工具鏈速查手冊)
文檔教程知識庫人工智能【免費(fèi)下載鏈接】ai-guide程序員魚皮的 AI 資源大全 Vibe Coding 零基礎(chǔ)教程分享 OpenClaw 保姆級教程、大模型玩法DeepSeek / GPT / Gemini / Claude / GLM、最新 AI 資訊、Prompt 提示詞大全、AI 知識百科Agent Skills / RAG / MCP / A2A、AI 編程教程Harness Engineering、AI 工具用法Cursor / Claude Code / TRAE / Codex / Copilot、AI 開發(fā)框架教程Spring AI / LangChain、AI 產(chǎn)品變現(xiàn)指南幫你快速掌握 AI 技術(shù)走在時代前沿。本項目為開源文檔 aiguide已升級為魚皮 AI 導(dǎo)航網(wǎng)站項目地址https://gitcode.com/GitHub_Trending/aig/ai-guide點擊查看免費(fèi)下載本文以 ai-guide 倉庫中 DeepSeek 開源項目 文檔為骨架系統(tǒng)梳理 DeepSeek 官方在 GitHub 開源的十余個模型倉庫R1/V3/V2、Coder 系列、VL 系列、Math、Janus、DreamCraft3D 等并盤點社區(qū)圍繞 DeepSeek 構(gòu)建的集成、部署與復(fù)現(xiàn)類開源項目。結(jié)合倉庫內(nèi) DeepSeek 技術(shù)解析文檔你將理解每個項目背后的架構(gòu)要點MoE、MLA、GRPO、蒸餾等學(xué)會按任務(wù)場景快速選型、上手使用。一、DeepSeek 開源版圖為什么值得關(guān)注DeepSeek 自 2023 年成立以來以開源 高性價比路線在基礎(chǔ)大模型賽道快速站穩(wěn)腳跟。據(jù)倉庫內(nèi)技術(shù)解析文檔DeepSeek 于 2023 年 11 月發(fā)布 DeepSeek Coder隨后推出 DeepSeek LLM 67B2024 年 5 月 DeepSeek-V2 以多頭潛在注意力MLA與高性價比引發(fā)市場關(guān)注2025 年 1 月開源的 DeepSeek-R1 更將開源模型的推理能力推至新高度可對標(biāo) OpenAI 閉源的 o1 系列模型詳見 DeepSeek技術(shù)解讀從V3到R1的MoE架構(gòu)創(chuàng)新。目前 DeepSeek 的官方開源倉庫分布在 GitHub 的 deepseek-ai 組織下覆蓋通用語言模型、推理模型、代碼模型、數(shù)學(xué)模型、多模態(tài)視覺-語言模型、多模態(tài)生成模型六大類同時社區(qū)生態(tài)中也涌現(xiàn)出集成、復(fù)現(xiàn)、部署三大類衍生項目。先看官方開源項目的完整清單項目名稱項目鏈接簡介DeepSeek-R1https://github.com/deepseek-ai/DeepSeek-R1DeepSeek的旗艦語言模型提供高質(zhì)量的響應(yīng)支持多種自然語言處理任務(wù)DeepSeek-V3https://github.com/deepseek-ai/DeepSeek-V3DeepSeek的第三個版本采用創(chuàng)新的混合專家架構(gòu)MoE支持多模態(tài)搜索DeepSeek-V2https://github.com/deepseek-ai/DeepSeek-V2一款強(qiáng)大、經(jīng)濟(jì)高效的專家混合語言模型DeepSeek-Coder-V2https://github.com/deepseek-ai/DeepSeek-Coder-V2采用混合專家Mixture-of-ExpertsMoE架構(gòu)突破閉源模型在代碼智能中的壁壘DeepSeek-Coderhttps://github.com/deepseek-ai/DeepSeek-Coder用于輔助代碼編寫的AI工具支持多種編程語言DeepSeek-LLMhttps://github.com/deepseek-ai/DeepSeek-LLM提供準(zhǔn)確可靠答案的綜合語言模型Janushttps://github.com/deepseek-ai/Janus統(tǒng)一的多模態(tài)理解與生成模型DreamCraft3Dhttps://github.com/deepseek-ai/DreamCraft3D基于引導(dǎo)擴(kuò)散先驗的分層3D生成模型的官方實現(xiàn)DeepSeek-Mathhttps://github.com/deepseek-ai/DeepSeek-Math通過增強(qiáng)模型的數(shù)學(xué)理解和推理能力突破傳統(tǒng)語言模型在數(shù)學(xué)領(lǐng)域的限制可處理符號計算、定理證明等復(fù)雜數(shù)學(xué)推理任務(wù)DeepSeek-MoEhttps://github.com/deepseek-ai/DeepSeek-MoE創(chuàng)新的混合專家架構(gòu)模型支持高效推理DeepSeek-VL2https://github.com/deepseek-ai/DeepSeek-VL2用于先進(jìn)多模態(tài)理解的專家混合視覺-語言模型DeepSeek-VLhttps://github.com/deepseek-ai/DeepSeek-VL通過深度學(xué)習(xí)技術(shù)增強(qiáng)視覺和語言的融合解決復(fù)雜的視覺-語言任務(wù)二、官方開源項目逐個拆解2.1 DeepSeek-R1旗艦推理模型DeepSeek-R1 是 DeepSeek 的旗艦推理Reasoning模型也是當(dāng)前開源世界中推理能力最具代表性的作品之一。它建立在 DeepSeek-V3 的 MoE 架構(gòu)之上總參數(shù) 671B、每個 Token 激活 37B 參數(shù)上下文長度 128K。據(jù)倉庫內(nèi) DeepSeek-R1的四個訓(xùn)練階段 文檔R1 的訓(xùn)練分為兩個 SFT 階段和兩個 RL 階段冷啟動CoT SFT用人工收集的數(shù)千條高質(zhì)量長鏈思維CoT數(shù)據(jù)對基座模型 DeepSeek-V3-Base 做監(jiān)督微調(diào)解決直接從基座啟動強(qiáng)化學(xué)習(xí)導(dǎo)致的輸出混亂、語言混雜問題面向推理的強(qiáng)化學(xué)習(xí)RL采用 GRPO分組相對策略優(yōu)化算法以準(zhǔn)確性獎勵 格式獎勵 語言一致性獎勵驅(qū)動模型在數(shù)學(xué)、代碼、科學(xué)等推理密集型任務(wù)上提升拒絕采樣與 SFT從上一階段 RL 檢查點做拒絕采樣篩選出約 60 萬條高質(zhì)量推理軌跡再混合約 20 萬條非推理數(shù)據(jù)寫作、事實問答等對模型進(jìn)行兩輪監(jiān)督微調(diào)全場景強(qiáng)化學(xué)習(xí)與對齊推理任務(wù)沿用規(guī)則獎勵通用任務(wù)使用獎勵模型評估人類偏好最終得到兼顧推理能力、實用性與無害性的 R1 模型。R1 倉庫還包含其無監(jiān)督覺醒前身DeepSeek-R1-Zero純強(qiáng)化學(xué)習(xí)、無 SFT 訓(xùn)練的實驗?zāi)Ｐ万炞C了大模型推理能力可以僅通過 RL 涌現(xiàn)以及蒸餾出的DeepSeek-R1-Distill 系列小模型。據(jù)倉庫技術(shù)文檔蒸餾系列覆蓋 Qwen2.51.5B/7B/14B/32B與 Llama8B/70B等多個基座使 Dense 稠密小模型也獲得不錯的推理能力適合資源受限場景詳見 DeepSeek技術(shù)解讀從V3到R1的MoE架構(gòu)創(chuàng)新。2.2 DeepSeek-V3MoE 架構(gòu)的通用基座DeepSeek-V3 是 R1 的基座模型也是 DeepSeek 技術(shù)創(chuàng)新的集大成者。