工具鏈速查手冊)
文檔教程知識庫人工智能【免費下載鏈接】ai-guide程序員魚皮的 AI 資源大全 Vibe Coding 零基礎(chǔ)教程分享 OpenClaw 保姆級教程、大模型玩法DeepSeek / GPT / Gemini / Claude / GLM、最新 AI 資訊、Prompt 提示詞大全、AI 知識百科Agent Skills / RAG / MCP / A2A、AI 編程教程Harness Engineering、AI 工具用法Cursor / Claude Code / TRAE / Codex / Copilot、AI 開發(fā)框架教程Spring AI / LangChain、AI 產(chǎn)品變現(xiàn)指南幫你快速掌握 AI 技術(shù)走在時代前沿。本項目為開源文檔 aiguide已升級為魚皮 AI 導航網(wǎng)站項目地址https://gitcode.com/GitHub_Trending/aig/ai-guide點擊查看免費下載本文以 ai-guide 倉庫中 DeepSeek 開源項目 文檔為骨架系統(tǒng)梳理 DeepSeek 官方在 GitHub 開源的十余個模型倉庫R1/V3/V2、Coder 系列、VL 系列、Math、Janus、DreamCraft3D 等并盤點社區(qū)圍繞 DeepSeek 構(gòu)建的集成、部署與復現(xiàn)類開源項目。結(jié)合倉庫內(nèi) DeepSeek 技術(shù)解析文檔你將理解每個項目背后的架構(gòu)要點MoE、MLA、GRPO、蒸餾等學會按任務場景快速選型、上手使用。一、DeepSeek 開源版圖為什么值得關(guān)注DeepSeek 自 2023 年成立以來以開源 高性價比路線在基礎(chǔ)大模型賽道快速站穩(wěn)腳跟。據(jù)倉庫內(nèi)技術(shù)解析文檔DeepSeek 于 2023 年 11 月發(fā)布 DeepSeek Coder隨后推出 DeepSeek LLM 67B2024 年 5 月 DeepSeek-V2 以多頭潛在注意力MLA與高性價比引發(fā)市場關(guān)注2025 年 1 月開源的 DeepSeek-R1 更將開源模型的推理能力推至新高度可對標 OpenAI 閉源的 o1 系列模型詳見 DeepSeek技術(shù)解讀從V3到R1的MoE架構(gòu)創(chuàng)新。目前 DeepSeek 的官方開源倉庫分布在 GitHub 的 deepseek-ai 組織下覆蓋通用語言模型、推理模型、代碼模型、數(shù)學模型、多模態(tài)視覺-語言模型、多模態(tài)生成模型六大類同時社區(qū)生態(tài)中也涌現(xiàn)出集成、復現(xiàn)、部署三大類衍生項目。先看官方開源項目的完整清單項目名稱項目鏈接簡介DeepSeek-R1https://github.com/deepseek-ai/DeepSeek-R1DeepSeek的旗艦語言模型提供高質(zhì)量的響應支持多種自然語言處理任務DeepSeek-V3https://github.com/deepseek-ai/DeepSeek-V3DeepSeek的第三個版本采用創(chuàng)新的混合專家架構(gòu)MoE支持多模態(tài)搜索DeepSeek-V2https://github.com/deepseek-ai/DeepSeek-V2一款強大、經(jīng)濟高效的專家混合語言模型DeepSeek-Coder-V2https://github.com/deepseek-ai/DeepSeek-Coder-V2采用混合專家Mixture-of-ExpertsMoE架構(gòu)突破閉源模型在代碼智能中的壁壘DeepSeek-Coderhttps://github.com/deepseek-ai/DeepSeek-Coder用于輔助代碼編寫的AI工具支持多種編程語言DeepSeek-LLMhttps://github.com/deepseek-ai/DeepSeek-LLM提供準確可靠答案的綜合語言模型Janushttps://github.com/deepseek-ai/Janus統(tǒng)一的多模態(tài)理解與生成模型DreamCraft3Dhttps://github.com/deepseek-ai/DreamCraft3D基于引導擴散先驗的分層3D生成模型的官方實現(xiàn)DeepSeek-Mathhttps://github.com/deepseek-ai/DeepSeek-Math通過增強模型的數(shù)學理解和推理能力突破傳統(tǒng)語言模型在數(shù)學領(lǐng)域的限制可處理符號計算、定理證明等復雜數(shù)學推理任務DeepSeek-MoEhttps://github.com/deepseek-ai/DeepSeek-MoE創(chuàng)新的混合專家架構(gòu)模型支持高效推理DeepSeek-VL2https://github.com/deepseek-ai/DeepSeek-VL2用于先進多模態(tài)理解的專家混合視覺-語言模型DeepSeek-VLhttps://github.com/deepseek-ai/DeepSeek-VL通過深度學習技術(shù)增強視覺和語言的融合解決復雜的視覺-語言任務二、官方開源項目逐個拆解2.1 DeepSeek-R1旗艦推理模型DeepSeek-R1 是 DeepSeek 的旗艦推理Reasoning模型也是當前開源世界中推理能力最具代表性的作品之一。它建立在 DeepSeek-V3 的 MoE 架構(gòu)之上總參數(shù) 671B、每個 Token 激活 37B 參數(shù)上下文長度 128K。