人工智能资讯|别再买网课了！关于DeepSeek普通人懂这么多就够了！这是DeepSeek的极简入门！

数字化转型网（Professionalism Achieves Leadership 专业造就领导者）人工智能专题

与全球关注人工智能的顶尖精英一起学习！数字化转型网建立了一个专门讨论人工智能技术、产业、学术的研究学习社区，与各位研习社同学一起成长！欢迎扫码加入！

一、DeepSeek 的 LLM 推理创新方法

DeepSeek 提出了一种创新的方法，通过强化学习 (RL) 改进大型语言模型 (LLMs) 的推理能力，相关内容在他们近期发表的 DeepSeek-R1 相关论文中进行了详细介绍 [论文地址：https://github.com/deepseek-ai/DeepSeek-V3/blob/main/DeepSeek_V3.pdf]。这项研究标志着我们在如何通过纯强化学习增强 LLMs 解决复杂问题的能力方面取得了重大进展，而无需过度依赖监督微调。

二、DeepSeek-R1 技术概述

模型架构：

DeepSeek-R1 不是一个单一模型，而是一个模型家族，包括：DeepSeek-R1-Zero 和 DeepSeek-R1。

让我解释一下 DeepSeek-R1 和 DeepSeek-R1-Zero 之间的主要区别：

DeepSeek-R1-Zero 代表了该团队使用纯强化学习的初始实验，没有使用任何监督微调。他们从基础模型 (base model) 开始，直接应用强化学习，让模型通过反复试验试错来发展推理能力。尽管这种方法取得了令人印象深刻的结果（在 AIME 2024 上达到 71% 的准确率），但仍存在一些显著的局限性，特别是在可读性和语言一致性方面。该模型拥有 6710 亿个参数，采用混合专家（MoE）架构，在该架构中每个标记 (token) 激活的参数相当于 370 亿个。该模型展示了涌现的推理行为，例如自我验证、反思和长思维链 （CoT）推理。

相比之下，DeepSeek-R1 采用了一种更为复杂的多阶段训练方法。它并非单纯依靠强化学习，而是先在一小部分精心挑选的示例数据（称为“冷启动数据”）上进行监督微调，之后再应用强化学习。这种方法克服了DeepSeek-R1-Zero 的局限性，同时还实现了更好的性能。该模型同样保持了 6710 亿的参数量，但实现了更好的响应可读性和连贯性。

三、训练过程比较

训练方法：

强化学习：与主要依赖监督学习的传统模型不同，DeepSeek-R1 广泛使用强化学习（RL）。其训练采用群体相对策略优化（group relative policy optimization – GRPO），专注于准确性和格式奖励，以增强推理能力，而无需大量标记数据。

蒸馏技术：为了实现高性能模型的普及，DeepSeek 还发布了 R1 的蒸馏版本，其参数量从 1.5B 到 70B 不等。这些模型基于 Qwen 和 Llama 等架构，这表明复杂的推理可以封装在更小、更高效的模型中。蒸馏过程涉及使用由完整版 DeepSeek-R1 生成的推理数据对这些较小的模型进行微调，从而在降低计算成本的同时保持高性能。

DeepSeek-R1-Zero 的训练过程很直接：

• 从基础模型开始
• 直接应用强化学习
• 使用基于准确和格式的简单奖励

DeepSeek – R1 的训练过程有四个不同的阶段：

1. 使用数千个高质量示例进行初始监督微调
2. 针对推理任务进行强化学习
3. 通过拒绝采样收集新的训练数据
4. 在所有类型的任务上进行最终强化学习

性能指标：

推理基准测试：DeepSeek-R1 在各种基准测试中都显示出令人印象深刻的结果：

• AIME 2024：通过率为79.8%，相比之下，OpenAI o1-1217 的通过率为79.2%
• MATH-500：得分高达 97.3%，略高于OpenAI o1-1217 的 96.4%
• SWE-bench Verified：在编程任务中表现出色，展示了其编码熟练程度
• 成本效益：DeepSeek-R1 的 API 缓存命中价格为每百万个输入 token定价约 0.14 美元，这使其比 OpenAI 的 o1 等同类模型便宜得多

四、局限性与未来工作

论文承认有几个需要改进的方面：

• 该模型有时难以完成需要特定输出格式的任务
• 软件工程任务的性能还需要更多提升
• 在多语言环境中，存在语言混合方面的挑战
• 小样本提示（Few-shot prompting）总是会降低性能

未来的工作将侧重于解决这些局限性，并在函数调用、多轮交互和复杂角色扮演场景等领域扩展模型的能力。

五、部署与访问

开源和许可：DeepSeek-R1 及其变体在 MIT 许可下发布，促进开源协作和商业用途，包括模型蒸馏。这一举措对促进创新和降低人工智能模型开发的准入门槛至关重要。

模型格式：这两种模型及其蒸馏版本均提供 GGML、GGUF、GPTQ 和 HF 等格式，因此可以灵活地在本地部署。

1. 通过 DeepSeek 聊天平台进行网页访问：

DeepSeek Chat 平台提供了一个用户友好的界面，无需任何设置即可与 DeepSeek-R1 进行交互。

访问步骤：

1. 导航到 DeepSeek Chat 平台 → https://chat.deepseek.com/
2. 注册一个帐户，如果您已经有一个帐户，请登录
3. 登录后，选择 “深度思考”模式，体验 DeepSeek-R1 的分步推理能力