據(jù)倉庫技術(shù)解析文檔其關(guān)鍵架構(gòu)事實包括參數(shù)規(guī)?？倕?shù) 671B每個 Token 僅激活約 37B 參數(shù)參數(shù)量與 GPT-4 大致同一數(shù)量級DeepSeekMoE 架構(gòu)每個 MoE 層包含 1 個共享專家 256 個路由專家全模型共 58 個 MoE 層、14906 個專家每個 Token 激活 8 個路由專家共享專家負(fù)責(zé)提取跨任務(wù)的共性特征以減少參數(shù)冗余路由專家按門控權(quán)重被稀疏激活多頭潛在注意力MLA對注意力鍵值做低秩聯(lián)合壓縮顯著減小 KV 緩存、降低推理內(nèi)存占用與成本無輔助損失負(fù)載均衡為每個專家維護(hù)可動態(tài)調(diào)整的偏置項在不引入輔助損失函數(shù)的前提下平衡專家負(fù)載避免路由崩潰并輔以序列級負(fù)載均衡多令牌預(yù)測MTP主模型之外疊加 MTP 模塊同時預(yù)測多個未來 Token提升訓(xùn)練數(shù)據(jù)利用效率與推理生成速度高效訓(xùn)練體系基于自研 HAI-LLM 框架使用 FP8 混合精度訓(xùn)練、DualPipe 雙向流水線、跨節(jié)點 All-to-All 通信內(nèi)核等軟硬件協(xié)同優(yōu)化以 14.8 萬億 Token 數(shù)據(jù)完成預(yù)訓(xùn)練上下文分兩階段擴(kuò)展到 128K。對于想要低成本自建大模型基座、做二次微調(diào)或部署到私有環(huán)境的團(tuán)隊V3 倉庫是首選入口對推理鏈路、成本控制等技術(shù)細(xì)節(jié)感興趣的讀者可進(jìn)一步閱讀倉庫內(nèi) DeepSeek-V3 高效訓(xùn)練關(guān)鍵技術(shù)分析。2.3 DeepSeek-V2經(jīng)濟(jì)高效的 MoE 先導(dǎo)DeepSeek-V2 發(fā)布于 2024 年 5 月是 DeepSeek 在 MoE 架構(gòu)上打出的重要一役。它是首個大規(guī)模引入多頭潛在注意力MLA的模型通過將 KV 緩存壓縮為低秩潛向量大幅降低推理時的顯存與帶寬開銷配合 DeepSeekMoE 架構(gòu)實現(xiàn)了高性價比的推理。據(jù)倉庫技術(shù)文檔V2 之后 DeepSeek 還發(fā)布了 V2.5 迭代版本并用于生成 V3 的非推理 SFT 數(shù)據(jù)。V2 倉庫適合研究 MLA 機(jī)制演進(jìn)與 MoE 負(fù)載均衡策略的開發(fā)者其架構(gòu)思路在 V3、R1 中得到了延續(xù)。2.4 DeepSeek-Coder 系列代碼智能雙雄DeepSeek-CoderDeepSeek 最早發(fā)布的代碼模型2023 年 11 月支持多種編程語言用于輔助代碼編寫、代碼補(bǔ)全與生成任務(wù)是 DeepSeek 切入基礎(chǔ)大模型賽道的起點。DeepSeek-Coder-V2在 Coder 基礎(chǔ)上引入混合專家MoE架構(gòu)主打突破閉源模型在代碼智能中的壁壘。據(jù)倉庫內(nèi)學(xué)習(xí)資料其對應(yīng)論文《DeepSeek-Coder-V2: Breaking the Barrier of Closed-Source Models in Code Intelligence》介紹了從數(shù)據(jù)構(gòu)建、預(yù)訓(xùn)練、指令微調(diào)到強(qiáng)化學(xué)習(xí)的完整訓(xùn)練流程。兩個倉庫均提供模型權(quán)重、推理腳本與評測配置是研究開源代碼大模型、搭建企業(yè)級代碼智能助手的重要參考。2.5 DeepSeek-LLM通用語言基座DeepSeek-LLM 是 DeepSeek 的通用語言模型含 67B 參數(shù)版本提供準(zhǔn)確可靠的自然語言問答能力。