19 KiB
目录
1. 简介
我们推出了 DeepSeek-V3，这是一个强大的混合专家（MoE）语言模型，总参数量达 6710 亿，每个 Token 会激活 370 亿参数。 为了实现高效推理和经济高效的训练，DeepSeek-V3 采用了多头潜在注意力（MLA）和 DeepSeekMoE 架构，这些在 DeepSeek-V2 中已得到充分验证。 此外，DeepSeek-V3 开创了一种无辅助损失的负载均衡策略，并设定了多 Token 预测训练目标，以实现更强的性能。 我们在 14.8 万亿个多样且高质量的 Token 上对 DeepSeek-V3 进行了预训练，随后进行了监督微调和强化学习阶段，以充分发挥其能力。 综合评估显示，DeepSeek-V3 优于其他开源模型，并达到了与领先的闭源模型相当的性能。 尽管性能卓越，DeepSeek-V3 在完整训练过程中仅需 278.8 万个 H800 GPU 小时。 此外，其训练过程非常稳定。在整个训练过程中，我们没有遇到任何无法恢复的损失激增情况，也没有进行任何回滚操作。
2. 模型概述
架构：创新的负载均衡策略和训练目标
- 在 DeepSeek-V2 的高效架构基础上，我们开创了一种无辅助损失的负载均衡策略，该策略将因鼓励负载均衡而导致的性能下降降至最低。
- 我们研究了多 Token 预测（MTP）目标，并证明它对模型性能有益。 它还可用于推测性解码，以加速推理。
预训练：追求极致的训练效率
- 我们设计了一个 FP8 混合精度训练框架，并首次验证了在超大规模模型上进行 FP8 训练的可行性和有效性。
- 通过算法、框架和硬件的协同设计，我们克服了跨节点 MoE 训练中的通信瓶颈，几乎实现了计算与通信的完全重叠。 这显著提高了我们的训练效率，降低了训练成本，使我们能够在不增加额外开销的情况下进一步扩大模型规模。
- 仅以 266.4 万个 H800 GPU 小时的经济成本，我们就在 14.8 万亿个 Token 上完成了 DeepSeek-V3 的预训练， 生成了目前最强的开源基础模型。预训练后的后续训练阶段仅需 10 万个 GPU 小时。
训练后：从 DeepSeek-R1 进行知识蒸馏
- 我们引入了一种创新方法，将长思维链（CoT）模型（特别是 DeepSeek R1 系列模型之一）的推理能力蒸馏到标准大语言模型中， 尤其是 DeepSeek-V3。我们的流程巧妙地将 R1 的验证和反思模式融入到 DeepSeek-V3 中，并显著提高了其推理性能。 同时，我们也对 DeepSeek-V3 的输出风格和长度进行了控制。
3. 模型下载
| 模型 | 总参数数量 | 激活参数数量 | 上下文长度 | 下载地址 |
|---|---|---|---|---|
| DeepSeek-V3-Base | 6710 亿 | 370 亿 | 128K | 🤗 Hugging Face |
| DeepSeek-V3 | 6710 亿 | 370 亿 | 128K | 🤗 Hugging Face |
Note
Hugging Face 上 DeepSeek-V3 模型的总大小为 6850 亿，其中包括 6710 亿的主模型权重和 140 亿的多 Token 预测（MTP）模块权重。
为了确保最佳性能和灵活性，我们与开源社区和硬件供应商合作，提供了多种在本地运行模型的方式。 有关详细步骤指南，请查看第 6 节：如何在本地运行。
对于希望深入研究的开发人员，我们建议查阅README_WEIGHTS.md， 了解主模型权重和多 Token 预测（MTP）模块的详细信息。请注意，目前社区正在积极开发 MTP 支持功能，我们欢迎你的贡献和反馈。
4. 评估结果
基础模型
标准基准测试
| 基准测试（指标） | 样本数量 | DeepSeek-V2 | Qwen2.5 72B | LLaMA3.1 405B | DeepSeek-V3 | |
|---|---|---|---|---|---|---|
| 架构 | - | MoE | 密集型 | 密集型 | MoE | |
| 激活参数数量 | - | 210 亿 | 720 亿 | 4050 亿 | 370 亿 | |
| 总参数数量 | - | 2360 亿 | 720 亿 | 4050 亿 | 6710 亿 | |
| 英语 | Pile-test（每 Token 比特数） | - | 0.606 | 0.638 | 0.542 | 0.548 |
