大家好，我是吾鳴。
今天要给大家分享一份来自西北工业大学出品的DeepSeek报告，报告的核心亮点是使用大白话给大家讲明白DeepSeek的核心技术原理，报告的主要内容包括DeepSeek定位、技术创新与核心逻辑、模型训练与应用段位划分、现有问题与未来展望等几大部分展开，内容浅显易懂。报告一共36页PPT，文末附上完整版下载地址。
内容摘要
引言与DeepSeek定位
介绍了DeepSeek作为首个低成本、高性能的开源大语言模型，性能对标GPT-4等顶尖闭源模型，但训练成本仅为其5%-10%。通过通用语言模型（DeepSeek-V3）和推理大模型（DeepSeek-R1）等版本，结合满血蒸馏、量化等技术，实现轻量化与高效化。
技术创新与核心逻辑
核心逻辑是“用更少的成本做更多的事”，涵盖学习策略、模型结构、工程实现三方面创新。学习策略上，首次在后训练阶段用强化学习（如GRPO算法）完全替代监督微调，减少数据标注依赖；模型结构上采用混合专家（MOE）和更细粒度分割，优化计算效率；工程实现上通过FP8混合精度训练、4D并行策略等技术降低计算和存储开销。
模型训练与应用段位划分
分阶段指导用户掌握DeepSeek的应用：青铜段位（基础问答与提示工程）、白银段位（作为Agent扩展功能）、星耀段位（后训练优化任务性能）、王者段位（全流程训练与复杂场景优化）。不同段位对应不同的算力需求和技能深度。
现有问题与未来展望
当前挑战包括模型幻觉（生成不准确内容）和模型压缩（剪枝、量化等技术需平衡性能与效率）。未来方向聚焦多模态大模型（融合文本、图像、语音等跨模态处理）和具身智能（机器人在复杂环境中的自主学习与决策），并强调高校科研应侧重技术深化而非单纯部署。
现象思考与行业影响
讨论了DeepSeek对行业的影响，如降低AI成本可能推动普及，但依赖NVIDIA硬件的问题仍需解决；同时反思当前用户多停留在基础应用段位，呼吁加强高阶技术研究（如高效训练与任务优化）。
精彩内容
报告下载地址：kdocs.cn/l/ci1DfElGC…