據(jù)倉庫內(nèi) DeepSeek-R1的四個訓練階段 文檔R1 的訓練分為兩個 SFT 階段和兩個 RL 階段冷啟動CoT SFT用人工收集的數(shù)千條高質(zhì)量長鏈思維CoT數(shù)據(jù)對基座模型 DeepSeek-V3-Base 做監(jiān)督微調(diào)解決直接從基座啟動強化學習導致的輸出混亂、語言混雜問題面向推理的強化學習RL采用 GRPO分組相對策略優(yōu)化算法以準確性獎勵 格式獎勵 語言一致性獎勵驅(qū)動模型在數(shù)學、代碼、科學等推理密集型任務上提升拒絕采樣與 SFT從上一階段 RL 檢查點做拒絕采樣篩選出約 60 萬條高質(zhì)量推理軌跡再混合約 20 萬條非推理數(shù)據(jù)寫作、事實問答等對模型進行兩輪監(jiān)督微調(diào)全場景強化學習與對齊推理任務沿用規(guī)則獎勵通用任務使用獎勵模型評估人類偏好最終得到兼顧推理能力、實用性與無害性的 R1 模型。R1 倉庫還包含其無監(jiān)督覺醒前身DeepSeek-R1-Zero純強化學習、無 SFT 訓練的實驗模型驗證了大模型推理能力可以僅通過 RL 涌現(xiàn)以及蒸餾出的DeepSeek-R1-Distill 系列小模型。據(jù)倉庫技術(shù)文檔蒸餾系列覆蓋 Qwen2.51.5B/7B/14B/32B與 Llama8B/70B等多個基座使 Dense 稠密小模型也獲得不錯的推理能力適合資源受限場景詳見 DeepSeek技術(shù)解讀從V3到R1的MoE架構(gòu)創(chuàng)新。2.2 DeepSeek-V3MoE 架構(gòu)的通用基座DeepSeek-V3 是 R1 的基座模型也是 DeepSeek 技術(shù)創(chuàng)新的集大成者。據(jù)倉庫技術(shù)解析文檔其關(guān)鍵架構(gòu)事實包括參數(shù)規(guī)?？倕?shù) 671B每個 Token 僅激活約 37B 參數(shù)參數(shù)量與 GPT-4 大致同一數(shù)量級DeepSeekMoE 架構(gòu)每個 MoE 層包含 1 個共享專家 256 個路由專家全模型共 58 個 MoE 層、14906 個專家每個 Token 激活 8 個路由專家共享專家負責提取跨任務的共性特征以減少參數(shù)冗余路由專家按門控權(quán)重被稀疏激活多頭潛在注意力MLA對注意力鍵值做低秩聯(lián)合壓縮顯著減小 KV 緩存、降低推理內(nèi)存占用與成本無輔助損失負載均衡為每個專家維護可動態(tài)調(diào)整的偏置項在不引入輔助損失函數(shù)的前提下平衡專家負載避免路由崩潰并輔以序列級負載均衡多令牌預測MTP主模型之外疊加 MTP 模塊同時預測多個未來 Token提升訓練數(shù)據(jù)利用效率與推理生成速度高效訓練體系基于自研 HAI-LLM 框架使用 FP8 混合精度訓練、DualPipe 雙向流水線、跨節(jié)點 All-to-All 通信內(nèi)核等軟硬件協(xié)同優(yōu)化以 14.8 萬億 Token 數(shù)據(jù)完成預訓練上下文分兩階段擴展到 128K。對于想要低成本自建大模型基座、做二次微調(diào)或部署到私有環(huán)境的團隊V3 倉庫是首選入口對推理鏈路、成本控制等技術(shù)細節(jié)感興趣的讀者可進一步閱讀倉庫內(nèi) DeepSeek-V3 高效訓練關(guān)鍵技術(shù)分析。2.3 DeepSeek-V2經(jīng)濟高效的 MoE 先導DeepSeek-V2 發(fā)布于 2024 年 5 月是 DeepSeek 在 MoE 架構(gòu)上打出的重要一役。它是首個大規(guī)模引入多頭潛在注意力MLA的模型通過將 KV 緩存壓縮為低秩潛向量大幅降低推理時的顯存與帶寬開銷配合 DeepSeekMoE 架構(gòu)實現(xiàn)了高性價比的推理。據(jù)倉庫技術(shù)文檔V2 之后 DeepSeek 還發(fā)布了 V2.5 迭代版本并用于生成 V3 的非推理 SFT 數(shù)據(jù)。V2 倉庫適合研究 MLA 機制演進與 MoE 負載均衡策略的開發(fā)者其架構(gòu)思路在 V3、R1 中得到了延續(xù)。2.4 DeepSeek-Coder 系列代碼智能雙雄DeepSeek-CoderDeepSeek 最早發(fā)布的代碼模型2023 年 11 月支持多種編程語言用于輔助代碼編寫、代碼補全與生成任務是 DeepSeek 切入基礎(chǔ)大模型賽道的起點。DeepSeek-Coder-V2在 Coder 基礎(chǔ)上引入混合專家MoE架構(gòu)主打突破閉源模型在代碼智能中的壁壘。據(jù)倉庫內(nèi)學習資料其對應論文《DeepSeek-Coder-V2: Breaking the Barrier of Closed-Source Models in Code Intelligence》介紹了從數(shù)據(jù)構(gòu)建、預訓練、指令微調(diào)到強化學習的完整訓練流程。兩個倉庫均提供模型權(quán)重、推理腳本與評測配置是研究開源代碼大模型、搭建企業(yè)級代碼智能助手的重要參考。2.5 DeepSeek-LLM通用語言基座DeepSeek-LLM 是 DeepSeek 的通用語言模型含 67B 參數(shù)版本提供準確可靠的自然語言問答能力。據(jù)倉庫學習資料中收錄的論文摘要該項目在擴展開源語言模型方面的做法是使用約 2 萬億 Token 的多語言數(shù)據(jù)集進行預訓練。它適合作為理解 DeepSeek 早期訓練路線預訓練數(shù)據(jù)配比、SFT、RLHF 對齊的起點倉庫。2.6 DeepSeek-Math數(shù)學推理專項DeepSeek-Math 專注數(shù)學理解與推理通過增強模型的數(shù)學能力突破傳統(tǒng)語言模型在數(shù)學領(lǐng)域的限制能夠處理符號計算、定理證明等更復雜的數(shù)學推理任務。