📚 DeepSeek系列文章
DeepSeek-R1 架构解析：如何通过强化学习激发大模型的推理能力？
大家可以带着以下三个问题阅读本文：
1.DeepSeek V3.1 的“Think/Non-Think”模式解决了什么实际问题？
2.DeepSeek V3.1 在硬件适配方面有哪些突破？
3.DeepSeek V3.1 的开源和 API 更新对开发者意味着什么？
所有相关源码示例、流程图、模型配置与知识库构建技巧，我也将持续更新在Github：LLMHub，欢迎关注收藏！
1.引言
2025年8月21日，DeepSeekV3.1发布，引起了很大的轰动，随后8月22日半导体与人工智能相关板块大涨，当然这两个之间我也不知道有没有关系，之所以叫DeepSeekV3.1，不叫DeepSeekV4，是因为是在DeepSeekV3的基础上进行了改进，变革程度还没有能够达到下一个版本的程度，下面我们就来看看DeepSeekV3.1相对于DeppSeek V3在哪些地方做了那些改进吧。
由于太过火爆，最近打开DeepSeekV3.1的界面都是拒绝连接的状态。
2.主要技术亮点
据官方介绍，本次升级主要包含以下变化：
- 混合推理架构：一个模型同时支持思考模式与非思考模式；
- 更高的思考效率：相比 DeepSeek-R1-0528，DeepSeek-V3.1-Think 能在更短时间内给出答案；
- 更强的 Agent 能力：通过 Post-Training 优化，新模型在工具使用与智能体任务中的表现有较大提升。
V3.1的 Base 模型在 V3 的基础上重新做了外扩训练，一共增加训练了 840B tokens。Base 模型与后训练模型均已在 Huggingface 与魔搭开源。需要注意的是，DeepSeek-V3.1 使用了 UE8M0 FP8 Scale 的参数精度，这个UE8M0是我们中国本土的精度格式，这一操作优化了内存与速度，提升了在国产硬件上的运行效率。另外，V3.1 对分词器及 chat template 进行了较大调整，与 DeepSeek-V3 存在明显差异。
在代码修复测评 SWE 与命令行终端环境下的复杂任务（Terminal-Bench）测试中，DeepSeek-V3.1 相比之前的 DeepSeek 系列模型有明显提高。
DeepSeek-V3.1 在多项搜索评测指标上取得了较大提升。在需要多步推理的复杂搜索测试（browsecomp）与多学科专家级难题测试（HLE）上，DeepSeek-V3.1 性能已大幅领先 R1-0528。
3.生态动向与行业影响
3.1 半导体市场回暖信号
DeepSeek 表态支持国产芯片立即刺激半导体和人工智能板块上涨，Cambricon 股价暴涨 20%，市值突破 5000 亿元人民币。
3.2 与 ChatGPT-5 对标
一篇对比文章指出，在逻辑推理、项目规划、数学、家庭经济等结构化任务中，DeepSeek 表现更实用、更具条理。GPT-5 则在人性化表达与叙述方面更具优势，两者各有所长。
3.3 国家与产业生态格局
DeepSeek-V3.1 的国产芯片适配进一步凸显中国 AI 自主路径的战略价值。百度等巨头通过开源策略加速生态布局，与 DeepSeek 等新锐形成竞争与协同格局。
4.总结
DeepSeek的这一次迭代，强化了国产芯片适配强化的技术自主性，也刺激了中国人工智能市场的信心，就让我们期待一下DeepSeek的下一次冲锋吧！！！
最后我们来回答一下文章开头提出的三个问题：
1.DeepSeek V3.1 的“Think/Non-Think”模式解决了什么实际问题？
传统大模型在面对不同任务时难以同时兼顾 速度 和 推理深度：复杂任务需要链式推理（CoT），但这会显著增加延迟与成本；而普通问答则不需要冗余的推理步骤。DeepSeek V3.1 通过引入 “Think” 与 “Non-Think” 模式，使用户无需手动切换模式，在逻辑复杂的任务中获得更准确、更结构化的答案，在日常场景中享受更快、更经济的响应。这种混合推理模式有效提升了模型的 灵活性与实用性。
2.DeepSeek V3.1 在硬件适配方面有哪些突破？
V3.1 针对中国本土 AI 芯片进行了优化，尤其支持 FP8 精度中的 UE8M0 格式，使其在国产硬件上运行更高效。这不仅提升了模型在 推理速度、内存利用率 上的表现，还强化了中国 AI 技术自主可控的战略优势。对于依赖国产算力生态的企业与科研机构来说，这意味着 更低的硬件门槛 与 更广的应用可能。
3.DeepSeek V3.1 的开源和 API 更新对开发者意味着什么？
DeepSeek V3.1 的基础模型已在 Hugging Face 和 ModelScope 全面开源，开发者可以自由下载、微调和私有化部署。同时，API 升级提供了 128K 长上下文、函数调用、Anthropic 格式兼容 等功能，使得开发者可以快速构建智能体（Agent）、工具链和复杂应用。这一策略不仅降低了创新门槛，也推动了整个 AI 生态的 开放与繁荣。
关于深度学习和大模型相关的知识和前沿技术更新，请关注公众号coting！
参考链接
