从DeepSeek 9篇论文的解读中学点什么（上）

相信年前至今，关于DeepSeek的解读信息大家已经看得足够多了，从最开始的震惊海外、用户激增，一直到国运之争。虽然其中也不乏深度的分析和多元的视角，但归根结底除了一篇去年7月份已经拜读过的《暗涌》对梁文锋的采访以外，很少有来自DeepSeek第一方的信源，总觉得有些隔靴搔痒。恰恰昨天看到了张小珺Jùn｜商业访谈录中一期3个多小时的播客，由香港科技大学计算机系助理教授何俊贤主讲的：《逐篇讲解DeepSeek关键9篇论文及创新点——“勇敢者的游戏”》（之前还有一期对R1和kimi1.5的论文的解读也非常精彩）　

其实想想，论文不正是最最一手的信源吗？更何况不是单单一篇R1的论文，而是从24年初开始的所有公开论文。其中或许暗藏了多少没有被媒体老师们和AI科技KOL们发掘的内容，也能真的让人理解过去这一年甚至更漫长的时间线里，DeepSeek是怎么做到如今的成就的。于是认真听完，顺带手借助通义听悟的播客转文字以及GPT-o1的精调术语能力做了一份文字版，share给大家。　

最好的致敬是学习，学习使人快乐！　

以上。　

这个工作简单说下定位：实际上DeepSeek的第一篇论文并没有特别多的创新，因为本质上这是对 Llama 2 的一个复现。当时 Llama 2 刚出来，而 DeepSeek 作为一家初创公司，在起步时也很合理，先去试着复现 Llama 2 的性能，然后再进一步做一些改进。所以说这个工作的大部分内容其实都是 follow Llama 2。　

当然在数据上有所不同，比如 DeepSeek 做的是一个中英文模型，数据准备的质量也可能更高。但整个模型的架构，以及一些训练的方法都和 Llama 2 完全相同。模型主要有两个规模，一个是小的 7B，一个是大的 67B，对标 Llama 2 也有 7B 和 70B。接着他们用了 2T token 数据（这个和 Llama 一脉相承），后面做了 SFT、DPO 之类的后训练。他们的实验结果显示，最终超过了 Llama 2 70B，这也比较正常。因为 Llama 2 在前发布，后面的工作基本上可以把数据质量做得更好一些，当时国内不少模型都声称超过了 Llama 2 70B。这篇论文的整体意义，就是在于对 Llama 2 的复现，以及 DeepSeek 体现出的比较严谨的科学态度。我会重点讲一下他们几个地方展现出这种严谨性：　

比如说他们在学习率调度（learning rate schedule）上选用了 multistep 的方式。一般来说，大模型训练常用的是余弦退火（cosine schedule），也就是让学习率沿着一个余弦曲线逐渐变小。但这样做有个问题：一开始就要指定好要训练多少 token，才能规划整条曲线。如果在实际训练过程中，数据量动态变化，比如中途又准备了新数据想加进去，这就对原先的余弦曲线不太好调整。因此 DeepSeek 采用了 multistep 的学习率策略：一开始是常数，训练到一定程度就降低，再保持新的常数值。虽然他们最后发现和余弦退火在最终性能上差别不大，但这种方式更灵活。　

第二点是他们跟 Llama 2 的区别：做了非常仔细的 Scaling Law研究。Scaling Law 大概的意思，就是想要在训练资源（算力）固定的情况下，如何事先预测模型大小、数据大小以及超参数的最优配置。因为大模型的实验代价极其昂贵，需要一种可外推的方法来减少反复实验。DeepSeek 的论文对 Scaling Law 做了更严谨的研究。首先他们对超参数（比如 batch size、学习率等）做了专门的缩放实验，而很多之前的工作并没有进行这方面的系统研究。对于业界而言，可能直接参考 Llama 2 的设置就算了，但 DeepSeek 把它当成一个学术问题来研究，做了很多严谨的实验，类似高校的做法。他们还挑战了之前一些对算力估计过于粗糙的地方，比如把注意力（attention）带来的计算开销也纳入估算中。他们提出一个新的公式，和之前的公式在参数上略有不同，但会带来一定的区别。这样在实际外推时，对最优配置的预测会更精细。这里可以看出 DeepSeek 并不是简单照搬之前的方法，而是像研究者一样，认真实验并审视背后的科学逻辑。这种方法对于大模型很有价值，因为无法多次尝试，只能在小模型上试验后做外推。　

