DeepSeek使用教程蓝皮书

版权声明 本文件内容主要来源于公开新闻报道。所有新闻内容均基于已公开发表的信息。 本文件内容受版权保护，禁止任何形式的商业性使用。未经DAC全球数据资产理事会明确书面授权，任何单位或个人不得以任何方式复制、传播、展示、表演、制作衍生作品或进行其他商业性利用。本声明的解释权归DAC全球数据资产理事会所有。对于违反本声明规定的行为，DAC全球数据资产理事会有权采取法律手段维护自身权益。 第一章：DeepSeek概述 1.1DeepSeek核心功能与优势 在人工智能技术高速迭代的时代背景下，推理模型作为核心驱动力，持续重塑各行业的发展格局。杭州深度求索科技推出的新一代推理模型DeepSeek-R1，凭借卓越的性能表现与创新性技术架构，在核心功能与竞争优势方面实现多维度的突破性进展，成为人工智能领域的重要成果。 1、构建完备推理能力体系，实施参数规模分层设计 DeepSeek-R1运用独特的参数规模分层设计理念，构建了一套完备的推理能力体系。其最大版本的参数规模高达6710亿，庞大的参数规模赋予模型强大的学习与推理能力，使其在复杂任务处理中表现出色。在数学推理领域，于AIME测试中，DeepSeek-R1成功达成79.8%的准确率，这一数据表明其具备高效且精准解决高难度数学问题的能力，彰显出深厚的数学推理底蕴。在编程能力方面，DeepSeek-R1在Codeforces竞赛中超越96.3%的人类选手。Codeforces竞赛汇聚全球顶尖编程人才，DeepSeek-R1在此脱颖而出，充分证明其强大的编程代码生成与逻辑推理能力。 为满足不同用户群体的多元化需求，DeepSeek-R1推出精简版模型。该精简版模型采用知识蒸馏技术，将大规模模型的知识进行提炼与浓缩，从而实现于日常设备的本地化部署。这一创新设计意义重大，它使得从科研级的复杂计算到消费级的日常应用，均能受益于DeepSeek-R1的强大推理能力，形成覆盖范围广泛、层次分明的完整产品矩阵。 2、凸显高性价比优势，实现推理性能与成本的优化平衡 与OpenAI-O1系列对比，DeepSeek-R1在推理性能上毫不逊色。在MATH-500测试中，DeepSeek-R1达到97.3%的准确率，与OpenAI-O1系列保持同等推理性能水平。然而，DeepSeek-R1的优势不仅体现于性能，更体现在极具竞争力的性价比方面。通过对强化学习策略的优化，DeepSeek-R1有效降低成本。其API服务成本仅为竞品的三分之一，输入/输出tokens单价分别为1元/百万和16元/百万。在需要高频调用推理服务的商业场景中，这一成本优势具有决定性意义。 以电商领域为例，商家在进行商品推荐、用户行为分析等任务时需频繁调用推理服务，DeepSeek-R1的低成本特性能够助力商家在确保服务质量的同时，大幅降低运营成本，提升企业盈利能力与市场竞争力。 3、创新双轨训练机制，以前沿技术驱动卓越性能 在技术架构层面，DeepSeek-R1采用独有的双轨训练机制。一方面，借助长思维链微调技术，模型能够深入学习将复杂问题拆解为简单子问题的方法，进而逐步解决复杂问题，显著提升复杂问题的拆解能力。另一方面，运用无监督强化学习技术，突破传统训练范式的局限。在传统训练模式下，模型通常依赖大量标注数据，而无监督强化学习使DeepSeek-R1在有限标注数据的情况下，仍能维持卓越的推理性能。 这种创新的技术路径取得显著成效。在SWE-bench等工程类测试中，DeepSeek-R1成功超越O1系列。尤为值得关注的是，它实现推理过程的自我反思与迭代优化。如同人类在解决问题时会不断总结经验、反思方法，DeepSeek-R1在推理过程中能够持续优化自身推理策略，形成类似人类的问题解决思维链。这一特性使模型在面对复杂多变的问题时，能够更加灵活、高效地寻求解决方案。 4、强化灵活部署能力，拓宽模型应用边界 DeepSeek-R1在部署灵活性方面表现卓越。