| BBH（精确匹配率） | 3 样本 | 78.8 | 79.8 | 82.9 | 87.5 | |
| MMLU（准确率） | 5 样本 | 78.4 | 85.0 | 84.4 | 87.1 | |
| MMLU-Redux（准确率） | 5 样本 | 75.6 | 83.2 | 81.3 | 86.2 | |
| MMLU-Pro（准确率） | 5 样本 | 51.4 | 58.3 | 52.8 | 64.4 | |
| DROP（F1 值） | 3 样本 | 80.4 | 80.6 | 86.0 | 89.0 | |
| ARC-Easy（准确率） | 25 样本 | 97.6 | 98.4 | 98.4 | 98.9 | |
| ARC-Challenge（准确率） | 25 样本 | 92.2 | 94.5 | 95.3 | 95.3 | |
| HellaSwag（准确率） | 10 样本 | 87.1 | 84.8 | 89.2 | 88.9 | |
| PIQA（准确率） | 0 样本 | 83.9 | 82.6 | 85.9 | 84.7 | |
| WinoGrande（准确率） | 5 样本 | 86.3 | 82.3 | 85.2 | 84.9 | |
| RACE-Middle（准确率） | 5 样本 | 73.1 | 68.1 | 74.2 | 67.1 | |
| RACE-High（准确率） | 5 样本 | 52.6 | 50.3 | 56.8 | 51.3 | |
| TriviaQA（精确匹配率） | 5 样本 | 80.0 | 71.9 | 82.7 | 82.9 | |
| NaturalQuestions（精确匹配率） | 5 样本 | 38.6 | 33.2 | 41.5 | 40.0 | |
| AGIEval（准确率） | 0 样本 | 57.5 | 75.8 | 60.6 | 79.6 | |
| 代码 | HumanEval（首次通过率） | 0 样本 | 43.3 | 53.0 | 54.9 | 65.2 |
| MBPP（首次通过率） | 3 样本 | 65.0 | 72.6 | 68.4 | 75.4 | |
| LiveCodeBench-Base（首次通过率） | 3 样本 | 11.6 | 12.9 | 15.5 | 19.4 | |
| CRUXEval-I（准确率） | 2 样本 | 52.5 | 59.1 | 58.5 | 67.3 | |
| CRUXEval-O（准确率） | 2 样本 | 49.8 | 59.9 | 59.9 | 69.8 | |
| 数学 | GSM8K（精确匹配率） | 8 样本 | 81.6 | 88.3 | 83.5 | 89.3 |
| MATH（精确匹配率） | 4 样本 | 43.4 | 54.4 | 49.0 | 61.6 | |
| MGSM（精确匹配率） | 8 样本 | 63.6 | 76.2 | 69.9 | 79.8 | |
| CMath（精确匹配率） | 3 样本 | 78.7 | 84.5 | 77.3 | 90.7 | |
| 中文 | CLUEWSC（精确匹配率） | 5 样本 | 82.0 | 82.5 | 83.0 | 82.7 |
| C-Eval（准确率） | 5 样本 | 81.4 | 89.2 | 72.5 | 90.1 | |
| CMMLU（准确率） | 5 样本 | 84.0 | 89.5 | 73.7 | 88.8 | |
| CMRC（精确匹配率） | 1 样本 | 77.4 | 75.8 | 76.0 | 76.3 | |
| C3（准确率） | 0 样本 | 77.4 | 76.7 | 79.7 | 78.6 | |
| CCPM（准确率） | 0 样本 | 93.0 | 88.5 | 78.6 | 92.0 | |
| 多语言 | MMMLU-非英语（准确率） | 5 样本 | 64.0 | 74.8 | 73.8 | 79.4 |
Note
最佳结果以粗体显示。差距不超过 0.3 的分数被认为处于同一水平。DeepSeek-V3 在大多数基准测试中表现最佳，尤其是在数学和代码任务上。 有关更多评估细节，请查阅我们的论文。
上下文窗口
在“大海捞针”（NIAH）测试中的评估结果。DeepSeek-V3 在高达 128K 的所有上下文窗口长度上均表现良好。
聊天模型
标准基准测试（参数大于 670 亿的模型）