它可作為數(shù)學解題、科研輔助、教育場景模型的選型參考也為理解 R1 系列以數(shù)學/代碼為 RL 訓練主戰(zhàn)場的思路提供了背景。2.7 DeepSeek-MoE混合專家架構(gòu)實驗場DeepSeek-MoE 是 DeepSeek 在 MoE 路線上的早期實驗倉庫驗證了混合專家架構(gòu)在訓練與推理上的可行性主打高效推理。相比 V2/V3 的成熟產(chǎn)品級實現(xiàn)該倉庫更適合研究者追溯 MoE 架構(gòu)在 DeepSeek 內(nèi)部從實驗到落地的演進脈絡。2.8 DeepSeek-VL / DeepSeek-VL2視覺-語言理解DeepSeek-VL通過深度學習技術(shù)增強視覺與語言的融合解決復雜的視覺-語言任務是 DeepSeek 在 2024 年初推出的多模態(tài)模型對應論文為《DeepSeek-VL: Towards Real-World Vision-Language Understanding》。DeepSeek-VL2升級為專家混合MoE架構(gòu)的視覺-語言模型用于更先進的多模態(tài)理解在圖文理解、視覺問答、文檔解析等場景表現(xiàn)更優(yōu)。這兩個倉庫適合對開源多模態(tài)模型、圖文檢索與視覺問答感興趣的開發(fā)者也便于理解 DeepSeek 如何將 MoE 技術(shù)從純語言模型遷移到多模態(tài)領(lǐng)域。2.9 Janus統(tǒng)一多模態(tài)理解與生成Janus 是 DeepSeek 提出的統(tǒng)一多模態(tài)理解與生成模型。與常見的編碼器 擴散解碼器兩段式方案不同Janus 在單一模型中同時處理圖像理解自回歸與圖像生成擴散任務其設(shè)計思路對研究多模態(tài)大模型架構(gòu)融合具有參考價值。倉庫提供模型權(quán)重、訓練代碼與評測腳本適合作為多模態(tài)生成研究的基線。2.10 DreamCraft3D3D 內(nèi)容生成DreamCraft3D 是基于引導擴散先驗的分層 3D 生成模型的官方實現(xiàn)。它將擴散模型如 2D 擴散先驗引入 3D 生成管線通過多階段優(yōu)化從單張圖片生成高質(zhì)量 3D 資產(chǎn)屬于 DeepSeek 官方開源項目中少見的 3D 生成方向。對 3D 資產(chǎn)生成、NeRF/3DGS 相關(guān)方向感興趣的開發(fā)者可以直接在本倉庫中獲取完整訓練與推理代碼。三、其他相關(guān) DeepSeek 開源項目圍繞 DeepSeek社區(qū)形成了覆蓋 API 集成、免費接入、桌面客戶端、算法復現(xiàn)、部署教程等維度的衍生生態(tài)。完整清單如下項目名稱項目鏈接簡介DeepSeek-API-Integrationhttps://github.com/deepseek-ai/awesome-deepseek-integration整理了DeepSeek API的集成應用支持多種平臺和語言GPT4Freehttps://github.com/xtekky/gpt4free提供免費訪問DeepSeek V3 R1等模型的接口CherryStudiohttps://github.com/CherryHQ/cherry-studio支持包括DeepSeek-R1在內(nèi)的多款LLM的桌面客戶端TinyZerohttps://github.com/Jiayi-Pan/TinyZero伯克利團隊復現(xiàn)DeepSeek R1-Zero的項目simpleRL-reasonhttps://github.com/hkust-nlp/simpleRL-reason港科大團隊復現(xiàn)DeepSeek R1-Zero和R1的項目DeepSeek-Freehttps://github.com/deepseek-free/deepseek-free提供DeepSeek部署教程和免費API接口Unlock-DeepSeekhttps://github.com/datawhalechina/unlock-deepseek面向AI研究愛好者的DeepSeek系列工作解讀和復現(xiàn)3.1 DeepSeek-API-Integrationawesome-deepseek-integration由 DeepSeek 官方deepseek-ai 組織維護的 API 集成資源合集匯總了多種平臺、多種語言調(diào)用 DeepSeek API 的接入示例與第三方應用。它是開發(fā)者接入 DeepSeek API 時的第一站無論你使用 Python、JavaScript/TypeScript、Java還是需要在微信機器人、Web 應用、IDE 插件等場景中接入都可以在此倉庫找到可復用的集成代碼。配合 DeepSeek 官方鏈接 文檔中收錄的官方 API 文檔入口可快速完成鑒權(quán)、調(diào)用與錯誤排查。3.2 GPT4FreeGPT4Free 是一個提供免費大模型接口的知名開源項目其功能列表中包含對 DeepSeek V3 R1 等模型的訪問接口。適合個人學習、低流量實驗場景用于快速驗證 DeepSeek 模型的輸出效果若用于生產(chǎn)環(huán)境應優(yōu)先考慮官方 API 或自建部署以保障服務穩(wěn)定性與數(shù)據(jù)安全。3.3 CherryStudioCherryStudio 是支持多款 LLM 的桌面客戶端內(nèi)置對 DeepSeek-R1 等模型的支持可同時管理 API 調(diào)用與本地模型。據(jù)倉庫內(nèi) DeepSeek 學習資料 收錄的教程社區(qū)常用CherryStudio 硅基流動的方式實現(xiàn) DeepSeek 的零代碼本地部署尤其適合算力有限、又希望保護數(shù)據(jù)隱私的個人用戶。這也是普通用戶體驗 DeepSeek-R1 滿血版的最便捷入口之一。