Deepseek 的创新
- 开源模型
- MLA ：通过低秩健值联合压缩的注意力机制。显著减小kv缓存的同时提高计算效率。
- MOE：Deepseek-MoE
V3使用了61个MoE( Mix of Expert 混合专家)block,虽然总参数量很大，但每次训练或推理时只激活了很少的链路，训练成本大大降低，推理速度显著提高。
MoE 类比医院的分诊台，在过去所有病人都要找全科医生，效率低。 - 混合精度框架
使用了FP8数据格式，但为了简化说明，只展示了线性算子(Linear Operator)的部分
在不同区块里使用不同的精度来存储数据。我们知道精度高，占用内存多，运算复杂度大。Deepseek 在一些不需要高精度的模块，使用很低的精度FP8存储数据。 - 名称规则：Qwen3-Coder-480B-A35B-Instruct
- 480B 完整尺寸的模型参数大小
- A35B ，激活的参数数量是35B
Q : 为什么Deepseek 计算速度快，成本低？
- 架构设计方面
- DeepSeek MoE 架构：在推理时仅激活部分专家，避免了激活所有参数带来的计算资源浪费
- MLA 架构：MLA通过降秩kv 矩阵，减少了显存消耗。
- 训练策略方面
- 多token 预测（MTP）目标：在训练过程中采用了多token预测目标，即在每个位置上预测多个未来token,增加了训练信号的密度，提高了数据效率。
- 混合精度训练框架：在训练中，对于占据大量计算量的通用矩阵乘法（GEMM）操作，采用FP8精度执行。同时，通过细粒度量化策略和高精度累积过程，解决了低精度训练中出现的量化误差问题。
Q ： 为什么Deepseek-R1的推理能力强大？
- 强化学习驱动：DeepSeek-R1 通过大规模强化学习技术显著提升了推理能力。在数学、代码和自然语言
- 长链推理（CoT）技术：DeepSeek-R1采用长链推理技术，其思维链长度可达数万字，能够逐帧分解复杂问题，通过多步骤的逻辑推理来解决问题