| 基准测试（指标） | DeepSeek V2-0506 | DeepSeek V2.5-0905 | Qwen2.5 72B-Inst. | Llama3.1 405B-Inst. | Claude-3.5-Sonnet-1022 | GPT-4o 0513 | DeepSeek V3 | |
|---|---|---|---|---|---|---|---|---|
| 架构 | MoE | MoE | 密集型 | 密集型 | - | - | MoE | |
| 激活参数数量 | 210 亿 | 210 亿 | 720 亿 | 4050 亿 | - | - | 370 亿 | |
| 总参数数量 | 2360 亿 | 2360 亿 | 720 亿 | 4050 亿 | - | - | 6710 亿 | |
| 英语 | MMLU（精确匹配率） | 78.2 | 80.6 | 85.3 | 88.6 | 88.3 | 87.2 | 88.5 |
| MMLU-Redux（精确匹配率） | 77.9 | 80.3 | 85.6 | 86.2 | 88.9 | 88.0 | 89.1 | |
| MMLU-Pro（精确匹配率） | 58.5 | 66.2 | 71.6 | 73.3 | 78.0 | 72.6 | 75.9 | |
| DROP（3 样本 F1 值） | 83.0 | 87.8 | 76.7 | 88.7 | 88.3 | 83.7 | 91.6 | |
| IF-Eval（严格提示） | 57.7 | 80.6 | 84.1 | 86.0 | 86.5 | 84.3 | 86.1 | |
| GPQA-Diamond（首次通过率） | 35.3 | 41.3 | 49.0 | 51.1 | 65.0 | 49.9 | 59.1 | |
| SimpleQA（正确） | 9.0 | 10.2 | 9.1 | 17.1 | 28.4 | 38.2 | 24.9 | |
| FRAMES（准确率） | 66.9 | 65.4 | 69.8 | 70.0 | 72.5 | 80.5 | 73.3 | |
| LongBench v2（准确率） | 31.6 | 35.4 | 39.4 | 36.1 | 41.0 | 48.1 | 48.7 | |
| 代码 | HumanEval-Mul（首次通过率） | 69.3 | 77.4 | 77.3 | 77.2 | 81.7 | 80.5 | 82.6 |
| LiveCodeBench（首次通过率-思维链） | 18.8 | 29.2 | 31.1 | 28.4 | 36.3 | 33.4 | 40.5 | |
| LiveCodeBench（首次通过率） | 20.3 | 28.4 | 28.7 | 30.1 | 32.8 | 34.2 | 37.6 | |
| Codeforces（百分位数） | 17.5 | 35.6 | 24.8 | 25.3 | 20.3 | 23.6 | 51.6 | |
| SWE Verified（已解决） | - | 22.6 | 23.8 | 24.5 | 50.8 | 38.8 | 42.0 | |
| Aider-Edit（准确率） | 60.3 | 71.6 | 65.4 | 63.9 | 84.2 | 72.9 | 79.7 | |
| Aider-Polyglot（准确率） | - | 18.2 | 7.6 | 5.8 | 45.3 | 16.0 | 49.6 | |
| 数学 | AIME 2024（首次通过率） | 4.6 | 16.7 | 23.3 | 23.3 | 16.0 | 9.3 | 39.2 |
| MATH-500（精确匹配率） | 56.3 | 74.7 | 80.0 | 73.8 | 78.3 | 74.6 | 90.2 | |
| CNMO 2024（首次通过率） | 2.8 | 10.8 | 15.9 | 6.8 | 13.1 | 10.8 | 43.2 | |
| 中文 | CLUEWSC（精确匹配率） | 89.9 | 90.4 | 91.4 | 84.7 | 85.4 | 87.9 | 90.9 |
| C-Eval（精确匹配率） | 78.6 | 79.5 | 86.1 | 61.5 | 76.7 | 76.0 | 86.5 | |
| C-SimpleQA（正确） | 48.5 | 54.1 | 48.4 | 50.4 | 51.3 | 59.3 | 64.8 |
Note