3.4 TinyZero 與 simpleRL-reasonR1 的復現(xiàn)研究TinyZero加州大學伯克利分校團隊的項目復現(xiàn) DeepSeek R1-Zero 的純強化學習路線。其價值在于以極低成本驗證無監(jiān)督微調(diào)、純 RL 即可涌現(xiàn)推理能力這一核心發(fā)現(xiàn)為學術(shù)研究和小規(guī)模復現(xiàn)提供了輕量基線。simpleRL-reason香港科技大學 NLP 團隊的項目復現(xiàn) DeepSeek R1-Zero 和 R1 的強化學習訓練流程代碼結(jié)構(gòu)簡潔適合作為 RL 訓練推理模型的入門教材。兩者都是理解 R1 訓練機制GRPO、規(guī)則獎勵、格式獎勵、語言一致性獎勵的重要參考實現(xiàn)與倉庫內(nèi) DeepSeek-R1的四個訓練階段 文檔相互印證。3.5 DeepSeek-Free 與 Unlock-DeepSeek部署與學習DeepSeek-Free提供 DeepSeek 部署教程與免費 API 接口目標用戶是希望低成本快速體驗或部署 DeepSeek 模型的開發(fā)者和個人用戶。倉庫內(nèi) DeepSeek 官方鏈接 文檔也收錄了該團隊整理的免費使用指南。Unlock-DeepSeek由 Datawhale 開源社區(qū)維護面向 AI 研究愛好者對 DeepSeek 系列工作進行解讀和復現(xiàn)覆蓋 R1/V3 等核心模型的技術(shù)拆解與代碼實踐是系統(tǒng)學習 DeepSeek 原理的優(yōu)質(zhì)中文資料。四、選型與上手建議綜合官方倉庫與社區(qū)項目可以按以下思路快速落地按任務選模型推理密集型任務數(shù)學、代碼、邏輯優(yōu)先選擇 DeepSeek-R1 或其蒸餾小模型如 R1-Distill-Qwen-32B、R1-Distill-Llama-70B通用對話、內(nèi)容創(chuàng)作、知識問答等場景選擇 DeepSeek-V3需要視覺理解選擇 DeepSeek-VL2代碼補全與生成選擇 DeepSeek-Coder-V2。按接入方式選路徑需要穩(wěn)定生產(chǎn)服務時使用 DeepSeek 官方 API參考 awesome-deepseek-integration 的集成示例對數(shù)據(jù)隱私敏感或追求可控性時參考 DeepSeek-Free 的部署教程做私有化部署個人體驗與調(diào)試則可用 CherryStudio 桌面客戶端快速上手。按研究目的選倉庫研究 MoE 架構(gòu)與訓練效率看 V3 與 DeepSeek-MoE研究強化學習推理復現(xiàn)看 TinyZero 與 simpleRL-reason系統(tǒng)學習系列技術(shù)解讀看 Unlock-DeepSeek 及倉庫內(nèi)技術(shù)解析文檔。五、延伸閱讀DeepSeek 開源項目本文出處DeepSeek 官方鏈接官網(wǎng)、網(wǎng)頁版、App、GitHub 組織與社區(qū)賬號DeepSeek 學習資料教程、論文與技術(shù)研究資料匯總DeepSeek 資源匯總首頁DeepSeek技術(shù)解讀從V3到R1的MoE架構(gòu)創(chuàng)新MLA、DeepSeekMoE、FP8、DualPipe 架構(gòu)詳解DeepSeek-R1 技術(shù)全景解析V3 / R1-Zero / R1 三條技術(shù)路線對比DeepSeek-R1的四個訓練階段R1 冷啟動、推理 RL、拒絕采樣 SFT、全場景 RL 四階段DeepSeek-V3 高效訓練關(guān)鍵技術(shù)分析從模型架構(gòu)、并行策略、通信優(yōu)化到顯存優(yōu)化贊分享文檔教程知識庫人工智能【免費下載鏈接】ai-guide程序員魚皮的 AI 資源大全 Vibe Coding 零基礎(chǔ)教程分享 OpenClaw 保姆級教程、大模型玩法DeepSeek / GPT / Gemini / Claude / GLM、最新 AI 資訊、Prompt 提示詞大全、AI 知識百科Agent Skills / RAG / MCP / A2A、AI 編程教程Harness Engineering、AI 工具用法Cursor / Claude Code / TRAE / Codex / Copilot、AI 開發(fā)框架教程Spring AI / LangChain、AI 產(chǎn)品變現(xiàn)指南幫你快速掌握 AI 技術(shù)走在時代前沿。本項目為開源文檔 aiguide已升級為魚皮 AI 導航網(wǎng)站項目地址https://gitcode.com/GitHub_Trending/aig/ai-guide點擊查看免費下載相關(guān)推薦vue-i18n 工具鏈全景指南官方插件、Loader、模塊與第三方生態(tài)vue i18n 工具鏈全景指南官方插件、Loader、模塊與第三方生態(tài) vue i18n 是 Vue.js 的國際化i18n插件圍繞它官方與社區(qū)沉淀了前端國際化Rust 工具鏈全景指南為 C 開發(fā)者準備的 Rust Tooling Ecosystem 速查手冊Rust 工具鏈全景指南為 C 開發(fā)者準備的 Rust Tooling Ecosystem 速查手冊 本文基于 RustTraining 倉庫 csharp文檔教程SenseVoice開源生態(tài)全景從模型到生產(chǎn)環(huán)境的第三方工具鏈與社區(qū)貢獻指南SenseVoice開源生態(tài)全景從模型到生產(chǎn)環(huán)境的第三方工具鏈與社區(qū)貢獻指南 引言為什么選擇SenseVoice生態(tài) 語音識別技術(shù)在智能交互、語音助手、無人工智能大模型語音音頻微調(diào)本地部署創(chuàng)作聲明：本文部分內(nèi)容由AI輔助生成（AIGC），僅供參考 DeepSeek 開源項目全景指南：官方模型倉庫與生態(tài)工具鏈速查手冊
