DeepSeek

DeepSeek 模型全景介绍与使用指南

一、 DeepSeek 核心模型矩阵

1. 旗舰通用与推理系列 (当前主力)

这是目前 DeepSeek 性能最强、关注度最高的系列，代表了开源模型的最高水平。

• DeepSeek-R1 系列 (2025年1月发布)
  • 定位：专注于强化推理能力 (Reasoning) 的模型，具备类似 OpenAI o1 的“思维链 (CoT)”能力，擅长复杂逻辑、数学证明和深度思考。
  • DeepSeek-R1：基于 V3 架构训练的完全体模型（671B参数，激活37B），性能对标 GPT-4o 和 o1-mini，是目前开源界最强的推理模型。
  • DeepSeek-R1-Zero：第一代未经监督微调（SFT）的纯强化学习模型，展现了模型自我进化的能力，输出风格较为原始（适合研究）。
  • DeepSeek-R1-Distill (蒸馏版)：为了适配消费级显卡，官方将 R1 的推理能力“蒸馏”到了小参数模型上，基于 Qwen2.5 和 Llama3 微调：
    • 1.5B / 7B / 8B：轻量级，适合笔记本或普通台式机。
    • 14B / 32B：中量级，32B 是性价比之王，在 24GB 显存显卡上表现极佳。
    • 70B：重量级，性能接近满血版。
• DeepSeek-V3 (2024年12月发布)
  • 定位：第三代旗舰通用模型，也是 R1 的基础底座。
  • 特点：采用 MoE（混合专家）架构，支持 128K 上下文。通过 FP8 混合精度训练，生成速度高达 60 TPS（比 V2 快 3 倍）。
  • 表现：在知识问答、长文本处理和代码生成领域超越其他开源模型，API 价格极低，是目前通用对话的首选。

2. 多模态与视觉系列 (最新突破)

• Janus-Pro 系列 (2025年1月发布)
  • 定位：新一代统一多模态模型，既能“看图”也能“画图”。
  • 特点：解耦了视觉编码，使得理解和生成任务互不干扰。
  • Janus-Pro-7B：基于 DeepSeek-LLM-7B 和 SigLIP 打造，在多模态理解基准测试中表现优异，同时支持高质量的文生图功能。
  • Janus-Pro-1B：轻量化版本，适合边缘设备。
• DeepSeek-VL2
  • 定位：视觉语言模型，专注于图像与文本的深度融合理解，适用于 OCR、图表分析等任务。

3. 代码与专业领域系列

• DeepSeek-Coder V2
  • 定位：代码智能领域的标杆。
  • 特点：支持 338 种编程语言，在代码生成、补全、Bug 修复及数学编程任务上表现卓越。虽然 V3 通用能力很强，但在特定代码场景下 Coder V2 仍具参考价值。
• DeepSeekMath & DeepSeek-Prover
  • DeepSeekMath：早期的数学专项模型。
  • DeepSeek-Prover V1.5：结合强化学习与蒙特卡洛树搜索（MCTS），专用于形式化定理证明。

4. 历史版本 (归档)

• DeepSeek-V2.5：2024年9月发布，合并了 V2-Chat 和 Coder-V2，是 V2 到 V3 的过渡版本。
• DeepSeek-V2：引入 DeepSeekMoE 架构，优化了训练成本。
• DeepSeek LLM (7B/67B)：早期的基础大模型系列。

二、 使用教程：如何使用 DeepSeek

方式 1：官方网页/APP (最简单)

适合普通用户，无需任何技术背景。

• Web 端：访问 chat.deepseek.com
  • 注册即可免费使用 V3 模型。
  • 点击输入框下方的“深度思考 (R1)”按钮，即可切换到 R1 推理模型。
• APP 端：在应用商店搜索“DeepSeek”下载官方应用。

方式 2：API 调用 (开发者推荐)

DeepSeek API 完全兼容 OpenAI 格式，可直接平替。

# 前置：pip install openai
from openai import OpenAI

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

response = client.chat.completions.create(
    # 模型选择：
    # "deepseek-chat"     对应 DeepSeek-V3 (通用对话)
    # "deepseek-reasoner" 对应 DeepSeek-R1 (深度推理)
    model="deepseek-chat",
    messages=[
        {"role": "system", "content": "你是一个专业的助手"},
        {"role": "user", "content": "用Python写一个贪吃蛇游戏"},
    ],
    stream=False
)

print(response.choices[0].message.content)

三 可视化界面（可选）

• 模型提供方：Ollama
• API Host：http://localhost:11434

📌 模型选择总结

根据不同用途选择对应模型：