DeepSeek 聊天平台

2. 通过 DeepSeek API 访问：

对于编程和开发的需求，DeepSeek 提供了与 OpenAI 格式兼容的 API，允许集成到各种应用程序中。

使用 API 的步骤：

1. 获取 API 密钥：访问 DeepSeek API 平台，创建一个账户并生成您的唯一 API 密钥。→ https://platform.deepseek.com/api_keys
2. 配置您的环境：将 base_url 设置为 https://api.deepseek.com/v1
3. 使用 API 密钥进行身份验证，通常通过 HTTP 标头中的 Bearer Token
4. 进行 API 调用：利用 API 发送提示词并接收来自 DeepSeek-R1 的响应

详细的文档和示例可在 DeepSeek API Docs 中找到。→ https://api-docs.deepseek.com/

DeepSeek API 调用示例

3. 通过第三方平台 API 访问：

官方开放平台还处于无法充值状态。但是各主流云厂商和大模型供应商都陆续部署上线了各种规格的 DeepSeek 模型，并对外提供 API 服务。部分资源甚至免费中，可参见之前文章：无需充值!无需本地部署!DeepSeek官方API不可用之际发现隐藏在OpenRouter的最佳替代方案，亲测可白嫖！

4. 在本地运行 DeepSeek-R1：

R1 和 R1-Zero 两种模型：

硬件要求：由于模型参数量巨大的原因，完整模型部署需要大量的硬件。建议使用具有大量 VRAM 的 GPU（如 Nvidia RTX 3090 或更高版本）。要使用 CPU，至少需要 48 GB 的 RAM 和 250GB 的磁盘空间，但如果没有 GPU 加速，性能会很慢。

蒸馏模型：对于资源密集度较低的硬件的本地部署，DeepSeek 提供了蒸馏版本。这些参数范围从 1.5B 到 70B 不等，使其适用于硬件较适中的系统。例如，7B 模型可以在至少具有 6GB VRAM 的 GPU 上运行，也可以在具有约 4GB RAM 的 GGML/GGUF 格式的 CPU 上运行。

本地运行模型的软件工具：

Ollama

Ollama 是一种用于在计算机上本地运行开源 AI 模型的工具。在这里下载： https://ollama.com/download。可以使用 Ollama 在本地部署模型。

接下来，需要在本地 pull 并运行 DeepSeek R1 模型。

Ollama 提供不同大小的模型—基本上，更大的模型等于更智能的 AI，但需要更好的 GPU更多内存。

# 1.5B version (smallest):ollama run deepseek-r1:1.5b# 8B version:ollama run deepseek-r1:8b# 14B version:ollama run deepseek-r1:14b# 32B version:ollama run deepseek-r1:32b# 70B version (biggest/smartest):ollama run deepseek-r1:70b

要开始使用 DeepSeek-R1 进行试验，建议从较小的模型开始，以熟悉设置并确保与您的硬件兼容。可以通过打开终端并执行以下命令来启动此过程：

ollama run deepseek-r1:1.5b

通过 Ollama 向本地的 DeepSeek-R1 发送请求：

Ollama 提供了一个 API 端点，可以以编程方式与 DeepSeek-R1 交互。在发出 API 请求之前，请确保 Ollama 服务器在本地运行。可以通过运行以下命令来启动服务器：

ollama serve

服务器处于活动状态后，可以使用如下方式发送请求：

curl -X POST http://localhost:11434/api/generate -d "{\"model\": \"deepseek-r1:1.5b\",\"prompt\": \"1+1=\"}"

此命令向本地 Ollama 服务器发送 POST 请求，该服务器使用指定的 DeepSeek-R1 模型处理提示并返回生成的响应。

在本地运行/访问模型的其他方法：

vLLM/SGLang：用于在本地提供模型。使用命令可运行蒸馏版本模型。

vllm serve deepseek-ai/DeepSeek-R1-Distill-Qwen-32B — tensor-parallel-size 2 — max-model-len 32768 — enforce-eager

llama.cpp： 还可以使用 llama.cpp 在本地运行模型。

其他：lmstudio、Jan 等很多很多都支持… …

官方甚至整理了一个列表，关于集成了 DeepSeek 的流行软件，地址：

->https://github.com/deepseek-ai/awesome-deepseek-integration

花钱买提示词就更冤啦！！

DeepSeek 官方文档有门类很齐全的提示词库，普通人的日常使用绰绰有余。

地址：-> https://api-docs.deepseek.com/zh-cn/prompt-library

六、总结：

对于 DeepSeek，普通人懂这些就够了，别再买网课花冤枉钱啦！

声明：本文来自新技术观察，版权归作者所有。文章内容仅代表作者独立观点，不代表数字化转型网立场，转载目的在于传递更多信息。如有侵权，请联系我们。数字化转型网www.szhzxw.cn

本文由数字化转型网（www.szhzxw.cn）转载而成，来源于新技术观察；编辑/翻译：数字化转型网（Professionalism Achieves Leadership 专业造就领导者）默然。