文檔教程知識庫人工智能【免費下載鏈接】ai-guide程序員魚皮的 AI 資源大全 Vibe Coding 零基礎(chǔ)教程分享 OpenClaw 保姆級教程、大模型玩法DeepSeek / GPT / Gemini / Claude / GLM、最新 AI 資訊、Prompt 提示詞大全、AI 知識百科Agent Skills / RAG / MCP / A2A、AI 編程教程Harness Engineering、AI 工具用法Cursor / Claude Code / TRAE / Codex / Copilot、AI 開發(fā)框架教程Spring AI / LangChain、AI 產(chǎn)品變現(xiàn)指南幫你快速掌握 AI 技術(shù)走在時代前沿。本項目為開源文檔 aiguide已升級為魚皮 AI 導航網(wǎng)站項目地址https://gitcode.com/GitHub_Trending/aig/ai-guide點擊查看免費下載本文以 ai-guide 倉庫中 DeepSeek 開源項目 文檔為骨架系統(tǒng)梳理 DeepSeek 官方在 GitHub 開源的十余個模型倉庫R1/V3/V2、Coder 系列、VL 系列、Math、Janus、DreamCraft3D 等并盤點社區(qū)圍繞 DeepSeek 構(gòu)建的集成、部署與復現(xiàn)類開源項目。結(jié)合倉庫內(nèi) DeepSeek 技術(shù)解析文檔你將理解每個項目背后的架構(gòu)要點MoE、MLA、GRPO、蒸餾等學會按任務場景快速選型、上手使用。一、DeepSeek 開源版圖為什么值得關(guān)注DeepSeek 自 2023 年成立以來以開源 高性價比路線在基礎(chǔ)大模型賽道快速站穩(wěn)腳跟。據(jù)倉庫內(nèi)技術(shù)解析文檔DeepSeek 于 2023 年 11 月發(fā)布 DeepSeek Coder隨后推出 DeepSeek LLM 67B2024 年 5 月 DeepSeek-V2 以多頭潛在注意力MLA與高性價比引發(fā)市場關(guān)注2025 年 1 月開源的 DeepSeek-R1 更將開源模型的推理能力推至新高度可對標 OpenAI 閉源的 o1 系列模型詳見 DeepSeek技術(shù)解讀從V3到R1的MoE架構(gòu)創(chuàng)新。目前 DeepSeek 的官方開源倉庫分布在 GitHub 的 deepseek-ai 組織下覆蓋通用語言模型、推理模型、代碼模型、數(shù)學模型、多模態(tài)視覺-語言模型、多模態(tài)生成模型六大類同時社區(qū)生態(tài)中也涌現(xiàn)出集成、復現(xiàn)、部署三大類衍生項目。先看官方開源項目的完整清單項目名稱項目鏈接簡介DeepSeek-R1https://github.com/deepseek-ai/DeepSeek-R1DeepSeek的旗艦語言模型提供高質(zhì)量的響應支持多種自然語言處理任務DeepSeek-V3https://github.com/deepseek-ai/DeepSeek-V3DeepSeek的第三個版本采用創(chuàng)新的混合專家架構(gòu)MoE支持多模態(tài)搜索DeepSeek-V2https://github.com/deepseek-ai/DeepSeek-V2一款強大、經(jīng)濟高效的專家混合語言模型DeepSeek-Coder-V2https://github.com/deepseek-ai/DeepSeek-Coder-V2采用混合專家Mixture-of-ExpertsMoE架構(gòu)突破閉源模型在代碼智能中的壁壘DeepSeek-Coderhttps://github.com/deepseek-ai/DeepSeek-Coder用于輔助代碼編寫的AI工具支持多種編程語言DeepSeek-LLMhttps://github.com/deepseek-ai/DeepSeek-LLM提供準確可靠答案的綜合語言模型Janushttps://github.com/deepseek-ai/Janus統(tǒng)一的多模態(tài)理解與生成模型DreamCraft3Dhttps://github.com/deepseek-ai/DreamCraft3D基于引導擴散先驗的分層3D生成模型的官方實現(xiàn)DeepSeek-Mathhttps://github.com/deepseek-ai/DeepSeek-Math通過增強模型的數(shù)學理解和推理能力突破傳統(tǒng)語言模型在數(shù)學領(lǐng)域的限制可處理符號計算、定理證明等復雜數(shù)學推理任務DeepSeek-MoEhttps://github.com/deepseek-ai/DeepSeek-MoE創(chuàng)新的混合專家架構(gòu)模型支持高效推理DeepSeek-VL2https://github.com/deepseek-ai/DeepSeek-VL2用于先進多模態(tài)理解的專家混合視覺-語言模型DeepSeek-VLhttps://github.com/deepseek-ai/DeepSeek-VL通過深度學習技術(shù)增強視覺和語言的融合解決復雜的視覺-語言任務二、官方開源項目逐個拆解2.1 DeepSeek-R1旗艦推理模型DeepSeek-R1 是 DeepSeek 的旗艦推理Reasoning模型也是當前開源世界中推理能力最具代表性的作品之一。它建立在 DeepSeek-V3 的 MoE 架構(gòu)之上總參數(shù) 671B、每個 Token 激活 37B 參數(shù)上下文長度 128K。