它支持4bit量化压缩技术，通过对模型参数的压缩，在不影响模型性能的前提下，减少模型的存储空间与计算资源需求。同时，动态模型切换技术的应用，使模型能够依据不同的应用场景与需求，灵活切换不同的模型版本，以实现最佳性能表现。 这种强大的部署灵活性，使DeepSeek-R1既能适配云端分布式系统，如在电商数据爬虫架构中，能够高效处理海量数据，为电商企业提供精准的市场数据与用户信息；又能在本地设备实现每秒60tokens的高效响应，在智能座舱交互场景中，能够快速响应用户语音指令，提供流畅的交互体验；在工业级数据处理中，亦能凭借高效的计算能力与灵活的部署方式，满足工业生产对数据处理的高要求。从智能座舱交互到工业级数据处理，DeepSeek-R1的弹性部署能力显著拓宽其应用边界，为各行业的智能化升级提供有力支撑。 5、促进开源生态与商业服务协同，重塑行业发展格局 在市场应用层面，DeepSeek-R1通过独特的开源策略构建强大的生态优势。 它将部分版本的模型权重免费开放，这一举措极大降低开发者的准入门槛，吸引全球众多开发者参与基于DeepSeek-R1的应用开发。同时，DeepSeek-R1提供标准化API与定制化训练框架的双重支持。对于企业用户而言，标准化API使其能够快速接入基础服务，节省开发时间与成本；定制化训练框架则允许企业针对私有数据进行深度优化，打造契合企业特定需求的AI应用。 相较于同类模型，DeepSeek-R1的显著特征在于成功平衡专业级推理性能与普惠化服务供给。在LiveBench测试中，其问题解决率较前代提升46%，而单位解题成本降至传统方案的1/30。这种技术突破与商业模式的协同创新，正深刻重塑AI推理服务的行业格局。它不仅为开发者和企业提供更强大、更经济、更灵活的AI推理解决方案，也推动整个AI行业朝着更加开放、创新、普惠的方向发展。 DeepSeek-R1凭借在参数规模分层设计、性价比优势、双轨训练机制、灵活部署以及开源生态与商业服务协同等多维度的创新与突破，展现出强大的核心功能与竞争优势。展望未来，DeepSeek-R1有望在更多领域发挥关键作用，推动人工智能技术的持续发展与广泛应用。 1.2如何快速上手 1.2.1访问方式 DeepSeek-R1提供了网页版和App两种使用方式，无论你是电脑党还是手机党，都能找到适合自己的方式。 网页版：直接访问官网chat.DeepSeek.com使用，完全免费，无需下载，随时随地都能使用。 App：在各大应用商店搜索“DeepSeek”，认准蓝色鲸鱼图标，下载安装后即可开启AI之旅。 1.2.2基础功能 基础功能进入DeepSeek-R1的聊天界面，你会看到两个关键开关：“深度思考”和“联网搜索”。 深度思考：开启这个功能，便是调用DeepSeek-R1模型，它会根据你的问题进行深度推理，给出更精准的答案、更有深度的回答。如果不开启，默认情况下，DeepSeek使用的是V3模型。 联网搜索：这个功能让DeepSeek-R1能够参考最新的网络信息，确保回答的时效性和准确性。如果不开启，默认情况下，DeepSeek使用的是截至2023年10月的训练数据。而且，如果提供的是网络链接，一定要打开这个功能，否则他会告诉你无法访问。 第二章：提示词使用技巧 早期的AI模型（如SFT模型）像刚学走路的孩子，需要明确的指令和分步骤示范（比如Chain-of-thoughts和Few-shots），才能输出符合预期的内容。但像GPT-o1、Deepseek-R1这类经过强化学习训练的模型，已经像学会自主解题的学生——它们通过大量Q&A训练出了自己的推理能力。这时候如果还用"第一步、第二步"的详细指令，反而会干扰它们的思考节奏，就像给高中生强行规定用小学算术步骤解题。