当前位置：首页 > news >正文

DeepSeek-v1到DeepSeek-v3再到DeepSeek-R1的变迁和进化史，创新点，值得大家学习，DeepSeek系列干货

news 来源：原创 2025/6/15 1:04:59

DeepSeek-v1

1.高质量的数据构建：2T tokens中英文数据集（数据去重、过滤和重混）；

2. 模型架构参考LlaMa；

3.数据并行、张量并行、超参数设置等：

衍生：DeepSeek-Coder、deepseek MoE、DeepSeek-Math

DeepSeek-v2

1.高质量的数据：8.1T tokens

2.模型架构：MLA+DeepSeekMoE，后训练引入GRPO

MLA 是对传统多头注意力（MHA）机制的创新。其核心思想是对键和值进行低秩联合压缩，以减少KV缓存。简单来说，使用一个下采样矩阵生成较小尺寸的KV缓存，在生成的时候再使用一个上采样矩阵将保存的KV缓存上采样到原尺寸。从而可以大幅减少KV缓存，同时保持较好的性能。

DeepSeekMoE模块

该模块结合了 Mixture of Experts（MoE）架构，通过更加灵活的专家选择和分配策略，使得模型能够根据输入的不同特性更有效地分配计算资源。该模块优化了模型在多任务环境下的表现，尤其是在需要大规模并行计算的情况下，能够显著提高计算效率和推理速度。

3.后训练：GRPO

LLM的GRPO（Group Relative Policy Optimization）模型

背景（PPO的缺点）：

需要训练一个与策略模型大小相当的价值模型（Critic模型），这带来了巨大的内存和计算负担；

在 LLM 的上下文中，通常只有最后一个 token 会被奖励模型打分，这使得训练一个在每个 token 上都准确的价值函数变得困难。

GRPO的优势：

避免了像 PPO 那样使用额外的价值函数近似，而是使用"同一问题下多个采样输出的平均奖励"作为基线。

优化目标

优劣势计算

衍生： DeepSeek-Coder-v2、DeepSeek-v2.5、DeepSeek-VL/VL2

DeepSeek-v3

1.高质量数据：14.8 T tokens

2.模型架构：引入MTP加速生成过程

3.模型训练：首创FP8混精度训练，实现模型加速，减少内存占用

4.后训练：结合R1产生的高质量推理数据，进一步提升V3的推理能力

MTP模块：

具体来说，MTP使用D个顺序模块来预测额外的D个token。MTP模块由一个共享嵌入层、一个共享输出头、一个Transformer块和一个投影矩阵组成。对于第i个标记，在第k个深度处，首先将第(k-1)个深度的第i个标记的表示和第(i+k)个标记的embedding结合起来。组合得到的向量用作第k层处的Transformer块的输入，以产生当前深度处的输出表示，最后将该输出作为输入，共享输出头将计算第k个额外预测token的概率分布。即输出头会将该表示进行线性映射得到logits，随后使用Softmax函数来计算第k个附加token的预测概率。总而言之，MTP使用多个顺序模块，每个模块预测一个额外的token，用以帮助模型更好地规划其表示以预测未来的token。

训练目标：对于每个预测深度，都会计算其交叉熵损失，然后计算所有深度MTP损失的平均值，并将其乘以加权因子，最终得到MTP损失。该损失作为DeepSeek-V3的额外训练目标。

DeepSeek-R1

1.后训练：直接将RL应用于基础模型，使得模型能用CoT来解决复杂的问题，同时出现自我反思的能力，也就是“顿悟时刻”；

2.蒸馏：应用大模型蒸馏小模型，提升小模型的推理能力

DeepSeek-R1: 冷启动强化学习

DeepSeek-R1 使用了冷启动 + 多阶段训练的方式：

阶段1：使用少量高质量的 CoT 数据进行冷启动，预热模型。
阶段2：进行面向推理的强化学习，提升模型在推理任务上的性能。
阶段3：使用拒绝采样和监督微调，进一步提升模型的综合能力。
阶段4：再次进行强化学习，使模型在所有场景下都表现良好。

DeepSeek-R1 使用冷启动数据的主要目的是为了解决 DeepSeek-R1-Zero 在训练早期出现的训练不稳定问题。相比于直接在基础模型上进行 RL，使用少量的 SFT 数据进行冷启动，可以让模型更快地进入稳定训练阶段：

可读性：冷启动数据使用更易于理解的格式，输出内容更适合人类阅读，避免了 DeepSeek-R1-Zero 输出的语言混合、格式混乱等问题。
潜在性能：通过精心设计冷启动数据的模式，可以引导模型产生更好的推理能力。
稳定训练：使用 SFT 数据作为起始点，可以避免 RL 训练早期阶段的不稳定问题。

蒸馏小模型

为了获得更高效的小模型，并使其具有 DeekSeek-R1 的推理能力，直接对 Qwen 和 Llama 等开源模型进行了微调，使用的是上面 SFT DeepSeek-R1 的80万数据。研究结果表明，这种直接蒸馏方法显著提高了小模型的推理能力。在这里使用的基座模型是 Qwen2.5-Math-1.5B、Qwen2.5-Math-7B、Qwen2.5-14B、Qwen2.5-32B、Llama-3.1-8B 和 Llama-3.3-70B-Instruct。

对于蒸馏模型，只进行 SFT，不包括 RL 阶段，尽管加入 RL 可以显著提高模型性能。