據(jù)倉庫學(xué)習(xí)資料中收錄的論文摘要該項目在擴(kuò)展開源語言模型方面的做法是使用約 2 萬億 Token 的多語言數(shù)據(jù)集進(jìn)行預(yù)訓(xùn)練。它適合作為理解 DeepSeek 早期訓(xùn)練路線預(yù)訓(xùn)練數(shù)據(jù)配比、SFT、RLHF 對齊的起點倉庫。2.6 DeepSeek-Math數(shù)學(xué)推理專項DeepSeek-Math 專注數(shù)學(xué)理解與推理通過增強(qiáng)模型的數(shù)學(xué)能力突破傳統(tǒng)語言模型在數(shù)學(xué)領(lǐng)域的限制能夠處理符號計算、定理證明等更復(fù)雜的數(shù)學(xué)推理任務(wù)。它可作為數(shù)學(xué)解題、科研輔助、教育場景模型的選型參考也為理解 R1 系列以數(shù)學(xué)/代碼為 RL 訓(xùn)練主戰(zhàn)場的思路提供了背景。2.7 DeepSeek-MoE混合專家架構(gòu)實驗場DeepSeek-MoE 是 DeepSeek 在 MoE 路線上的早期實驗倉庫驗證了混合專家架構(gòu)在訓(xùn)練與推理上的可行性主打高效推理。相比 V2/V3 的成熟產(chǎn)品級實現(xiàn)該倉庫更適合研究者追溯 MoE 架構(gòu)在 DeepSeek 內(nèi)部從實驗到落地的演進(jìn)脈絡(luò)。2.8 DeepSeek-VL / DeepSeek-VL2視覺-語言理解DeepSeek-VL通過深度學(xué)習(xí)技術(shù)增強(qiáng)視覺與語言的融合解決復(fù)雜的視覺-語言任務(wù)是 DeepSeek 在 2024 年初推出的多模態(tài)模型對應(yīng)論文為《DeepSeek-VL: Towards Real-World Vision-Language Understanding》。DeepSeek-VL2升級為專家混合MoE架構(gòu)的視覺-語言模型用于更先進(jìn)的多模態(tài)理解在圖文理解、視覺問答、文檔解析等場景表現(xiàn)更優(yōu)。這兩個倉庫適合對開源多模態(tài)模型、圖文檢索與視覺問答感興趣的開發(fā)者也便于理解 DeepSeek 如何將 MoE 技術(shù)從純語言模型遷移到多模態(tài)領(lǐng)域。2.9 Janus統(tǒng)一多模態(tài)理解與生成Janus 是 DeepSeek 提出的統(tǒng)一多模態(tài)理解與生成模型。與常見的編碼器 擴(kuò)散解碼器兩段式方案不同Janus 在單一模型中同時處理圖像理解自回歸與圖像生成擴(kuò)散任務(wù)其設(shè)計思路對研究多模態(tài)大模型架構(gòu)融合具有參考價值。倉庫提供模型權(quán)重、訓(xùn)練代碼與評測腳本適合作為多模態(tài)生成研究的基線。2.10 DreamCraft3D3D 內(nèi)容生成DreamCraft3D 是基于引導(dǎo)擴(kuò)散先驗的分層 3D 生成模型的官方實現(xiàn)。它將擴(kuò)散模型如 2D 擴(kuò)散先驗引入 3D 生成管線通過多階段優(yōu)化從單張圖片生成高質(zhì)量 3D 資產(chǎn)屬于 DeepSeek 官方開源項目中少見的 3D 生成方向。對 3D 資產(chǎn)生成、NeRF/3DGS 相關(guān)方向感興趣的開發(fā)者可以直接在本倉庫中獲取完整訓(xùn)練與推理代碼。三、其他相關(guān) DeepSeek 開源項目圍繞 DeepSeek社區(qū)形成了覆蓋 API 集成、免費(fèi)接入、桌面客戶端、算法復(fù)現(xiàn)、部署教程等維度的衍生生態(tài)。