关键亮点
训练
DeepSeek V3：采用传统的预训练（14.8T tokens）→ 监督微调（SFT）→ 强化学习（RL）流程。
DeepSeek R1：侧重于以 RL 为核心的训练方法，从冷启动微调开始，并融合多个 RL 阶段以优化推理能力。
基准测试表现
DeepSeek V3：在各项基准上表现强劲，MMLU 得分 87.4%，MATH-500 得分 90.0%。
DeepSeek R1：在推理密集型任务中表现优异，Codeforces 得分 96.3%，MATH-500 得分 97.3%，在特定领域挑战上超越 V3。
应用场景
DeepSeek V3：通用型模型，适用于自然语言理解、代码编写和文本生成，广泛应用于教育、内容创作和业务自动化。
DeepSeek R1：针对高级推理任务（如逻辑推理和多步骤问题求解）进行了优化，适合医疗、金融、法律服务等行业特定场景。
如果您希望在自己用例中评估 DeepSeek V3 与 R1——注册后，Novita AI 将提供 $0.5 的免费额度助您起步！
AI 领域因 DeepSeek V3 和 R1 模型的推出而发生了革命性变化。这些先进的语言模型代表了自然语言处理与推理能力的重大里程碑。本文将对 DeepSeek V3 和 DeepSeek R1 进行详细对比，深入探讨它们的特性、性能及实际应用。
模型基础介绍
首先，我们来了解每个模型的基本特征。
DeepSeek V3
- 发布日期：2024 年 12 月 27 日
- 模型规格：
- 主要特点：
- 模型大小：671B 参数（每 token 激活 37B）
- 分词器：基于 SentencePiece 的多语言分词器
- 支持语言：专注于中文、英文和日文
- 多模态：纯文本
- 上下文窗口：128K tokens
- 存储格式：FP8/BF16 推理
- 架构：混合专家（MoE）+ 多头潜注意力
- 训练方法：预训练 → 监督微调（SFT）→ 强化学习（RL）
- 训练数据：预训练使用 14.8T tokens
DeepSeek R1
- 发布日期：2025 年 1 月 21 日
- 模型规格：
- 主要特点：
- 模型大小：671B 参数（每 token 激活 37B）
- 分词器：增强版分词器，带自我反思标签
- 支持语言：多语言，具备文化适应性
- 多模态：纯文本
- 上下文窗口：128K tokens
- 存储格式：支持 Q8/Q5 量化
- 架构：混合专家（MoE）+ RL 增强训练管道
- 训练方法：基于 V3 基础，采用 RL 管道（SFT → RL → SFT → RL）
- 训练数据：V3 基础数据 + RL 优化数据
模型对比
共同点：
- 模型大小相同（671B 参数，每 token 激活 37B）。
- 均使用混合专家（MoE）架构。
- 在多语言模型（英文和中文）中表现出色。
主要差异：
- 训练方法：V3 采用传统的预训练、监督微调（SFT）和强化学习（RL）管道。相比之下，R1 侧重于以 RL 为核心的方法，融合冷启动微调和奖励机制以增强推理能力。
速度对比
如果您想亲自测试，可以在 Novita AI 网站上开始免费试用。
速度对比
数据来源：artificialanalysis
成本对比
数据来源：artificialanalysis
DeepSeek R1 在输出速度上超越 DeepSeek V3，但总响应时间更长。DeepSeek R1 的输入和输出价格均显著高于 DeepSeek V3。
基准测试对比
了解了每个模型的基本特征后，我们来深入分析它们在各项基准上的表现。通过对比，可以更清晰地展示它们在不同领域的优势。
| 基准测试 | DeepSeek-R1 (%) | DeepSeek-V3 (%) |
|---|---|---|
| Codeforces | 96.3 | 63.6 |
| GPQA Diamond | 71.5 | 62.1 |
| MATH-500 | 97.3 | 90.0 |
| MMLU | 90.8 | 87.4 |
这些结果表明，DeepSeek-R1 在推理密集型和特定领域任务（如 Codeforces 和 MATH-500）上优化得更好，而 DeepSeek-V3 在这些基准上表现强劲，但略低一些。
如果您想查看更多对比，可以参考以下文章：
应用场景
DeepSeek V3
- 适用于广泛的任务，包括自然语言理解、代码编写和基础问题求解。
- 可应用于教育、内容创作和业务自动化等行业。
- 在文本生成、代码补全和数学推理等领域表现出色。
- 通用型模型，适合多种应用场景。
DeepSeek R1
- 针对需要高级推理、逻辑推断和数学问题求解的任务进行了定制。