他们还强调数据质量对 Scaling Law 的影响，比如如果数据质量高，最优的模型和数据规模配置也会不一样。之前很多工作也知道数据质量很重要，但不清楚会如何精确地影响最优配置。DeepSeek 将这些要素纳入考虑，显得非常严谨。　

最后来说说这篇论文里让人印象深刻的地方之一：他们很坦率地讨论了”刷榜”现象。在 2023 年时，中文评测榜单 C-Eval出现了很多大模型刷榜的情况：因为 C-Eval 大多是选择题（四选一），如果在训练时特意对这类多选题进行强化，就能在榜单上取得非常高的分数，但模型的实际泛化能力未必高。DeepSeek 做了一个对照实验：他们发现在原始模型只能得 47 分，但如果刻意针对多选题进行专门训练，可以瞬间达到 71 分，差距非常明显。令人敬佩的是，他们把这个刷榜过程如实写进论文，而很多公司不会公开这件事；它们只会说“我分数比谁谁谁高”，却不提背后的训练方式。当时我们也做了很多排查，因为 C-Eval 是由我们维护和更新的，我们深知很多模型都是”高分低能”，通过刷榜达到好看的分数。但 DeepSeek 却在论文里正面揭示了这个现象，还强调他们的公开模型并没有刷榜。我个人非常尊重这种诚实的态度，也看得出这家公司更倾向于学术研究的风格，追求对背后科学原理的理解，而不是单纯做宣传。国内还有另一家公司 昆仑天工也做了类似的揭示，这在当时非常少见。因为对一些公司来说，上榜宣传比坦诚更重要。DeepSeek 这样就更像一个学术团队，用科学的方式来呈现他们的研究。　

从第二篇论文开始，其实DeepSeek就开始变成混合专家模型，就是MoE。因为它的第一个模型其实还是Dense Model（稠密模型），因为LLaMA一直都是做稠密的。MoE是指把transformer里面的神经网络分成了好几份，每一份比如说通俗一点讲都是一个专家，所以说它叫混合专家。然后当有数据进来想要预测，就可能不会经过所有的专家。就比如可能有个专家是擅长数学的，有个专家是擅长物理的，有个专家是擅长文学的，那如果过来的是一道数学题，就只用第一个专家就可以了，其他的专家是不需要用的。混合专家模型又叫稀疏模型，为什么呢？就像刚刚说这个概念，就是因为尽管你有N个专家，但是你可能过来的数学题，你其实只用上了一个专家，你其他专家都没有发挥作用，所以说他就所谓的是稀疏的。然后稠密模型就是你随便进来什么东西，它所有的参数都在发挥作用，所以它就是稠密的。这是一个比较通俗的理解。　

为什么大家要做混合专家？其实DeepSeek做MoE并不是说它第一个做，MOE很早期的时候就有。ChatGPT出来之前，其实google就有MoE的模型。然后后来其实在DeepSeek做MOE之前，其实那个时候就已经有广泛的谣言是说ChatGPT是MoE模型，所以说他们在inference的时候，可以把成本降低。所以说DeepSeek MOE其实follow这个也是很理所应当的一个事情。然后为什么MoE很重要？因为MOE模型非常promising，它帮助你可以scale up，就是你模型可以做得很大，但是你同时推理成本又可以很低的一个方案。从DeepSeek MoE开始到V2、V3其实都是MoE，包括到R1。　