完整清單如下項目名稱項目鏈接簡介DeepSeek-API-Integrationhttps://github.com/deepseek-ai/awesome-deepseek-integration整理了DeepSeek API的集成應(yīng)用支持多種平臺和語言GPT4Freehttps://github.com/xtekky/gpt4free提供免費(fèi)訪問DeepSeek V3 R1等模型的接口CherryStudiohttps://github.com/CherryHQ/cherry-studio支持包括DeepSeek-R1在內(nèi)的多款LLM的桌面客戶端TinyZerohttps://github.com/Jiayi-Pan/TinyZero伯克利團(tuán)隊復(fù)現(xiàn)DeepSeek R1-Zero的項目simpleRL-reasonhttps://github.com/hkust-nlp/simpleRL-reason港科大團(tuán)隊復(fù)現(xiàn)DeepSeek R1-Zero和R1的項目DeepSeek-Freehttps://github.com/deepseek-free/deepseek-free提供DeepSeek部署教程和免費(fèi)API接口Unlock-DeepSeekhttps://github.com/datawhalechina/unlock-deepseek面向AI研究愛好者的DeepSeek系列工作解讀和復(fù)現(xiàn)3.1 DeepSeek-API-Integrationawesome-deepseek-integration由 DeepSeek 官方deepseek-ai 組織維護(hù)的 API 集成資源合集匯總了多種平臺、多種語言調(diào)用 DeepSeek API 的接入示例與第三方應(yīng)用。它是開發(fā)者接入 DeepSeek API 時的第一站無論你使用 Python、JavaScript/TypeScript、Java還是需要在微信機(jī)器人、Web 應(yīng)用、IDE 插件等場景中接入都可以在此倉庫找到可復(fù)用的集成代碼。配合 DeepSeek 官方鏈接 文檔中收錄的官方 API 文檔入口可快速完成鑒權(quán)、調(diào)用與錯誤排查。3.2 GPT4FreeGPT4Free 是一個提供免費(fèi)大模型接口的知名開源項目其功能列表中包含對 DeepSeek V3 R1 等模型的訪問接口。適合個人學(xué)習(xí)、低流量實驗場景用于快速驗證 DeepSeek 模型的輸出效果若用于生產(chǎn)環(huán)境應(yīng)優(yōu)先考慮官方 API 或自建部署以保障服務(wù)穩(wěn)定性與數(shù)據(jù)安全。3.3 CherryStudioCherryStudio 是支持多款 LLM 的桌面客戶端內(nèi)置對 DeepSeek-R1 等模型的支持可同時管理 API 調(diào)用與本地模型。據(jù)倉庫內(nèi) DeepSeek 學(xué)習(xí)資料 收錄的教程社區(qū)常用CherryStudio 硅基流動的方式實現(xiàn) DeepSeek 的零代碼本地部署尤其適合算力有限、又希望保護(hù)數(shù)據(jù)隱私的個人用戶。這也是普通用戶體驗 DeepSeek-R1 滿血版的最便捷入口之一。3.4 TinyZero 與 simpleRL-reasonR1 的復(fù)現(xiàn)研究TinyZero加州大學(xué)伯克利分校團(tuán)隊的項目復(fù)現(xiàn) DeepSeek R1-Zero 的純強(qiáng)化學(xué)習(xí)路線。其價值在于以極低成本驗證無監(jiān)督微調(diào)、純 RL 即可涌現(xiàn)推理能力這一核心發(fā)現(xiàn)為學(xué)術(shù)研究和小規(guī)模復(fù)現(xiàn)提供了輕量基線。simpleRL-reason香港科技大學(xué) NLP 團(tuán)隊的項目復(fù)現(xiàn) DeepSeek R1-Zero 和 R1 的強(qiáng)化學(xué)習(xí)訓(xùn)練流程代碼結(jié)構(gòu)簡潔適合作為 RL 訓(xùn)練推理模型的入門教材。兩者都是理解 R1 訓(xùn)練機(jī)制GRPO、規(guī)則獎勵、格式獎勵、語言一致性獎勵的重要參考實現(xiàn)與倉庫內(nèi) DeepSeek-R1的四個訓(xùn)練階段 文檔相互印證。