據(jù)倉庫內(nèi) DeepSeek-R1的四個訓練階段 文檔R1 的訓練分為兩個 SFT 階段和兩個 RL 階段冷啟動CoT SFT用人工收集的數(shù)千條高質(zhì)量長鏈思維CoT數(shù)據(jù)對基座模型 DeepSeek-V3-Base 做監(jiān)督微調(diào)解決直接從基座啟動強化學習導致的輸出混亂、語言混雜問題面向推理的強化學習RL采用 GRPO分組相對策略優(yōu)化算法以準確性獎勵 格式獎勵 語言一致性獎勵驅(qū)動模型在數(shù)學、代碼、科學等推理密集型任務上提升拒絕采樣與 SFT從上一階段 RL 檢查點做拒絕采樣篩選出約 60 萬條高質(zhì)量推理軌跡再混合約 20 萬條非推理數(shù)據(jù)寫作、事實問答等對模型進行兩輪監(jiān)督微調(diào)全場景強化學習與對齊推理任務沿用規(guī)則獎勵通用任務使用獎勵模型評估人類偏好最終得到兼顧推理能力、實用性與無害性的 R1 模型。R1 倉庫還包含其無監(jiān)督覺醒前身DeepSeek-R1-Zero純強化學習、無 SFT 訓練的實驗模型驗證了大模型推理能力可以僅通過 RL 涌現(xiàn)以及蒸餾出的DeepSeek-R1-Distill 系列小模型。據(jù)倉庫技術(shù)文檔蒸餾系列覆蓋 Qwen2.51.5B/7B/14B/32B與 Llama8B/70B等多個基座使 Dense 稠密小模型也獲得不錯的推理能力適合資源受限場景詳見 DeepSeek技術(shù)解讀從V3到R1的MoE架構(gòu)創(chuàng)新。2.2 DeepSeek-V3MoE 架構(gòu)的通用基座DeepSeek-V3 是 R1 的基座模型也是 DeepSeek 技術(shù)創(chuàng)新的集大成者。據(jù)倉庫技術(shù)解析文檔其關(guān)鍵架構(gòu)事實包括參數(shù)規(guī)?？倕?shù) 671B每個 Token 僅激活約 37B 參數(shù)參數(shù)量與 GPT-4 大致同一數(shù)量級DeepSeekMoE 架構(gòu)每個 MoE 層包含 1 個共享專家 256 個路由專家全模型共 58 個 MoE 層、14906 個專家每個 Token 激活 8 個路由專家共享專家負責提取跨任務的共性特征以減少參數(shù)冗余路由專家按門控權(quán)重被稀疏激活多頭潛在注意力MLA對注意力鍵值做低秩聯(lián)合壓縮顯著減小 KV 緩存、降低推理內(nèi)存占用與成本無輔助損失負載均衡為每個專家維護可動態(tài)調(diào)整的偏置項在不引入輔助損失函數(shù)的前提下平衡專家負載避免路由崩潰并輔以序列級負載均衡多令牌預測MTP主模型之外疊加 MTP 模塊同時預測多個未來 Token提升訓練數(shù)據(jù)利用效率與推理生成速度高效訓練體系基于自研 HAI-LLM 框架使用 FP8 混合精度訓練、DualPipe 雙向流水線、跨節(jié)點 All-to-All 通信內(nèi)核等軟硬件協(xié)同優(yōu)化以 14.8 萬億 Token 數(shù)據(jù)完成預訓練上下文分兩階段擴展到 128K。對于想要低成本自建大模型基座、做二次微調(diào)或部署到私有環(huán)境的團隊V3 倉庫是首選入口對推理鏈路、成本控制等技術(shù)細節(jié)感興趣的讀者可進一步閱讀倉庫內(nèi) DeepSeek-V3 高效訓練關(guān)鍵技術(shù)分析。2.3 DeepSeek-V2經(jīng)濟高效的 MoE 先導DeepSeek-V2 發(fā)布于 2024 年 5 月是 DeepSeek 在 MoE 架構(gòu)上打出的重要一役。它是首個大規(guī)模引入多頭潛在注意力MLA的模型通過將 KV 緩存壓縮為低秩潛向量大幅降低推理時的顯存與帶寬開銷配合 DeepSeekMoE 架構(gòu)實現(xiàn)了高性價比的推理。據(jù)倉庫技術(shù)文檔V2 之后 DeepSeek 還發(fā)布了 V2.5 迭代版本并用于生成 V3 的非推理 SFT 數(shù)據(jù)。V2 倉庫適合研究 MLA 機制演進與 MoE 負載均衡策略的開發(fā)者其架構(gòu)思路在 V3、R1 中得到了延續(xù)。2.4 DeepSeek-Coder 系列代碼智能雙雄DeepSeek-CoderDeepSeek 最早發(fā)布的代碼模型2023 年 11 月支持多種編程語言用于輔助代碼編寫、代碼補全與生成任務是 DeepSeek 切入基礎(chǔ)大模型賽道的起點。DeepSeek-Coder-V2在 Coder 基礎(chǔ)上引入混合專家MoE架構(gòu)主打突破閉源模型在代碼智能中的壁壘。據(jù)倉庫內(nèi)學習資料其對應論文《DeepSeek-Coder-V2: Breaking the Barrier of Closed-Source Models in Code Intelligence》介紹了從數(shù)據(jù)構(gòu)建、預訓練、指令微調(diào)到強化學習的完整訓練流程。兩個倉庫均提供模型權(quán)重、推理腳本與評測配置是研究開源代碼大模型、搭建企業(yè)級代碼智能助手的重要參考。2.5 DeepSeek-LLM通用語言基座DeepSeek-LLM 是 DeepSeek 的通用語言模型含 67B 參數(shù)版本提供準確可靠的自然語言問答能力。據(jù)倉庫學習資料中收錄的論文摘要該項目在擴展開源語言模型方面的做法是使用約 2 萬億 Token 的多語言數(shù)據(jù)集進行預訓練。它適合作為理解 DeepSeek 早期訓練路線預訓練數(shù)據(jù)配比、SFT、RLHF 對齊的起點倉庫。2.6 DeepSeek-Math數(shù)學推理專項DeepSeek-Math 專注數(shù)學理解與推理通過增強模型的數(shù)學能力突破傳統(tǒng)語言模型在數(shù)學領(lǐng)域的限制能夠處理符號計算、定理證明等更復雜的數(shù)學推理任務。