然后这篇paper其实不是一个非常ready的一个模型产品。跟刚刚讲的那篇paper不一样，那篇paper是他们比较seriously的把做出来了这个模型，然后release给大家。而这篇paper更像是一个study，他们把前期的一些算法策略和实验结果就写成了一篇paper release出来。在paper中他们做实验是2B的模型，最终出了一个16B的模型，但16B的MoE其实是一个很小的MoE。然后我这里主要想讲他们做的一个不太一样的地方，其实这篇paper的创新点就是两点：　

第一个就是他们用了很多的experts，一般大家做MoE都怎么做呢？大家一般用的专家数量比较少，就是8或16。但是这个paper希望做的更细分一点。就比如说你分成8个专家或者16个专家，你这个分的还是太笼统了。我希望比如说分成64个甚至128个专家，这样有个什么好处呢？就是可以更细粒度，比如说我分成128个专家，我每次选的时候可能就从这128个里面选两个，因为它分得很细。它解决的问题是什么呢？就是以前大家分的这个专家比较少的时候，比如说8和16就会出现一个什么现象呢？就是不同的专家之间区分不明显。因为你的这个专家太少了，然后你可能就出现我两个专家、三个专家要学很多大家share的东西，要学很多新的东西，就是区分不明显。但是我分成比如说很多很多128个，我就非常的细腻度。然后你可能每个专家就会学到很不一样的东西。这是这个paper在这个设置上是做的跟以前工作很不一样的一个地方。其实这个paper出来之后，当时掀起了一股讨论，就是在这讨论做MoE是不是应该像DeepSeek一样，要用很多专家来做，而不是说像之前都是8个16个，这是DeepSeek一个我觉得还很创新很大的地方。　

然后第二个就是他们除了这种混合专家，他们也有shared的专家。他觉得如果你这128个专家彼此都不一样，但模型基本的一些理解能力，比如对语言的理解、比如常识，它其实对于所有的query都是share的，那我应该也有一些shared的专家，也就是他既有专有的，又有那种通用的。其实这个设计也比较符合直觉，但这里我想强调一点什么呢？就是想到这个东西，其实也不是那么难，但是其实要做这个尝试还是很勇敢。因为你要在一个很大的规模上，花很大的算力投入去探索。毕竟MoE以前有人已经做过了，比如说就是8个expert做过了这效果也还行，那你就直接这样照着做，其实最简单也可能风险也比较低，为啥非要自己去搞一些不一样的东西？DeepSeek在后面的paper今天会提到会有很多这样的尝试。对，我觉得都是非常勇敢。我觉得作为公司来说，在业界是很少见的。　

他们这个东西用了多少个expert呢？用了64个。后面的V2包括V3的paper用的更多，在这里他们用了64个expert。这里我们这里看一下参数，这里参数这里写了每一个layer有两个share expert，专有的是64个。然后其实这个模型并不大，就是2B、16B。然后16B他们因为做的MoE，他们激活参数只有2.8B，2.8B大家可以看到它的效果其实跟之前的差不太多。这里总结成一句话，就是with only 40%的computation，然后DeepSeek MoE就达到了跟之前那个级别差不多的效果。40%什么概念？就是比如说你去部署这个模型，你的这个成本就降低到了40%。这些都是之前跟别人做得不太一样，然后他们就冲出来发现效果不错。我觉得这是给了他们信心，然后去做后面的V2。　

然后接下来V2，就是他们在真的大规模的情况下，依然验证DeepSeek MoE，来顺着这个基座向下一个基座，非常的顺理成章就变成了DeepSeekV2。DeepSeekV2基本上就是刚刚DeepSeek MoE那个paper的scale up。它其实是先在DeepSeek MoE那边paper上，在比较小的范围内做了一些验证实验，做了很科学很严谨的study，然后在这样一个大规模投入比较多的情况下才敢于去做这样的事情。V2把experts数量上到了160个专家，像之前大家做大模型都是8个16个，他这里突然比别人多了十倍。但是这个也不是一蹴而就的，就像刚刚讲的那篇paper，其实也是一步一步走过来。　

