目录
- 一、DeepSeek Coder：代码智能领域的开拓者
- 二、DeepSeek LLM：进军通用人工智能的号角
- 三、DeepSeekMoE
- 四、DeepSeek-V2：混合专家架构的新突破
- 五、DeepSeekMath
- 六、DeepSeek-Coder V2
- 七、DeepSeek-VL2
- 八、DeepSeek-V3：技术创新引领性能飞跃
- 九、DeepSeek-R1：推理模型的重大变革
- 十、Janus-Pro：多模态融合的创新先锋
在人工智能大模型领域的快速发展浪潮中，DeepSeek 凭借持续的技术创新和模型迭代，成为了备受瞩目的存在。其研发的模型不仅在技术上取得了显著突破，也在实际应用中展现出了强大的潜力。下面，让我们按照时间顺序，梳理 DeepSeek 模型的发展脉络。
一、DeepSeek Coder：代码智能领域的开拓者
提出时间：2023 年 11 月 2 日
参数量：未明确公布
特色：作为首个开源代码大模型，支持多种编程语言，基于 Transformer 架构优化，能有效助力代码生成、调试以及数据分析任务，对代码结构和语义理解出色，可智能补全代码、诊断错误。
意义：开启了 DeepSeek 在人工智能细分领域的探索，为开发者提供高效代码编写辅助工具，激发更多代码智能研究和应用。
论文链接：《DeepSeek-Coder: When the Large Language Model Meets Programming – The Rise of Code Intelligence》
二、DeepSeek LLM：进军通用人工智能的号角
提出时间：2023 年 11 月 29 日
参数量：参数规模达 670 亿，拥有 7B 和 67B 的 base 及 chat 版本
特色：具备强大的语言理解与生成能力，采用先进注意力机制和大规模无监督预训练技术，能处理文本生成、问答系统、文本摘要等多种自然语言处理任务，语言泛化能力突出。
意义：标志着 DeepSeek 正式进军通用人工智能领域，为用户提供全新自然语言处理解决方案，推动通用大模型技术发展和应用。
论文链接：《DeepSeek LLM: Scaling Open-Source Language Models with Longtermism》
三、DeepSeekMoE
提出时间：未明确统一时间（作为系列技术理念贯穿部分模型）
参数量：不同基于 MoE 模型不同（如 DeepSeek-V2 2360 亿参数）
特色：采用混合专家（MoE）架构，可根据任务动态分配计算资源，大幅提升模型效率与性能，增强模型在复杂任务处理上的表现。
意义：革新了大模型架构设计思路，为大规模模型训练与应用提供更高效的方式，推动模型向更智能、更灵活方向发展。
论文链接：《DeepSeekMoE: Towards Ultimate Expert Specialization in Mixture-of-Experts Language Models》
四、DeepSeek-V2：混合专家架构的新突破
提出时间：2024 年 5 月 7 日
参数量：总参数达到 2360 亿
特色：第二代开源混合专家（MoE）模型，通过 MoE 架构，能根据任务特点动态分配计算资源，在长文本处理、复杂语义理解方面表现出色，可实现更精准的语言理解和生成。
意义：展示了 DeepSeek 在大规模模型架构设计上的技术实力，为整个大模型领域引入新思路，推动混合专家架构在实际应用中的发展。
论文链接：《DeepSeek-V2: A Strong, Economical, and Efficient Mixture-of-Experts Language Model》
五、DeepSeekMath
提出时间：具体时间暂未明确公开（基于 DeepSeek-Coder-v1.5 7B 开发）
参数量：基于 DeepSeek-Coder-v1.5 7B ，本身未单独公布独特参数量
特色：以 DeepSeek-Coder-v1.5 7B 为基础，在从 Common Crawl 中提取的数学相关 token 以及自然语言和代码数据上进行预训练，训练规模达 5000 亿 token ，在数学推理任务上表现优秀。
意义：提升了人工智能在数学领域的处理能力，为解决数学相关问题、辅助数学研究等提供新工具和思路。
论文链接：暂未查询到公开论文
六、DeepSeek-Coder V2
提出时间：未明确公开
参数量：未明确公布
特色：开源的混合专家（MoE）代码语言模型，在代码特定任务中达到了与 GPT4-Turbo 相当的性能，在代码生成、理解和代码智能相关任务上有显著提升。
意义：进一步提升了代码大模型的性能表现，缩小了与顶尖闭源模型在代码处理能力上的差距，推动代码智能技术发展。
论文链接：《DeepSeek-Coder-V2: Breaking the Barrier of Closed-Source Models in Code Intelligence》
七、DeepSeek-VL2
提出时间：未明确公开
参数量：未明确公布
特色：混合专家（MoE）视觉 - 语言模型，在多模态理解，尤其是视觉与语言结合的任务上表现出色，增强了模型对图像内容理解并关联语言描述的能力。
意义：推动多模态人工智能的发展，为图像理解、图像描述生成等任务提供更强大的模型支持。
论文链接：《DeepSeek-VL2: Mixture-of-Experts Vision-Language Models for Advanced Multimodal Understanding》
八、DeepSeek-V3：技术创新引领性能飞跃
提出时间：2024 年 12 月 26 日
参数量：总参数高达 6710 亿，每 token 激活 370 亿参数
特色：采用创新的 MoE 架构和 FP8 混合精度训练，在长文本生成、代码理解和数学推理等任务中表现卓越，能处理复杂数学问题，准确解析各类编程语言，长文本生成内容连贯、逻辑清晰。
意义：巩固了 DeepSeek 在大模型领域的领先地位，展示其在技术创新和性能优化方面的卓越能力，为行业树立新标杆。
论文链接：《DeepSeek-V3 Technical Report》
九、DeepSeek-R1：推理模型的重大变革
提出时间：2025 年 1 月 20 日
参数量：有 660B 模型，也有通过蒸馏得到的参数在 15 亿到 700 亿之间的不同规模版本
特色：新一代推理模型，性能与 OpenAI 的 o1 正式版持平并开源。在仅有少量标注数据的情况下，通过大规模使用强化学习技术，极大提升模型推理能力，在数学、代码以及各种复杂逻辑推理任务上表现出色。
意义：打破了国际社会对 AI 研发 “高投入、长周期” 的固有认知，其开源和低成本特点，有助于普及 AI 技术，让更多开发者参与到人工智能的创新中，影响全球人工智能竞争格局。
论文链接：《DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning》
十、Janus-Pro：多模态融合的创新先锋
提出时间：2025 年 1 月 28 日凌晨
参数量：推出了 Janus-Pro-1B 和 Janus-Pro-7B 两个模型
特色：市面上唯一能同时兼顾多模态理解和文生图且保持高性能的模型。通过将视觉编码解耦为 “理解编码器” 和 “生成编码器”，并采用自回归 Transformer 作为统一处理框架，在图像生成和视觉分析方面成果显著。
意义：为多模态人工智能的发展开辟新道路，推动人工智能在跨模态交互领域的研究和应用。
论文链接：《Janus-Pro: Uniffed Multimodal Understanding and Generation with Data and Model Scaling》 。该论文指出，Janus-Pro 在训练策略上进行优化，延长第一阶段训练时间，改变第二阶段数据使用方式，调整第三阶段不同类型数据集的数据比例，以此提升训练效率和性能；在数据规模方面，多模态理解增加约 9000 万个样本，图像生成平衡真实与合成数据比例，加快模型收敛，提升生成图像美学质量；模型架构上，7B 版本通过更深网络层次和更宽模型维度实现性能质变，解耦式视觉编码设计分别为理解和生成任务设计独立编码方法，提升模型在两个任务上的表现。