它可作為數(shù)學解題、科研輔助、教育場景模型的選型參考也為理解 R1 系列以數(shù)學/代碼為 RL 訓練主戰(zhàn)場的思路提供了背景。2.7 DeepSeek-MoE混合專家架構(gòu)實驗場DeepSeek-MoE 是 DeepSeek 在 MoE 路線上的早期實驗倉庫驗證了混合專家架構(gòu)在訓練與推理上的可行性主打高效推理。相比 V2/V3 的成熟產(chǎn)品級實現(xiàn)該倉庫更適合研究者追溯 MoE 架構(gòu)在 DeepSeek 內(nèi)部從實驗到落地的演進脈絡。2.8 DeepSeek-VL / DeepSeek-VL2視覺-語言理解DeepSeek-VL通過深度學習技術(shù)增強視覺與語言的融合解決復雜的視覺-語言任務是 DeepSeek 在 2024 年初推出的多模態(tài)模型對應論文為《DeepSeek-VL: Towards Real-World Vision-Language Understanding》。DeepSeek-VL2升級為專家混合MoE架構(gòu)的視覺-語言模型用于更先進的多模態(tài)理解在圖文理解、視覺問答、文檔解析等場景表現(xiàn)更優(yōu)。這兩個倉庫適合對開源多模態(tài)模型、圖文檢索與視覺問答感興趣的開發(fā)者也便于理解 DeepSeek 如何將 MoE 技術(shù)從純語言模型遷移到多模態(tài)領(lǐng)域。2.9 Janus統(tǒng)一多模態(tài)理解與生成Janus 是 DeepSeek 提出的統(tǒng)一多模態(tài)理解與生成模型。與常見的編碼器 擴散解碼器兩段式方案不同Janus 在單一模型中同時處理圖像理解自回歸與圖像生成擴散任務其設(shè)計思路對研究多模態(tài)大模型架構(gòu)融合具有參考價值。倉庫提供模型權(quán)重、訓練代碼與評測腳本適合作為多模態(tài)生成研究的基線。2.10 DreamCraft3D3D 內(nèi)容生成DreamCraft3D 是基于引導擴散先驗的分層 3D 生成模型的官方實現(xiàn)。它將擴散模型如 2D 擴散先驗引入 3D 生成管線通過多階段優(yōu)化從單張圖片生成高質(zhì)量 3D 資產(chǎn)屬于 DeepSeek 官方開源項目中少見的 3D 生成方向。對 3D 資產(chǎn)生成、NeRF/3DGS 相關(guān)方向感興趣的開發(fā)者可以直接在本倉庫中獲取完整訓練與推理代碼。三、其他相關(guān) DeepSeek 開源項目圍繞 DeepSeek社區(qū)形成了覆蓋 API 集成、免費接入、桌面客戶端、算法復現(xiàn)、部署教程等維度的衍生生態(tài)。完整清單如下項目名稱項目鏈接簡介DeepSeek-API-Integrationhttps://github.com/deepseek-ai/awesome-deepseek-integration整理了DeepSeek API的集成應用支持多種平臺和語言GPT4Freehttps://github.com/xtekky/gpt4free提供免費訪問DeepSeek V3 R1等模型的接口CherryStudiohttps://github.com/CherryHQ/cherry-studio支持包括DeepSeek-R1在內(nèi)的多款LLM的桌面客戶端TinyZerohttps://github.com/Jiayi-Pan/TinyZero伯克利團隊復現(xiàn)DeepSeek R1-Zero的項目simpleRL-reasonhttps://github.com/hkust-nlp/simpleRL-reason港科大團隊復現(xiàn)DeepSeek R1-Zero和R1的項目DeepSeek-Freehttps://github.com/deepseek-free/deepseek-free提供DeepSeek部署教程和免費API接口Unlock-DeepSeekhttps://github.com/datawhalechina/unlock-deepseek面向AI研究愛好者的DeepSeek系列工作解讀和復現(xiàn)3.1 DeepSeek-API-Integrationawesome-deepseek-integration由 DeepSeek 官方deepseek-ai 組織維護的 API 集成資源合集匯總了多種平臺、多種語言調(diào)用 DeepSeek API 的接入示例與第三方應用。它是開發(fā)者接入 DeepSeek API 時的第一站無論你使用 Python、JavaScript/TypeScript、Java還是需要在微信機器人、Web 應用、IDE 插件等場景中接入都可以在此倉庫找到可復用的集成代碼。配合 DeepSeek 官方鏈接 文檔中收錄的官方 API 文檔入口可快速完成鑒權(quán)、調(diào)用與錯誤排查。3.2 GPT4FreeGPT4Free 是一個提供免費大模型接口的知名開源項目其功能列表中包含對 DeepSeek V3 R1 等模型的訪問接口。適合個人學習、低流量實驗場景用于快速驗證 DeepSeek 模型的輸出效果若用于生產(chǎn)環(huán)境應優(yōu)先考慮官方 API 或自建部署以保障服務穩(wěn)定性與數(shù)據(jù)安全。3.3 CherryStudioCherryStudio 是支持多款 LLM 的桌面客戶端內(nèi)置對 DeepSeek-R1 等模型的支持可同時管理 API 調(diào)用與本地模型。據(jù)倉庫內(nèi) DeepSeek 學習資料 收錄的教程社區(qū)常用CherryStudio 硅基流動的方式實現(xiàn) DeepSeek 的零代碼本地部署尤其適合算力有限、又希望保護數(shù)據(jù)隱私的個人用戶。這也是普通用戶體驗 DeepSeek-R1 滿血版的最便捷入口之一。