我们先看一下paper上先看一下这个配置V2是一个236B的MoE模型，这个规模大家知道就很大。然后这236B实际上激活参数只有21B，然后它的length很强，支持128k length。可以看到Compared with DeepSeek 67B主要的结论就是67B就是第一篇paper的那个67B他们的performance更好。这里可以看到它的generation throughput。就比如说每一秒可以生成多少个token，比之前快了5.76倍。这是什么概念呢？就是它的这个模型有200多B参数，比之前的第一版的那个67B其实大了很多，接近4倍那么大，但是它的算力比之前节约了40%，它的生成速度还比之前快了5倍多，而且performance还比之前好。所以说大家可以看到DeepSeek其实从这个开始，我觉得他们对于成本的这种经济的概念就一直贯穿在他们这些paper里面。　

这个paper有一个很重要的东西，是另一个东西，Multi-Head Latent Attention（MLA，多头潜在注意力），其实最近在国外也很受到关注，因为这是这个东西真的是DeepSeek第一个提出来的，不是说别人的，是DeepSeek自己提出来的。我尝试简单讲一下这个东西。大家知道transformer里面叫所谓的多头注意力，然后多头注意力就是我有很多个head，然后每个头里面都有自己的K和value，然后来做attention。因为attention就是三元组，就是query、key、value，然后你去做attention。比如说ChatGPT或者DeepSeek在生成的时候，比如说你问他一个问题，他生成是一个token一个token往后面生成，然后每他说是每一个词他都要去跟前面的每一个词做一个attention。比如说你给它输入了两篇文章，这两篇文章加起来有5000个词，然后你这个时候要让他给你写一篇新的文章，可能也又要写5000个词。你新生成的这5000个词里面的每一个词，都要跟前面这5000个词的每一个词去做attention。然后这个attention有很多个head，然后就每一个头都要这样做，这样就会在具体大家是怎么实现的呢？因为前面的这些历史背景我们叫history，它每一个词在实际上都会算出K和value。实际上大家肯定不想重复计算，你肯定不可能说我每生成一个词我都去重新算一遍这个K和value。因为这个key、value是跟前面绑定的，跟你现在生成的词无关。所以说一般大家都是说我前面，比如说你前面有5000个词，这5000个词的这个K、value都存下来。样的话你来一个新的词，你只需要算query就可以把attention算出来了，这样就节约了时间。但节约时间你就会付出更多的空间的代价，就是空间换时间，这里就会出现一个东西叫KV cache，就是指你前面存的这些K和value的大小占了多少你的GPU的memory上，这带来一个部署的算力成本。然后大家为了减少这个KV cache，其实有一些paper，比如说group query attention（GQA），就是说虽然我有很多个头，但是我多个头之间共享一个K和value。DeepSeek的第一篇paper就是GQA。然后第三个东西就很激进，叫multi-query attention (MQA)。这是什么呢？就是我所有的query用同一个K和value，我只有一个。我虽然是多头，但是所有的头都是统一的这个K和value，相当于我的这个KV cache变得更少了。这个当然就很激进，但是这里面是有trade-off的。这里的去理解有什么trade-off？就是虽然从MHA到GQA到MQA，大家会发现KV cache越做越少，但是它performance也会越来越差。虽然说你变得更成本更低、更efficient，但是你效果也下降了，所以说这里面是需要一个平衡。然后DeepSeek就搞了一个叫multi-head latent attention。就是它实际上就是这里标的叫compress latent的KV，就是一个低维的向量，它上面的这些K和value就并不需要自己显式地算出来，还是从这个低维的map到高维的。他们叫low-rank，它不光是latent，它还是low-rank。Low-rank什么意思呢？就是在在线性代数里面，比如说我本来这个vector是1024维，就很高维。你的高维的向量，你可能需要的计算也更多。但是我现在low-rank比如说变成只有100维，我在这100维上面算算了之后，我再用一个矩阵把它映射回去。就是所谓的low-rank key-value joint compression。这样有一个什么好处呢？这样带来的好处就是utility。当然这里有一些非常深入的技术细节，我尝试讲的简单一点。就是你部署的时候要存这个K和value就要存很多，之前的方法就是想存得越来越少，然后DeepSeek的方法就是我依然想要这么多个头，我不想把我的头的数量变少，但是我想存得变少，那么它存什么呢？就只存这个compress的latent KV。大家可以认为是我存的时候，我就不直接存这个K和value了，我就只存这个中间的这个latent的东西。然后我在计算的时候，从它这K和value其实是可以换算出来的。本来K和value是1024维，我现在变成了100维，那我这个存储空间直接就少了十倍，这个KV cache就很小，相对来说它部署需要的memory就少了很多，这篇paper中KV cache就降低了93%。　