以基金报告案例为例 ▶旧版SFT模型适用写法： "请按以下步骤制作基金分析报告： 先收集基金净值、收益率等数据 用Excel计算各项指标 对比同类基金表现 分析市场环境 最后整理成报告" ▶新版RL模型适用写法： “我需要一份某基金的财务分析报告，请包含核心财务指标、市场对比和风险评估等要素” RL模型会自动生成完整分析框架（数据收集→指标计算→横向对比→环境分析→报告整合），而分步骤指令反而会限制其发挥已掌握的金融分析能力。就像让大学生用小学算术步骤解题，反而降低效率。 2.1把握DeepSeek-R1提示词的两大核心要素 2.1.1输入输出设计 DeepSeek-R1在输入输出设计以用户需求为导向，构建了极为简洁高效的模式。用户在使用时，只需向模型输入清晰明确的问题，无需复杂的格式编排或冗余表述，模型便会依据自身强大的算法和丰富的知识储备，快速处理信息，精准输出精炼且切题的结果。这种直接明了的输入输出设计，不仅大幅减少了用户与模型交互时的理解成本和操作难度，还显著提升了交互效率，让用户能更便捷、快速地获取所需信息，在各类应用场景中都展现出了极高的实用性和易用性。 1、输入设计：简洁明确的任务指令设定 在输入环节，旨在让用户以最简洁的方式传达核心任务目标。就如同给朋友布置任务时，我们只需清晰说明“要做什么”，而无需详述具体的操作步骤。例如，当用户希望进行金融领域的分析时，直接输入“请分析基金投资价值”，模型便能迅速捕捉到核心任务。这与传统的模型使用方式形成鲜明对比，以往在使用某些模型时，用户可能需要像教导实习生一样，详细罗列从数据收集、整理到分析的每一个步骤，过程繁琐且低效。 DeepSeek-R1这种设计的背后，依托于其强大的深度推理能力。模型能够基于用户输入的简洁指令，自动在海量的知识储备中进行检索和分析，理解任务的深层含义和潜在需求。以委托专业顾问制定家庭理财方案为例，用户只需告知“制定家庭理财方案”，模型就如同专业顾问一样，明白需要综合考虑用户的收入、支出、资产状况、风险承受能力等多方面因素，进而展开全面的分析和规划。 2、输出设计：精准可控的成果交付标准 DeepSeek-R1在输出环节，对于成果交付标准设定明确。这就像建筑工程验收时，不仅要求完成大楼建造，还需明确达到如LEED金级认证标准等具体要求。在与模型交互中，用户通过清晰表述“要什么样的结果”，能够引导模型输出更符合预期的内容。 例如，当用户要求模型“用中学生能理解的体育竞技案例解释金融风险对冲”时，模型接收到这一目标导向的指令后，会充分调动其强大的类比推理能力。它可能会将金融市场中的风险比作体育比赛中的各种不确定因素，如比赛中的对手实力、突发状况等，而将风险对冲策略类比为运动员或团队为应对这些不确定因 素所采取的战术安排，如防守策略、战术调整等。通过这样生动形象的类比，模型能够以中学生易于理解的方式，清晰阐述金融风险对冲这一复杂概念。 这种输出设计，使得用户能够根据具体需求，精确引导模型的输出方向和内容风格。无论是在学术研究、商业分析还是日常创作中，用户都能通过设定明确的输出标准，获得针对性强、质量高的结果。例如在撰写学术论文时，用户可以要求模型“以严谨的学术语言，结合最新的研究成果，阐述人工智能在医疗领域的应用前景”，模型便会遵循这一要求，输出符合学术规范、内容详实的文本。 DeepSeek-R1的提示词输入输出设计，通过简化输入流程、明确输出标准，降低了用户的使用门槛，提高了交互效率，还充分发挥了模型的深度推理和强大的语言处理能力，为用户带来了更加智能、便捷、高效的使用体验，在众多应用场景中展现出独特的优势和价值。随着技术的不断发展和应用的深入，这种设计理念有望进一步拓展和优化，为人工智能与各行业的融合发展提供更有力的支持。 2.1.2信息传递原则 在DeepSeek-R1的提示词输入输出体系中，动态平衡原则起着关键作用，它涉及任务描述与结果要求两个维度的连续光谱调节，旨在实现用户与模型之间高效、精准的信息传递，从而达成最优的交互效果。 1、任务描述维度：隐式模糊与显式具体的动态调节