昨天晚上，DeepSeek系列引来了低调更新，目前DeepSeek官网线上已更新到了V3.1版本（不选择深度思考，模型名为DeepSeek-V3.1-Base），该版本的更新从版本号也能看出端倪，应该是在V3基础上有一些小的改动。整体大技术框架没有改变。

【模型的改动】

从目前已有资料来看，主要改动在上下文窗口增加到了128K，参数量与V3一致。重点可能在工具调度、代码和输出格式做了一些优化。

后续若有更多技术报告等资料再进行分享。

【目前测试的问题】

目前测试来看，幻觉问题仍然比较重（DeepSeek系列一直以来的问题），效果上众说纷纭。

【模型参数地址】

https://huggingface.co/deepseek-ai/DeepSeek-V3.1-Base

下面是之前分享过的一些DeepSeek系列汇总，感兴趣的小伙伴可以自行阅读～

DeepSeek系列汇总

笔者梳理了DeepSeek系列比较核心的几篇论文和相关技术创新如上图。

• • DeepSeek LLM：初代模型，基本参考LLaMA架构。微设计上，采用Pre-Norm结构和RMSNorm函数，使用SwiGLU作为前馈网络的激活函数。宏设计上，DeepSeek LLM 7B有30层，而67B有95层，以优化训练和推理。其中67B模型使用Grouped-Query Attention（GQA）以优化推理成本。

• • 核心创新总结：提出了超参数的扩展定律；使用多步学习率调度器替换余弦学习率调度器。
• • 论文翻译版本见：
  【技术报告解读】Deepseek-R1的初代藕身——Deepseek-LLM展示长期主义的硬核浪漫

• • DeepSeekMoE：提出DeepSeekMOE关键架构。在总参数和激活参数数量相同的情况下，DeepSeekMoE 表现出优于 GShard 的压倒性优势，实现了与 GShard×1.5 相当的性能。

• • 核心创新总结：在MOE架构中，将专家模块划分更细（V3用了256个），同时设置共享专家（通常很少就够（V3用了1个））来学习公共的知识。
• • 论文翻译版本见：
  【技术报告解读】一文速解Deepseek-R1低资源高性能的核心秘密之一：DeepSeekMoE

• • DeepSeek-Math：提出关键的组相对策略优化（GRPO）算法，使强化学习（RL）训练更变得稳定！

• • 核心创新总结：在PPO算法的基础上，通过组分数基线简化价值函数。
• • 论文翻译版本见：待分享

• • DeepSeek-V2：提出多头潜在注意力机制，大幅减少推理时的KV缓存，将每次查询所需的 KV 缓存减少了约 93.3%。

• • 核心创新总结：通过低秩键值联合压缩，将键值对压缩为潜在向量，大幅减少推理时的 KV 缓存，同时采用解耦旋转位置嵌入（RoPE）策略解决与低秩 KV 压缩的兼容性问题，在保证性能的同时提升推理效率。
• • 论文翻译版本见：
  【技术报告解读】速解Deepseek-R1的性能核心秘密：Multi-Head Latent Attention（MLA）

• • DeepSeek-V3：MLA+DeepSeekMOE+GRPO+无辅助损失负载平衡+MTP等，用极低资源创造极高效能。1/10 llama-70B的训练成本，1/30 openai的推理价格

• • 核心创新总结：1）使用多token预测机制（Multi-Token Prediction, MTP）： 创新性地采用了 MTP 目标，将预测范围扩展到每个位置的多个后续 token。2）训练优化创新：FP8混合精度训练框架+高效训练框架设计（ DualPipe 算法+高效的跨节点全对全通信内核）
• • 论文翻译版本见：
• 【技术报告解读】一文速解Deepseek-R1的核心秘密之一：GRPO算法

• • DeepSeek-R1：在RL激发推理能力赛道中开源的顶流，使用更少资源超越了01性能。

• • 核心创新总结：1）开创纯强化学习训练：使用GRPO进行低成本训练，采用基于规则的奖励系统，包括准确性奖励和格式奖励，引导模型提升推理能力；2）RL前增加少样本SFT效果更加。
• • 论文翻译版本见：
  【技术报告解读】Deepseek-R1登上热榜，RL前添加SFT效果更佳！

大模型算是目前当之无愧最火的一个方向了，算是新时代的风口！有小伙伴觉得，作为新领域、新方向人才需求必然相当大，与之相应的人才缺乏、人才竞争自然也会更少，那转行去做大模型是不是一个更好的选择呢？是不是更好就业呢？是不是就暂时能抵抗35岁中年危机呢？

答案当然是这样，大模型必然是新风口！

那如何学习大模型 ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。但是具体到个人，只能说是：

最先掌握AI的人，将会比较晚掌握AI的人有竞争优势。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

但现在很多想入行大模型的人苦于现在网上的大模型老课程老教材，学也不是不学也不是，基于此我用做产品的心态来打磨这份大模型教程，深挖痛点并持续修改了近100余次后，终于把整个AI大模型的学习路线完善出来！

在这个版本当中：

您只需要听我讲，跟着我做即可，为了让学习的道路变得更简单，这份大模型路线+学习教程已经给大家整理并打包分享出来, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉CSDN大礼包🎁：全网最全《LLM大模型学习资源包》免费分享（安全咨料，放心领取）👈

​

一、大模型经典书籍（免费分享）

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

二、640套大模型报告（免费分享）

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)

三、大模型系列视频教程（免费分享）

四、2025最新大模型学习路线（免费分享）

我们把学习路线分成L1到L4四个阶段，一步步带你从入门到进阶，从理论到实战。

L1阶段:启航篇丨极速破界AI新时代

L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。

L2阶段：攻坚篇丨RAG开发实战工坊

L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

L3阶段：跃迁篇丨Agent智能体架构设计

L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。

L4阶段：精进篇丨模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

L5阶段：专题集丨特训篇 【录播课】

全套的AI大模型学习资源已经整理打包，有需要的小伙伴可以微信扫描下方二维码，免费领取

👉CSDN大礼包🎁：全网最全《LLM大模型学习资源包》免费分享（安全资料，放心领取）👈

​