所有模型均在输出长度限制为 8K 的配置下进行评估。对于样本数量少于 1000 的基准测试， 会使用不同的温度设置多次测试，以得出可靠的最终结果。DeepSeek-V3 是性能最佳的开源模型， 并且与前沿的闭源模型相比也展现出了有竞争力的性能。
开放式生成评估
| 模型 | Arena-Hard | AlpacaEval 2.0 |
|---|---|---|
| DeepSeek-V2.5-0905 | 76.2 | 50.5 |
| Qwen2.5-72B-Instruct | 81.2 | 49.1 |
| LLaMA-3.1 405B | 69.3 | 40.5 |
| GPT-4o-0513 | 80.4 | 51.1 |
| Claude-Sonnet-3.5-1022 | 85.2 | 52.0 |
| DeepSeek-V3 | 85.5 | 70.0 |
Note
英语开放式对话评估。对于 AlpacaEval 2.0，我们使用长度控制的胜率作为指标。
5. 聊天网站与 API 平台
你可以在 DeepSeek 的官方网站上与 DeepSeek-V3 聊天：chat.deepseek.com
我们还在 DeepSeek 平台上提供了与 OpenAI 兼容的 API：platform.deepseek.com
6. 如何在本地运行
DeepSeek-V3 可以使用以下硬件和开源社区软件在本地部署：
- DeepSeek-Infer Demo：我们提供了一个简单轻量的用于 FP8 和 BF16 推理的演示。
- SGLang：完全支持 DeepSeek-V3 模型的 BF16 和 FP8 推理模式，多 Token 预测功能即将推出。
- LMDeploy：支持在本地和云端部署中进行高效的 FP8 和 BF16 推理。
- TensorRT-LLM：目前支持 BF16 推理和 INT4/8 量化，即将支持 FP8。
- vLLM：支持 DeepSeek-V3 模型的 FP8 和 BF16 模式，用于张量并行和流水线并行。
- AMD GPU：通过 SGLang 在 AMD GPU 上以 BF16 和 FP8 模式运行 DeepSeek-V3 模型。
- 华为昇腾 NPU：支持在华为昇腾设备上运行 DeepSeek-V3。
由于我们的框架原生采用了 FP8 训练，我们仅提供 FP8 权重。如果你需要 BF16 权重进行实验，可以使用提供的转换脚本进行转换。
以下是将 FP8 权重转换为 BF16 的示例：
cd inference
python fp8_cast_bf16.py --input-fp8-hf-path /path/to/fp8_weights --output-bf16-hf-path /path/to/bf16_weights
Note
目前尚未直接支持 Hugging Face 的 Transformers。
6.1 使用 DeepSeek-Infer Demo 进行推理（仅为示例）
系统要求
Note
仅支持带有 Python 3.10 的 Linux 系统。不支持 Mac 和 Windows 系统。
依赖项：
torch==2.4.1
triton==3.0.0
transformers==4.46.3
safetensors==0.4.5
模型权重与演示代码准备
首先，克隆我们的 DeepSeek-V3 GitHub 仓库：
git clone https://github.com/deepseek-ai/DeepSeek-V3.git
进入 inference 文件夹并安装 requirements.txt 中列出的依赖项。最简单的方法是使用像
conda 或 uv 这样的包管理器创建一个新的虚拟环境并安装依赖项。
cd DeepSeek-V3/inference
pip install -r requirements.txt
从 Hugging Face 下载模型权重，并将其放入 /path/to/DeepSeek-V3 文件夹中。
模型权重转换
将 Hugging Face 模型权重转换为特定格式：
python convert.py --hf-ckpt-path /path/to/DeepSeek-V3 --save-path /path/to/DeepSeek-V3-Demo --n-experts 256 --model-parallel 16
运行
然后你可以与 DeepSeek-V3 聊天：