我觉得DeepSeek的发明，当然也是基于成本的考虑。他们之前也是用的GQA，可能想进一步压缩成本，但是觉得直接用MQA performance效果也会受到损耗，他们就想取一个折中，然后设计了一个这样的方法。然后这个东西本身还涉及到会去处理一些关于RoPE（Rotary Position Embedding），这里中文应该叫位置编码的一些艺术，那么他们也有一些独特的方式处理它，这里就不展开讲了。　

当然MoE里面我这里可能稍微说一点点技术细节，它需要balance不同的专家。就是因为你是不希望训练到最后所有的data都依赖其中的两个专家，其他专家从来没被用过。然后他们比如说这里还为了来最大化保证efficiency，他们还搞不同的GPU之间平衡，甚至不同的GPU不同的device之间通信的平衡。他们希望我不光我的专家要被用的比较平衡，而且我不同的GPU也要被用的比较平衡，而且我不同的GPU之间的通信也比较平衡。因为这样平衡，efficiency才能被最大化。这也是我觉得DeepSeek做得很好的地方，我觉得这些东西可能听起来没有那么创新，它可能更多的像是一些经验上的或者说工程上的一些优化实现。但是这在最后DeepSeek到后面V3的成本控制中也是起到了很大的作用。　

我觉得这还是很勇敢的创新，因为这个训练其实代价就很大了。这是一个236B的模型，这里他们训了8.1T token，他们还是在这样大的规模下，第一次用这样的配置，用他们自己发明的一个新的attention来做这样大规模的训练，我觉得也是非常难得的，因为对于当下很多同期的公司，我觉得其他的大模型公开不公开的我们不知道，但公开的基本上没有人做这么大的创新。　

剩下的这里long context extension这些就是一些常规操作，别的人也会做。最后它的长度就到128K的context，基本上也是现有的技术，当然这里就很难展开讲了。他们用了一个延长RoPE，就是旋转位置编码的技术。这个paper也很有名，基本上很多人也这么在做。　

效果大家可以看一下，比如说他们跟Mistral对比，Mistral是8乘22B，8个专家，总的模型就一百多B。后来Mistral的模型开源时候大家发现一个问题，就是这8个专家并没有真的很分化，然后就没有达到MoE的初衷。而DeepSeek V2其实设计这么多专家就是为了让它更分化，让专家细粒度更高。而且Mistral和DeepSeek V2我觉得基本上算是同期做的，大家就可以看到，尽管是国外这种非常leading的公司，其实并没有勇气去做那么大的创新。而在这样的一个同期的工作上，这个DeepSeekV2其实是160个专家。所以说大家可以看到同样是MoE的模型，其实这两个就很不一样，就很不一样。然后DeepSeek V2当然总的模型也会大，比Mistral的这个大了90B，但是它的激活参数还比它少，所以说它的推部署成本甚至比Mistral还要小。然后V2对比Lama3对其实模型效果差不太多，但是Lama3的训练token好像要多很多。对，然后这里总结下来就是这样一句话，就是with only 21B的激活参数，然后DeepSeek V2就achieve了这个跟开源的一些模型比，就是比较top的performance。　

