DeepSeek是什么软件有什么作用？一份实战入门指南

2024年12月26日，DeepSeek-V3 技术报告公开那天，我们内部群里有人把训练成本那行数字截图出来，第一反应是"小数点是不是点错了"——557.6 万美元。一个月后，DeepSeek App 在美区 App Store 免费榜登顶，英伟达当天股价跌了约 17%。

也就是从那时候起，"deepseek是什么软件有什么作用"成了我被问得最多的问题。但大多数回答要么停在"国产大模型真争气"，要么甩一堆基准测试分数。这篇我想换个写法：先把它的三层身份拆开，再说说我过去一年拿它做了哪些事、哪几件让我失望。

核心结论摘要：DeepSeek 是深度求索公司开发的 AI 大模型系列及配套应用，作用是提供文本生成、代码编写、数学推理、数据分析等通用 AI 能力；它以网页版/App（免费）、API（按量付费）、开源权重（MIT 许可）三种形态交付，这也是它和多数闭源商业模型最根本的区别。

DeepSeek 是什么软件？先把公司、模型、产品三层拆开

很多人一上来就把 DeepSeek 理解成"一个聊天 App"，这是后面所有误解的源头。它其实是三层结构套在一起。

最底层是公司。 杭州深度求索人工智能基础技术研究有限公司，2023 年 7 月成立，由量化基金幻方量化孵化，创始人梁文锋。这个出身挺关键——量化团队对 GPU 集群调度和成本控制有天然的肌肉记忆，后来它能把推理价格压到那个位置，我觉得和基因有关，不是运气。

中间层是模型家族。 这层才是一般人说的"DeepSeek"。

| 模型 | 发布时间 | 参数规模 | 主要用途 | 权重许可 | | --- | --- | --- | --- | --- | | DeepSeek-V3 | 2024.12.26 | 671B 总参 / 37B 激活 | 通用对话、写作、代码 | MIT | | DeepSeek-R1 | 2025.01.20 | 671B 总参 / 37B 激活 | 数学、逻辑、复杂推理 | MIT | | R1-Distill-Qwen 系列 | 2025.01.20 | 1.5B / 7B / 14B / 32B | 端侧与本地推理 | MIT | | R1-Distill-Llama-70B | 2025.01.20 | 70B | 本地推理 | MIT |

最上层是产品形态。 网页版 chat.deepseek.com、手机 App、开放平台 API，以及 Hugging Face 上那堆可以直接下载的权重文件。同一套模型，四个入口，服务的是完全不同的人群。

顺便说一句，DeepSeek 也有多模态方向的研究（比如 DeepSeek-VL 系列），但目前大众能直接用到的主力产品还是纯文本路线，别被某些标题党文章带跑。

它凭什么便宜：MoE、MLA、FP8 和 GRPO 四件事

DeepSeek 出圈的核心不是"能力最强"，而是"性价比离谱"。这个性价比不是靠补贴烧出来的，是四个技术选择叠出来的。

第一，DeepSeekMoE 的细粒度专家设计。 V3 总参数 671B，但每次推理只激活 37B 左右。你可以把它想象成一个超大的专家库，每次来问题只叫几个最相关的专家进门，剩下的在门口待着。它还用了一种"无辅助损失的负载均衡"策略来防止专家冷热不均——传统的辅助损失会拖累主任务表现，DeepSeek 换了个偏置项调节的思路。

第二，MLA 多头潜在注意力。 这项技术在 V2 时期就引入了，核心是把 KV Cache 压缩到低维潜空间。长上下文推理时显存占用能降一大截，这是"大模型推理"成本能压下来的关键一步。

第三，FP8 混合精度训练 + DualPipe 流水线并行。 官方技术报告（arXiv:2412.19437）里写得很清楚：最终训练 run 用了 2048 张 H800、278.8 万 GPU 小时，按每 GPU 小时 2 美元折算约 557.6 万美元。

这里我必须提醒一句，很多媒体把这个数字误读了——它只统计了最终那次成功训练，不包括前期架构消融实验、数据清洗、失败重跑和人力成本。拿它去和 GPT-4 那类"总投入"数字直接对比，是不严谨的。

第四，GRPO 强化学习。 这个方法最早出现在 DeepSeekMath 论文里，到 R1（arXiv:2501.12948）被推到了台前。R1-Zero 版本完全不依赖监督微调冷启动，纯靠强化学习就让模型自己"长出"了长链条推理能力。坦白讲，第一次看到 R1-Zero 的训练曲线时我是不太信的——不教它怎么推理，只给答案对错做奖励，它自己学会了自我检查，这在工程上挺反直觉。

带来的直接结果：R1 在 AIME 2024 上 pass@1 达到 79.8%，MATH-500 为 97.3%，Codeforces 评分 2029。这些数字来自 R1 官方技术报告，不是第三方转述。

我拿它做了四件事，哪两件惊喜、哪两件翻车

技术参数看多了会麻木，还是讲实际体验。

惊喜一：代码审查和重构。 我有个跑了三年的数据处理脚本，嵌套四层还带隐式全局状态。把代码丢给 V3 让它找并发安全问题，它列了三条，其中一条（多进程写同一个临时文件）是我自己都没意识到的。这类"看着不像 bug 的 bug"，它抓得比我同事准。