3.5 DeepSeek-Free 與 Unlock-DeepSeek部署與學(xué)習(xí)DeepSeek-Free提供 DeepSeek 部署教程與免費(fèi) API 接口目標(biāo)用戶是希望低成本快速體驗或部署 DeepSeek 模型的開發(fā)者和個人用戶。倉庫內(nèi) DeepSeek 官方鏈接 文檔也收錄了該團(tuán)隊整理的免費(fèi)使用指南。Unlock-DeepSeek由 Datawhale 開源社區(qū)維護(hù)面向 AI 研究愛好者對 DeepSeek 系列工作進(jìn)行解讀和復(fù)現(xiàn)覆蓋 R1/V3 等核心模型的技術(shù)拆解與代碼實踐是系統(tǒng)學(xué)習(xí) DeepSeek 原理的優(yōu)質(zhì)中文資料。四、選型與上手建議綜合官方倉庫與社區(qū)項目可以按以下思路快速落地按任務(wù)選模型推理密集型任務(wù)數(shù)學(xué)、代碼、邏輯優(yōu)先選擇 DeepSeek-R1 或其蒸餾小模型如 R1-Distill-Qwen-32B、R1-Distill-Llama-70B通用對話、內(nèi)容創(chuàng)作、知識問答等場景選擇 DeepSeek-V3需要視覺理解選擇 DeepSeek-VL2代碼補(bǔ)全與生成選擇 DeepSeek-Coder-V2。按接入方式選路徑需要穩(wěn)定生產(chǎn)服務(wù)時使用 DeepSeek 官方 API參考 awesome-deepseek-integration 的集成示例對數(shù)據(jù)隱私敏感或追求可控性時參考 DeepSeek-Free 的部署教程做私有化部署個人體驗與調(diào)試則可用 CherryStudio 桌面客戶端快速上手。按研究目的選倉庫研究 MoE 架構(gòu)與訓(xùn)練效率看 V3 與 DeepSeek-MoE研究強(qiáng)化學(xué)習(xí)推理復(fù)現(xiàn)看 TinyZero 與 simpleRL-reason系統(tǒng)學(xué)習(xí)系列技術(shù)解讀看 Unlock-DeepSeek 及倉庫內(nèi)技術(shù)解析文檔。五、延伸閱讀DeepSeek 開源項目本文出處DeepSeek 官方鏈接官網(wǎng)、網(wǎng)頁版、App、GitHub 組織與社區(qū)賬號DeepSeek 學(xué)習(xí)資料教程、論文與技術(shù)研究資料匯總DeepSeek 資源匯總首頁DeepSeek技術(shù)解讀從V3到R1的MoE架構(gòu)創(chuàng)新MLA、DeepSeekMoE、FP8、DualPipe 架構(gòu)詳解DeepSeek-R1 技術(shù)全景解析V3 / R1-Zero / R1 三條技術(shù)路線對比DeepSeek-R1的四個訓(xùn)練階段R1 冷啟動、推理 RL、拒絕采樣 SFT、全場景 RL 四階段DeepSeek-V3 高效訓(xùn)練關(guān)鍵技術(shù)分析從模型架構(gòu)、并行策略、通信優(yōu)化到顯存優(yōu)化贊分享文檔教程知識庫人工智能【免費(fèi)下載鏈接】ai-guide程序員魚皮的 AI 資源大全 Vibe Coding 零基礎(chǔ)教程分享 OpenClaw 保姆級教程、大模型玩法DeepSeek / GPT / Gemini / Claude / GLM、最新 AI 資訊、Prompt 提示詞大全、AI 知識百科Agent Skills / RAG / MCP / A2A、AI 編程教程Harness Engineering、AI 工具用法Cursor / Claude Code / TRAE / Codex / Copilot、AI 開發(fā)框架教程Spring AI / LangChain、AI 產(chǎn)品變現(xiàn)指南幫你快速掌握 AI 技術(shù)走在時代前沿。