deepseek 是中国的一家人工智能与大型语言模型公司
介绍
Deepseek-V3
通用模型，高效便捷，适用于绝大多数规范性任务
- Deepseek-V3-0324 2025-03-25 发布，新版 V3 模型借鉴 DeepSeek-R1 模型训练过程中所使用的强化学习技术，大幅提高了在推理类任务上的表现水平，在数学、代码类相关评测集上取得了超过
GPT-4.5 的得分成绩
- DeepSeek-V3-0324 与之前的 DeepSeek-V3 使用同样的 base 模型，仅改进了后训练方法。私有化部署时只需要更新 checkpoint 和 tokenizer_config.json（tool calls 相关变动）。模型参数约 660B，开源版本上下文长度为 128K（网页端、App 和 API 提供 64K 上下文）
- 新版 V3 模型在
工具调用（function calling，DeepSeek-V3内置实现，无需借助其他任何Agent开发工具或者MCP协议）、角色扮演、问答闲聊等方面也得到了一定幅度的能力提升
Deepseek-V3-0324 = Deepseek-v3 + Deepseek-R1创造的高质量合成数据训练- MIT License
- DeepSeek-V3 为自研 MoE 模型，671B 参数，激活 37B，在 14.8T token 上进行了预训练，在长文本、代码、数学、百科、中文 能力上表现优秀。
DeepSeek-R1
-
推理模型，复杂推理和深度分析任务，如数理逻辑推理和编程代码，开放性 任务
-
https://github.com/deepseek-ai/DeepSeek-R1 里面包括论文的 pdf 文档
-
DeepSeek-R1 在后训练阶段大规模使用了强化学习技术，在仅有极少标注数据的情况下，极大提升了模型推理能力。在数学、代码、自然语言推理等任务上，性能比肩 OpenAI o1 正式版
- 不适合、无法进行 Agent 开发（推理模型的通病，不适合进行 Agent 开发）
- 不支持 function calling 功能（参考）
- 上下文长度：API 最大支持 64K 上下文，输出的 reasoning_content 长度不计入 64K 上下文长度中
- 不支持的功能：Function Call、Json Output、FIM 补全 (Beta)
- 由于多次响应，R1 构建的智能体运行效率非常低
- R1 模型存在幻觉，会严重影响准确率
- 在每一轮对话过程中，模型会输出思维链内容（reasoning_content）和最终回答（content）
- MIT License
-
开源模型，详情参考
| Model |
#Total Params |
#Activated Params |
Context Length |
Download |
| DeepSeek-R1-Zero |
671B |
37B |
128K |
🤗 HuggingFace |
| DeepSeek-R1 |
671B |
37B |
128K |
🤗 HuggingFace |
- DeepSeek-R1-Distill Models
deepseek 接口
deepseek-chat 模型已全面升级为 DeepSeek-V3，接口不变deepseek-reasoner 是 DeepSeek 最新推出的推理模型 DeepSeek-R1
本地部署
F&Q
- 推理模型的通病，不适合进行 Agent 开发的解决方案
- 将推理模型和 Agent 开发性能兼具的新形态大模型，如
- Anthropic 的 Claude3.7（2025 年 2 月发布），是首款混合推理大模型，支持通过参数设置，在推理形态和对话形态中来回切换
- OpenAI 计划在 GPT-5 中实现上述功能的合并
- 上下文拼接：在每一轮对话过程中，模型会输出思维链内容（reasoning_content）和最终回答（content）。在下一轮对话中，之前轮输出的思维链内容不会被拼接到上下文中，转自
from openai import OpenAI
client = OpenAI(api_key="<DeepSeek API Key>", base_url="https://api.deepseek.com")
# Round 1
messages = [{"role": "user", "content": "9.11 and 9.8, which is greater?"}]
response = client.chat.completions.create(
model="deepseek-reasoner",
messages=messages
)
reasoning_content = response.choices[0].message.reasoning_content
content = response.choices[0].message.content
# Round 2
messages.append({'role': 'assistant', 'content': content})
messages.append({'role': 'user', 'content': "How many Rs are there in the word 'strawberry'?"})
response = client.chat.completions.create(
model="deepseek-reasoner",
messages=messages
)
# ...