然后这里有显示出它的多专家之间是怎么设置的，就是不同的专家负责什么样的领域。这个是自动学出来的，并不是人为设置的，对，就具体什么领域他们这个paper没有讲太多的分析。然后可能他们专门讲了training cost，这里可以看一下，说他们是在H800的这个集群上，然后每一个万亿token使用30个GPU日，他们这个模型虽然有两百多B但是它的training cost比他们之前的那个67B的模型节省了42.5%。对然后推理成本可以看到它比之前的那个67B模型快了5.76倍。然后当然他们还做了一些额外的优化，比如在部署的时候就会把参数变成FP8的precision，相当于表示小数的精度变低了。他们会做很多这样额外的优化，包括他们KV cache刚刚提到的也会做一些量化，就相当于把它精度变低，然后来做这样的部署。　

我这也是为什么DeepSeek V2在当时在国内引发了一个现象。如果我没记错的话，好像是从DeepSeek V2开始，国内大模型API开始出现价格战。这个其实帮我们理解为什么他他可以这么干的，然后它的原理是什么。但是我觉得当时给我一种感觉就是DeepSeek V2，包括DeepSeek自己当时可能也没有那么在乎这个产品，我一直觉得DeepSeek的模型，特别是早期的这些模型，在后训练上并没有做很精细的RLHF，或者说做得特别精细，比如刷榜或者怎么样，他们就做的很像一个research work。然后他可能就稍微部署了一下，因为他们部署成本也很低，然后他们可能也不是很在乎他比别人价格低什么的，给我是这种感觉。所以说我觉得还是比较低调，包括他们这个部署了之后，我感觉他们也没有做啥宣传。然后后来因为他们价格很低，可能有一些开始有些媒体开始报道，开始有一些关注度了。　

最后一篇在基座方面的论文就是最近的这一篇，DeepSeek V3，24年12月份的工作。这个工作就开始关注度就很高了，先看一下摘要中基本的东西，这个模型就很大了，6710亿（671B），这也是后面非常出名的R1的基础模型。然后这个大家可以看到比V2还大了，差不多接近三倍，V2只有两百多亿。它大部分的内容就是延续了V2的思路，比如说MLA，包括他们做DeepSeek MoE的策略，但是它的规模很大，当时他们在这里提到它的成本，然后这个也很引发大家关注，因为大家觉得它成本很低。最后一个其实也很让人印象深刻的地方，就是他们特别在摘要里面强调了这句话：“一次性训练完成（one-shot training process）。” 也就是说他们的训练非常稳定，整个训练过程中都没有经历任何的损失峰值（loss spike）。简单解释一下，就是训练过程中，本来损失会突然出现一个极端峰值——比如突然变得很大，或者出现训练异常。这在过去是很常见的，因为过去的大规模预训练会出现各种问题，比如GPU或者机器故障，或者某些不可知原因导致损失出现峰值，然后就得停下来回滚（roll back），然后重新来一遍。但是他们说，这次训练很稳定，整个训练一次就顺利完成了，没有做任何回滚。我觉得这是很了不起的。这背后肯定是他们非常好的工程优化以及团队支持。所以说DeepSeek V3其实在他们的论文中有大量篇幅在写他们的工程实现。这和之前的论文风格不一样，之前的论文其实没有花那么大的篇幅来写这些工程细节。　