本項目為開源文檔 aiguide已升級為魚皮 AI 導(dǎo)航網(wǎng)站項目地址https://gitcode.com/GitHub_Trending/aig/ai-guide點擊查看免費(fèi)下載相關(guān)推薦vue-i18n 工具鏈全景指南官方插件、Loader、模塊與第三方生態(tài)vue i18n 工具鏈全景指南官方插件、Loader、模塊與第三方生態(tài) vue i18n 是 Vue.js 的國際化i18n插件圍繞它官方與社區(qū)沉淀了前端國際化Rust 工具鏈全景指南為 C 開發(fā)者準(zhǔn)備的 Rust Tooling Ecosystem 速查手冊Rust 工具鏈全景指南為 C 開發(fā)者準(zhǔn)備的 Rust Tooling Ecosystem 速查手冊 本文基于 RustTraining 倉庫 csharp文檔教程SenseVoice開源生態(tài)全景從模型到生產(chǎn)環(huán)境的第三方工具鏈與社區(qū)貢獻(xiàn)指南SenseVoice開源生態(tài)全景從模型到生產(chǎn)環(huán)境的第三方工具鏈與社區(qū)貢獻(xiàn)指南 引言為什么選擇SenseVoice生態(tài) 語音識別技術(shù)在智能交互、語音助手、無人工智能大模型語音音頻微調(diào)本地部署創(chuàng)作聲明：本文部分內(nèi)容由AI輔助生成（AIGC），僅供參考 DeepSeek 開源項目全景指南：官方模型倉庫與生態(tài)工具鏈速查手冊
文檔教程知識庫人工智能【免費(fèi)下載鏈接】ai-guide程序員魚皮的 AI 資源大全 Vibe Coding 零基礎(chǔ)教程分享 OpenClaw 保姆級教程、大模型玩法DeepSeek / GPT / Gemini / Claude / GLM、最新 AI 資訊、Prompt 提示詞大全、AI 知識百科Agent Skills / RAG / MCP / A2A、AI 編程教程Harness Engineering、AI 工具用法Cursor / Claude Code / TRAE / Codex / Copilot、AI 開發(fā)框架教程Spring AI / LangChain、AI 產(chǎn)品變現(xiàn)指南幫你快速掌握 AI 技術(shù)走在時代前沿。本項目為開源文檔 aiguide已升級為魚皮 AI 導(dǎo)航網(wǎng)站項目地址https://gitcode.com/GitHub_Trending/aig/ai-guide點擊查看免費(fèi)下載本文以 ai-guide 倉庫中 DeepSeek 開源項目 文檔為骨架系統(tǒng)梳理 DeepSeek 官方在 GitHub 開源的十余個模型倉庫R1/V3/V2、Coder 系列、VL 系列、Math、Janus、DreamCraft3D 等并盤點社區(qū)圍繞 DeepSeek 構(gòu)建的集成、部署與復(fù)現(xiàn)類開源項目。結(jié)合倉庫內(nèi) DeepSeek 技術(shù)解析文檔你將理解每個項目背后的架構(gòu)要點MoE、MLA、GRPO、蒸餾等學(xué)會按任務(wù)場景快速選型、上手使用。一、DeepSeek 開源版圖為什么值得關(guān)注DeepSeek 自 2023 年成立以來以開源 高性價比路線在基礎(chǔ)大模型賽道快速站穩(wěn)腳跟。據(jù)倉庫內(nèi)技術(shù)解析文檔DeepSeek 于 2023 年 11 月發(fā)布 DeepSeek Coder隨后推出 DeepSeek LLM 67B2024 年 5 月 DeepSeek-V2 以多頭潛在注意力MLA與高性價比引發(fā)市場關(guān)注2025 年 1 月開源的 DeepSeek-R1 更將開源模型的推理能力推至新高度可對標(biāo) OpenAI 閉源的 o1 系列模型詳見 DeepSeek技術(shù)解讀從V3到R1的MoE架構(gòu)創(chuàng)新。