torchrun --nnodes 2 --nproc-per-node 8 --node-rank $RANK --master-addr $ADDR generate.py --ckpt-path /path/to/DeepSeek-V3-Demo --config configs/config_671B.json --interactive --temperature 0.7 --max-new-tokens 200
或者对给定文件进行批量推理：
torchrun --nnodes 2 --nproc-per-node 8 --node-rank $RANK --master-addr $ADDR generate.py --ckpt-path /path/to/DeepSeek-V3-Demo --config configs/config_671B.json --input-file $FILE
6.2 使用 SGLang 进行推理（推荐）
SGLang 目前支持 MLA 优化、 DP 注意力、 FP8（W8A8）、FP8 KV 缓存和 Torch Compile，在开源框架中提供了最先进的延迟和吞吐量性能。
值得注意的是，SGLang v0.4.1 完全支持在 NVIDIA 和 AMD GPU 上运行 DeepSeek-V3，使其成为一个高度通用和强大的解决方案。
SGLang 还支持多节点张量并行，使你能够在多台通过网络连接的机器上运行此模型。
多 Token 预测（MTP）正在开发中，进展可在优化计划中跟踪。
以下是 SGLang 团队的启动说明： https://github.com/sgl-project/sglang/tree/main/benchmark/deepseek_v3
6.3 使用 LMDeploy 进行推理（推荐）
LMDeploy 是一个为大语言模型量身定制的灵活且高性能的推理和服务框架，现在支持 DeepSeek-V3。 它提供离线流水线处理和在线部署功能，无缝集成基于 PyTorch 的工作流程。
有关使用 LMDeploy 运行 DeepSeek-V3 的详细分步说明，请参阅此处： https://github.com/InternLM/lmdeploy/issues/2960
6.4 使用 TRT-LLM 进行推理（推荐）
TensorRT-LLM 现在支持 DeepSeek-V3 模型，提供 BF16 和 INT4/INT8 仅权重的精度选项。 对 FP8 的支持目前正在进行中，即将发布。你可以通过以下链接访问专门为支持 DeepSeek-V3 的 TRTLLM 自定义分支，直接体验新功能： https://github.com/NVIDIA/TensorRT-LLM/tree/deepseek/examples/deepseek_v3
6.5 使用 vLLM 进行推理（推荐）
vLLM v0.6.6 支持在 NVIDIA 和 AMD GPU 上对 DeepSeek-V3 进行 FP8 和 BF16 模式的推理。除了标准技术外，vLLM 还提供流水线并行功能，允许你在多台通过网络连接的机器上运行此模型。 有关详细指南，请参阅 vLLM 说明。 也请随时关注增强计划。
6.6 在 AMD GPU 上推荐的推理功能
与 AMD 团队合作，我们通过 SGLang 实现了对 AMD GPU 的首日支持，完全兼容 FP8 和 BF16 精度。 有关详细指南，请参阅 SGLang 说明。
6.7 在华为昇腾 NPU 上推荐的推理功能
华为昇腾社区的 MindIE 框架已成功适配了 DeepSeek-V3 的 BF16 版本。 有关在昇腾 NPU 上的分步指南，请按照此处的说明进行操作。
7. 许可证
此代码仓库根据 MIT 许可证进行授权。使用 DeepSeek-V3 基础/聊天模型需遵循模型许可证。 DeepSeek-V3 系列（包括基础版和聊天版）支持商业使用。
8. 引用
@misc{deepseekai2024deepseekv3technicalreport,
title={DeepSeek-V3 Technical Report},
author={DeepSeek-AI},
year={2024},
eprint={2412.19437},
archivePrefix={arXiv},
primaryClass={cs.CL},
url={https://arxiv.org/abs/2412.19437},
}
9. 联系方式
如果你有任何问题，请提出问题或通过 service@deepseek.com 与我们联系。