这个论文比较受关注，一是因为它花了多少钱，他们用H800来训练DeepSeek V3只用了2000张卡，特别是对于一个六百多亿参数量级的模型。大家也知道，不管国内外有好些公司卡都超过上万张，特别是国外可能达到数十万甚至更多张H100，甚至更好的卡。国内一些大厂卡数量也远远多于这个数字。DeepSeek 其实在早期的时候五千张、一万张H100的规模在国内已经算挺大的，但后来来看，DeepSeek 的卡和很多公司相比并不是特别多。这篇论文他们也很坦诚地说了，他们用的就是2000张H800，最终训练成本大约是557万美元。在当时这是很让人震惊的，因为当时有人对比过，比如Llama 3.1——一个4000亿规模（400B）的模型，训练成本应该花了三千万美金左右，差不多多出了六倍的差距。我觉得也是从V3开始，越来越多的人开始认真关注DeepSeek MoE和DeepSeek V2里他们自己发明的MLA（多头隐式注意力）技术等等。其实在那之前，特别是对于国外开发者和主要的大模型团队来说，可能并没有将它们视为主流，直到V3出现，大家发现V3既强大，成本又低，才开始回溯DeepSeek以前做的那些工作。我觉得从过去这一年，他们一步步从DeepSeek MoE到V2再到v3，也不是突然冒出来的成果，因为V3其实就是在V2基础上的直接扩展。　

下面主要说一下V3和V2一些不一样的地方。不同之处在于他们在做负载均衡（balance）的时候采用了新的方式——虽然这部分并不是很核心，但他们提到多卡、多专家之间如何平衡。之前的平衡通常是在训练时加一个新的损失函数一起训练，而这次他们搞了一个“loss-free balancing”，也就是利用一个常数来监控某个专家是否被过度使用。如果使用很频繁，就调整常数，让后面少用这个专家。这是一个非常直觉化的启发式方式，不需要显式训练。这是一个比较小的地方。　

主要的地方是这儿：multiple token prediction（MTP）。这也是第一次在DeepSeek里出现这个东西。当然它并不是V3团队自己原创的，而是参考了一篇新的论文，提出了多词元预测的损失函数（multiple token prediction loss）。这个损失函数做什么呢？我们都知道语言模型就是要预测下一个token。但在训练时，采用多词元预测就意味着不只预测下一个token，还会同时预测下面的更多token。这有一个好处：训练信号会更丰富，因为不再只预测一个token，还要预测多个，这样模型就能学到如何更好地推断更远的内容。他们在论文里也提到，模型需要在生成时做好一定计划，从而更好地预测将来的token。听起来很直观，但其实在大规模上尝试是有风险的。虽然论文里小规模实验可能验证不错，但大规模训练可能导致不稳定或者各种意外结果，导致整个训练失败。不过DeepSeek很敢于去尝试新东西，他们可能判断这个方向有潜力，就真的大规模去做。说到底，这也和DeepSeek从一开始的文化有关。之前并没有人真正大规模用过这个技术，DeepSeek V2也没有用过，它们完全可以照着V2做，为什么要加新东西？我觉得这又是DeepSeek比较独特的地方。就算他们已经证明V2的成本很低，做了扩展，MLA也是V2的成果，但是他们还要在V3加入新的尝试。这体现了他们不停迭代和勇于创新的团队文化。然后多词元预测（MTP）还有一个好处，就是训练时可以一次预测多个token，那么在推理阶段也可以一次生成多个token，不一定得一个接一个地生成。这里他们提到了可以重新利用这个多词元预测模块进行推测式解码（speculative decoding），用来进一步降低生成延迟。推测式解码就是一次预测多个token，然后可能用另一个小模型来判断是否接受这几个token，如果不行就撤回等等。LLM在推理时比较慢，是因为它是自回归生成，需要一个token一个token往后预测。这个多词元预测就能一次性出好几个，不必先出第一个再等下一个。当然部署时到底这么做，会不会影响效果，还要进一步研究。　

然后说一下算力方面，使用了2048张H800。而且并非H100，而是H800。对比起其他公司，2000张H800对于这个规模来说并不算多。他们做了极致的工程优化，让训练速度和成本都很可观。也因此在论文里很大篇幅描述了工程和基础设施，包括通信、低精度混合训练等等。这里值得一提的是，他们采用了FP8低精度训练。在大规模训练中，常常使用FP16或更高精度的浮点运算，但DeepSeek 在训练中使用FP8，这会极大地提升效率，降低成本，但风险是训练不稳定或效果下降，需要大量工程实验去确保可行。他们在论文里指出，虽然在推理中很多团队会做低精度量化，但几乎没有人在真正大规模的训练中用过FP8。而DeepSeek 是最早大规模成功采用FP8训练的团队之一，这对他们降低成本帮助很大。比如说他们专门研究哪些中间变量必须保留更高精度，哪些可以用FP8，这样才能保证训练稳定，他们做了很精细的实验，最后证明了这种混合精度训练是可行的，也取得了比较好的效果。这也是DeepSeek 非常独特的地方，他们不仅在算法上创新，也非常注重工程层面的优化。　