惊喜二：R1 处理需要绕弯的逻辑题。 我们做过一次对比，同一道带陷阱的概率题，V3 直接给答案，错；R1 输出了近 1800 个 token 的推理过程，中间还自己写了句"等一下，这里要考虑条件独立性问题"，然后推翻重来，最后对了。这种"想久了真能想明白"的体验，是它和普通对话模型最直观的区别。

翻车一：写中文长文时存在"正确但空洞"的毛病。 让它写产品文档，结构永远工整，但读完记不住任何一句。我后来发现得逼它先给具体例子再抽象，不然它默认走概括路线。

翻车二：事实性幻觉。 Vectara 的 HHEM 幻觉测试里，R1 的幻觉率约 14.3%，在主流模型里算偏高的。我自己踩过的坑是让它查某个库的函数签名，它编了一个看起来完全合理的参数名。所以任何涉及 API 细节、法律条款、医疗建议的输出，我现在一律回官方文档核对。

三种接入方式怎么选？网页、API、本地部署实操

| 方式 | 成本 | 数据是否出本地 | 上手门槛 | 适合谁 | | --- | --- | --- | --- | --- | | 网页版 / App | 免费 | 否 | 零 | 个人日常问答、写作 | | 开放平台 API | 按 token 计费 | 否 | 需要写代码 | 接入自有产品、批量处理 | | 本地部署开源权重 | 显卡电费 | 是 | 中高 | 隐私敏感、内网环境 |

API 这块，DeepSeek 兼容 OpenAI 的接口协议，改个 base_url 就能跑，迁移成本几乎为零：

使用 OpenAI 官方 SDK 调用 DeepSeek，接口完全兼容

from openai import OpenAI

client = OpenAI( api_key="你的 DeepSeek API Key", # 在 platform.deepseek.com 申请 base_url="https://api.deepseek.com" )

resp = client.chat.completions.create( model="deepseek-chat", # 通用任务用 deepseek-chat；推理任务换成 deepseek-reasoner messages=[ {"role": "system", "content": "你是一位严谨的代码审查助手"}, {"role": "user", "content": "帮我看看这段 Python 的并发安全问题"} ], stream=False ) print(resp.choices[0].message.content)

本地部署我更推荐从蒸馏版起步，8B 那个版本一张消费级显卡就能跑：

拉取并运行 R1 蒸馏版（8B），适合本地快速验证

ollama run deepseek-r1:8b

想做生产级部署，vLLM 和 SGLang 对 DeepSeek 系列的支持都不错。挑推理框架时可以对照 VergeX AI工具导航 里的分类，比自己在 GitHub 上瞎翻快得多。另外，MoE 架构的调度策略演进我们也单独整理过，在大模型架构专题里，想深挖 MLA 细节的可以顺着看。

局限、坑，以及 DeepSeek 是什么软件有什么作用的真实答案

先说几个明确的边界，免得你踩坑。

上下文长度。 官方 API 目前给到 64K，处理整本书级别的材料会不够用，需要自己做分块和检索。

高峰期限流。 2025 年初那波流量高峰，网页版频繁提示"服务器繁忙"，付费 API 相对稳定但也会排队。如果是生产环境，务必做降级预案。

知识截止时间。 模型不是实时联网的，问最新事件默认不知道，得手动开启联网搜索。

它不适合做什么。 需要严格事实准确性的法律意见、医疗诊断、财务审计结论——这些场景下 LLM 只能当辅助，不能当决策者，幻觉率那 14% 就是悬在头上的刀。

所以回到那个问题：deepseek是什么软件有什么作用？ 我的答案是——它是一套开源、低成本、推理能力扎实的通用 AI 能力供给，作用是把你从信息整理、代码琐事、逻辑推演这类重复劳动里捞出来。它不是一个更聪明的搜索引擎，也不是能替你负责的专家。

如果你刚开始接触，我建议这个顺序：先网页版用两周，摸清它在哪些任务上靠得住；然后拿 API 写一个小脚本，把它塞进你现有的工作流；最后再考虑本地部署。别一上来就折腾 671B 权重，那玩意儿不是给个人开发者准备的。

关键要点速览

• DeepSeek 是"公司 + 模型家族 + 多种产品形态"的三层结构，不是单一 App
• V3 走通用路线，R1 走推理路线，两者都是 671B 总参 / 37B 激活的 MoE 架构
• 低成本来自 MoE 稀疏激活、MLA 注意力压缩、FP8 训练和 GRPO 强化学习
• 557.6 万美元只是最终训练 run 的 GPU 租用成本，不含研发与数据投入
• MIT 许可意味着权重可商用，这是它和闭源模型最本质的差别
• R1 幻觉率约 14.3%，事实性任务必须人工复核

相关推荐

继续深挖专题：想系统理解国内外大模型的技术路线差异，可以翻我们的大模型技术专题，从 Transformer 基础到 MoE 调度都有覆盖。

找趁手的工具：VergeX AI工具导航 里按"模型推理""本地部署""AI 编程"分了类，收录了 vLLM、SGLang、Ollama 等一批可落地的工具，省去你逐个试错的时间。

订阅更新：大模型这一年的迭代速度大家都看到了，我们每周会整理一次值得关注的开源模型与论文动态，可以通过站内邮件订阅或关注公众号获取推送。