoT）优化。
用途：数学题求解（GSM8K/MATH 基准）、公式推导、理工科计算辅助。
6. DeepSeek LLM
介绍：DeepSeek 的初代大语言模型（670 亿参数），是后续模型的基础。
核心原理：Transformer 架构 +分组查询注意力（GQA），降低推理成本。
用途：基础语言任务（对话、简单写作）、双语内容生成（中英文）。
补充 1：DeepSeek V2（单独型号）
介绍：是 DeepSeek V3 的前代通用大语言模型，属于早期开源的主力基础模型（70B 参数单专家版本）。
核心原理：基于 Transformer 架构 + 分组查询注意力（GQA），原生支持 8K 上下文（后续通过扩展技术升级到 32K），推理成本比 V3 低 30%。
用途：适合中小团队 / 个人的轻量部署场景，比如基础对话机器人、短文本创作、简单文档摘要等。
补充 2：DeepSeek Coder（初代）
介绍：是 DeepSeek Coder V2 的前代代码专用模型，分为 6.7B/33B 参数两个版本，是早期开源代码模型中的性能标杆之一。
核心原理：用 2 万亿代码数据预训练（覆盖 200 + 编程语言），基于 Transformer 架构 + 单专家模式，上下文长度支持 64K。
用途：适合个人开发者的日常场景，比如简单脚本生成、代码片段补全、基础语法纠错等，部署资源要求比 V2 低。