然后看他们的多专家（MoE）配置，每个阶段只设一个共享专家和256个专有专家。这和V2也不一样，V2是两个共享专家和160个专有专家。这次模型更大了，所以专家数量也增加到256。但可以看到DeepSeek 从最初的MoE到V2再到V3，都一直坚持最早的思路。相比之下，像Llama系列从Llama 1到Llama 2再到Llama 3，就始终用的是稠密（dense）模型，没有用多专家（MoE），这就导致Llama 3的训练成本尤其高。他们在论文里也对比了Llama 3.1——一个四千亿（400B）规模的模型。Llama 3的激活参数非常多，而DeepSeek V3同等规模的激活参数却只有30亿左右。部署成本上，DeepSeek V3比Llama 3少了十倍不止，而且在英文、代码、数学尤其是中文上都超过了Llama 3的400B基础模型。更难得的是，他们训练只花了五百万美金，部署成本又很低，所以V3当时引起了很大轰动。、　

论文里还有一些对照实验，比如验证MTP有没有用。他们在大概200亿规模的MoE模型上做了对照，结果确实会变好。我相信DeepSeekk在正式应用到V3前，也是在小规模上先验证过，确认有效才会大规模采用。这也显示了他们的创新性。　

最后说说V3的后训练（post-training）。因为之前讲的主要是大模型基座本身，后续的有监督微调（SFT）和强化学习可能讲得不多，但在V3上还是有一些值得提的：他们的SFT数据只有150万条（1.5M），对于一个6000多亿参数的模型来说并不多。我记得Llama 3后训练数据达到了上千万甚至两千万条。然而DeepSeek V3只用了150万条，规模很小。他们在Reasoning数据上采用了DeepSeek R1做蒸馏，但那个时候R1的论文还没出来，相当于是内部版本。而深层推理的数据还用到2.5（其实就是V2在数据和细节上做了更多优化的版本）对V3进行蒸馏，然后还做了强化学习（RL）。值得一提的是，他们在数学和代码这类可验证性强的任务上，使用了规则反馈机制取代奖励模型，而对开放式问答才使用奖励模型。可以说到V3这个阶段，他们已经开始偏向规则方式，而不是完全依赖模型本身去评判。然后他们在强化学习阶段采用了GRPO，这是后面Reasoning部分会提到的内容。　

最后，他们的V3最终效果的最好版本就是在基座模型上做了这些后续步骤。SFT数据量不大，但加了一些内部蒸馏数据，再做了强化学习，效果提升也比较明显。但是相对来说，他们并没有在论文里花太多篇幅去讨论刷榜。我个人感觉DeepSeek V3的团队态度上并不是太热衷于跑各种排行榜，至少从论文中给人的感觉是这样。以前DeepSeek V1时代在榜单上还挺努力，但到了 V3，好像不再过度关注这方面，他们也没刻意在基座模型里融入大量评测数据去刷分,这和很多团队不同。反正从Paper的公开态度上看，DeepSeek V3给人的印象就是更专注在低成本高效率和工程创新，这可能也与他们短期对产品落地并没那么急切有关.　

以上就是第一部分关于DeepSeek基座模型的介绍。笔者时间有限，明天接着更新Reason线模型（也就是强化学习RL相关）的以下Paper解读：　

DeepSeek-Coder/ DeepSeek-Coder-V2/ DeepSeek-Prover/ DeepSeek-R1