3.4 TinyZero 與 simpleRL-reasonR1 的復現(xiàn)研究TinyZero加州大學伯克利分校團隊的項目復現(xiàn) DeepSeek R1-Zero 的純強化學習路線。其價值在于以極低成本驗證無監(jiān)督微調(diào)、純 RL 即可涌現(xiàn)推理能力這一核心發(fā)現(xiàn)為學術(shù)研究和小規(guī)模復現(xiàn)提供了輕量基線。simpleRL-reason香港科技大學 NLP 團隊的項目復現(xiàn) DeepSeek R1-Zero 和 R1 的強化學習訓練流程代碼結(jié)構(gòu)簡潔適合作為 RL 訓練推理模型的入門教材。兩者都是理解 R1 訓練機制GRPO、規(guī)則獎勵、格式獎勵、語言一致性獎勵的重要參考實現(xiàn)與倉庫內(nèi) DeepSeek-R1的四個訓練階段 文檔相互印證。3.5 DeepSeek-Free 與 Unlock-DeepSeek部署與學習DeepSeek-Free提供 DeepSeek 部署教程與免費 API 接口目標用戶是希望低成本快速體驗或部署 DeepSeek 模型的開發(fā)者和個人用戶。倉庫內(nèi) DeepSeek 官方鏈接 文檔也收錄了該團隊整理的免費使用指南。Unlock-DeepSeek由 Datawhale 開源社區(qū)維護面向 AI 研究愛好者對 DeepSeek 系列工作進行解讀和復現(xiàn)覆蓋 R1/V3 等核心模型的技術(shù)拆解與代碼實踐是系統(tǒng)學習 DeepSeek 原理的優(yōu)質(zhì)中文資料。四、選型與上手建議綜合官方倉庫與社區(qū)項目可以按以下思路快速落地按任務選模型推理密集型任務數(shù)學、代碼、邏輯優(yōu)先選擇 DeepSeek-R1 或其蒸餾小模型如 R1-Distill-Qwen-32B、R1-Distill-Llama-70B通用對話、內(nèi)容創(chuàng)作、知識問答等場景選擇 DeepSeek-V3需要視覺理解選擇 DeepSeek-VL2代碼補全與生成選擇 DeepSeek-Coder-V2。按接入方式選路徑需要穩(wěn)定生產(chǎn)服務時使用 DeepSeek 官方 API參考 awesome-deepseek-integration 的集成示例對數(shù)據(jù)隱私敏感或追求可控性時參考 DeepSeek-Free 的部署教程做私有化部署個人體驗與調(diào)試則可用 CherryStudio 桌面客戶端快速上手。按研究目的選倉庫研究 MoE 架構(gòu)與訓練效率看 V3 與 DeepSeek-MoE研究強化學習推理復現(xiàn)看 TinyZero 與 simpleRL-reason系統(tǒng)學習系列技術(shù)解讀看 Unlock-DeepSeek 及倉庫內(nèi)技術(shù)解析文檔。五、延伸閱讀DeepSeek 開源項目本文出處DeepSeek 官方鏈接官網(wǎng)、網(wǎng)頁版、App、GitHub 組織與社區(qū)賬號DeepSeek 學習資料教程、論文與技術(shù)研究資料匯總DeepSeek 資源匯總首頁DeepSeek技術(shù)解讀從V3到R1的MoE架構(gòu)創(chuàng)新MLA、DeepSeekMoE、FP8、DualPipe 架構(gòu)詳解DeepSeek-R1 技術(shù)全景解析V3 / R1-Zero / R1 三條技術(shù)路線對比DeepSeek-R1的四個訓練階段R1 冷啟動、推理 RL、拒絕采樣 SFT、全場景 RL 四階段DeepSeek-V3 高效訓練關(guān)鍵技術(shù)分析從模型架構(gòu)、并行策略、通信優(yōu)化到顯存優(yōu)化贊分享文檔教程知識庫人工智能【免費下載鏈接】ai-guide程序員魚皮的 AI 資源大全 Vibe Coding 零基礎(chǔ)教程分享 OpenClaw 保姆級教程、大模型玩法DeepSeek / GPT / Gemini / Claude / GLM、最新 AI 資訊、Prompt 提示詞大全、AI 知識百科Agent Skills / RAG / MCP / A2A、AI 編程教程Harness Engineering、AI 工具用法Cursor / Claude Code / TRAE / Codex / Copilot、AI 開發(fā)框架教程Spring AI / LangChain、AI 產(chǎn)品變現(xiàn)指南幫你快速掌握 AI 技術(shù)走在時代前沿。本項目為開源文檔 aiguide已升級為魚皮 AI 導航網(wǎng)站項目地址https://gitcode.com/GitHub_Trending/aig/ai-guide點擊查看免費下載相關(guān)推薦vue-i18n 工具鏈全景指南官方插件、Loader、模塊與第三方生態(tài)vue i18n 工具鏈全景指南官方插件、Loader、模塊與第三方生態(tài) vue i18n 是 Vue.js 的國際化i18n插件圍繞它官方與社區(qū)沉淀了前端國際化Rust 工具鏈全景指南為 C 開發(fā)者準備的 Rust Tooling Ecosystem 速查手冊Rust 工具鏈全景指南為 C 開發(fā)者準備的 Rust Tooling Ecosystem 速查手冊 本文基于 RustTraining 倉庫 csharp文檔教程SenseVoice開源生態(tài)全景從模型到生產(chǎn)環(huán)境的第三方工具鏈與社區(qū)貢獻指南SenseVoice開源生態(tài)全景從模型到生產(chǎn)環(huán)境的第三方工具鏈與社區(qū)貢獻指南 引言為什么選擇SenseVoice生態(tài) 語音識別技術(shù)在智能交互、語音助手、無人工智能大模型語音音頻微調(diào)本地部署創(chuàng)作聲明：本文部分內(nèi)容由AI輔助生成（AIGC），僅供參考