本次主要分享DeepSeek从技术原理到使用技巧内容，这里展示一些基本内容，后面附上详细PDF下载链接。
DeepSeek基本介绍
DeepSeek公司和模型的基本简介，以及DeepSeek高性能低成本获得业界的高度认可的原因。
DeepSeek技术路线解析
-
DeepSeek V3和R1模型前馈神经网络均采用混合专家（ MoE ）架构。每个MoE层包含1个共享专家和256个路由专家组成，在运行时每个词元（token）只激活8个路由专家。
-
MLA 的核心是对注意力键和值进行低秩联合压缩，减少推理过程中的 a 键值缓存（KV cache），从而降低推理时的内存占用。
-
多词元预测训练(MTP)是指，在训练过程中，模型不仅预测下一个词元，同时预测多个未来的词元。这种方法通过在共享模型主干上增加多个
独立的输出头来实现，并且不增加训练时间和内存消耗。
-
FP8混合精度训练，DeepSeek采用了混合精度框架，使用细粒度量化策略、低精度优化器状态等方法以实现增强精度、低精度存储和通信，同时DeepSeek向硬件厂商也提出了硬件设计的相关建议。
-
DeepSeek提出组相对策略优化（ GRPO ），对PPO改良，提高计算效率，降低内存占用。
DeepSeek的调用与部署
-
云端调用，介绍了各大平台，以及调用的成本。
-
目前本地部署的成本以及一些可提供部署DeepSeek一体机的厂家汇总。
如何使用DeepSeek
主要有两种使用范式：独立使用和工具组合使用
开源模型将推动 AI 应用生态的加速繁荣，大幅降低传统企业与创业者接入 AI 的成本与门槛。AI 技术深入演进，推理模型或将成为主流形态。
完整PDF获取方式：
DeepSeek完全实用手册V1.0 - 至顶AI实验室.pdf
链接: https://pan.baidu.com/s/1mDZrGPX88JjF9WsMAx0sjQ?pwd=aiai
提取码: aiai
本文转自码客人生：https://mp.weixin.qq.com/s/1TIkH-ssgtMTDgd-EHJ5bA