- 适合处理医疗、金融和法律服务等领域的复杂行业特定挑战。
- 在需要长链思维（CoT）推理的任务中尤为有效，例如诊断复杂问题、分析多步骤场景以及从大量数据中综合洞察。
通过 Novita AI 实现接入与部署
Novita AI 是一个 AI 云平台，为开发者提供简单 API 来轻松部署 AI 模型，同时提供经济可靠的 GPU 云服务，用于构建和扩展模型。
步骤 1：登录并访问模型库
登录您的账户，点击 模型库 按钮。
步骤 2：选择模型
浏览可用选项，选择满足您需求的模型。
步骤 3：开始免费试用
开始免费试用，探索所选模型的功能。
步骤 4：获取 API 密钥
为了通过 API 进行身份验证，我们将为您提供一个新的 API 密钥。进入“设置”页面，如图所示复制 API 密钥。
步骤 5：安装 API
使用您编程语言对应的包管理器安装 API。
安装完成后，在开发环境中导入必要的库。使用您的 API 密钥初始化客户端，即可与 Novita AI LLM 进行交互。以下是一个 Python 用户使用聊天补全 API 的示例。
from openai import OpenAI
client = OpenAI(
base_url="https://api.novita.ai/v3/openai",
api_key="<YOUR Novita AI API Key>",
)
model = "deepseek/deepseek_v3"
stream = True # or False
max_tokens = 2048
system_content = """Be a helpful assistant"""
temperature = 1
top_p = 1
min_p = 0
top_k = 50
presence_penalty = 0
frequency_penalty = 0
repetition_penalty = 1
response_format = { "type": "text" }
chat_completion_res = client.chat.completions.create(
model=model,
messages=[
{
"role": "system",
"content": system_content,
},
{
"role": "user",
"content": "Hi there!",
}
],
stream=stream,
max_tokens=max_tokens,
temperature=temperature,
top_p=top_p,
presence_penalty=presence_penalty,
frequency_penalty=frequency_penalty,
response_format=response_format,
extra_body={
"top_k": top_k,
"repetition_penalty": repetition_penalty,
"min_p": min_p
}
)
if stream:
for chunk in chat_completion_res:
print(chunk.choices[0].delta.content or "", end="")
else:
print(chat_completion_res.choices[0].message.content)
注册后，Novita AI 将提供 $0.5 的免费额度助您起步！
如果免费额度用完，您可以付费继续使用。
DeepSeek V3 和 DeepSeek R1 是两款功能强大的 LLM，各有优势。DeepSeek V3 是一款通用型模型，以其高效性和在各类任务上的强劲表现而著称。而 DeepSeek R1 则是一款针对高级推理进行优化的专用模型。选择哪个模型取决于应用的具体需求。两款模型都是该领域的重要进步，凭借其性能、效率以及开源可访问性，对现有模型形成了挑战。
常见问题解答
DeepSeek V3 和 R1 的主要区别是什么？
DeepSeek V3 是通用型模型，而 R1 专为高级推理任务设计。
这些模型需要特殊硬件吗？
是的，两款模型都很大，需要高性能硬件，特别是具有大容量显存的 GPU。
模型是如何训练的？
DeepSeek V3 在 14.8 万亿 tokens 上进行了预训练。DeepSeek R1 基于 DeepSeek V3，通过微调和强化学习来获得推理能力。
Novita AI 是一体化云平台，助力您的 AI 雄心。集成 API、无服务器、GPU 实例——您所需的经济高效工具。无需基础设施，免费开始，让您的 AI 愿景成为现实。