目前 DeepSeek 的官方開源倉庫分布在 GitHub 的 deepseek-ai 組織下覆蓋通用語言模型、推理模型、代碼模型、數(shù)學(xué)模型、多模態(tài)視覺-語言模型、多模態(tài)生成模型六大類同時社區(qū)生態(tài)中也涌現(xiàn)出集成、復(fù)現(xiàn)、部署三大類衍生項目。先看官方開源項目的完整清單項目名稱項目鏈接簡介DeepSeek-R1https://github.com/deepseek-ai/DeepSeek-R1DeepSeek的旗艦語言模型提供高質(zhì)量的響應(yīng)支持多種自然語言處理任務(wù)DeepSeek-V3https://github.com/deepseek-ai/DeepSeek-V3DeepSeek的第三個版本采用創(chuàng)新的混合專家架構(gòu)MoE支持多模態(tài)搜索DeepSeek-V2https://github.com/deepseek-ai/DeepSeek-V2一款強(qiáng)大、經(jīng)濟(jì)高效的專家混合語言模型DeepSeek-Coder-V2https://github.com/deepseek-ai/DeepSeek-Coder-V2采用混合專家Mixture-of-ExpertsMoE架構(gòu)突破閉源模型在代碼智能中的壁壘DeepSeek-Coderhttps://github.com/deepseek-ai/DeepSeek-Coder用于輔助代碼編寫的AI工具支持多種編程語言DeepSeek-LLMhttps://github.com/deepseek-ai/DeepSeek-LLM提供準(zhǔn)確可靠答案的綜合語言模型Janushttps://github.com/deepseek-ai/Janus統(tǒng)一的多模態(tài)理解與生成模型DreamCraft3Dhttps://github.com/deepseek-ai/DreamCraft3D基于引導(dǎo)擴(kuò)散先驗的分層3D生成模型的官方實現(xiàn)DeepSeek-Mathhttps://github.com/deepseek-ai/DeepSeek-Math通過增強(qiáng)模型的數(shù)學(xué)理解和推理能力突破傳統(tǒng)語言模型在數(shù)學(xué)領(lǐng)域的限制可處理符號計算、定理證明等復(fù)雜數(shù)學(xué)推理任務(wù)DeepSeek-MoEhttps://github.com/deepseek-ai/DeepSeek-MoE創(chuàng)新的混合專家架構(gòu)模型支持高效推理DeepSeek-VL2https://github.com/deepseek-ai/DeepSeek-VL2用于先進(jìn)多模態(tài)理解的專家混合視覺-語言模型DeepSeek-VLhttps://github.com/deepseek-ai/DeepSeek-VL通過深度學(xué)習(xí)技術(shù)增強(qiáng)視覺和語言的融合解決復(fù)雜的視覺-語言任務(wù)二、官方開源項目逐個拆解2.1 DeepSeek-R1旗艦推理模型DeepSeek-R1 是 DeepSeek 的旗艦推理Reasoning模型也是當(dāng)前開源世界中推理能力最具代表性的作品之一。它建立在 DeepSeek-V3 的 MoE 架構(gòu)之上總參數(shù) 671B、每個 Token 激活 37B 參數(shù)上下文長度 128K。據(jù)倉庫內(nèi) DeepSeek-R1的四個訓(xùn)練階段 文檔R1 的訓(xùn)練分為兩個 SFT 階段和兩個 RL 階段冷啟動CoT SFT用人工收集的數(shù)千條高質(zhì)量長鏈思維CoT數(shù)據(jù)對基座模型 DeepSeek-V3-Base 做監(jiān)督微調(diào)解決直接從基座啟動強(qiáng)化學(xué)習(xí)導(dǎo)致的輸出混亂、語言混雜問題面向推理的強(qiáng)化學(xué)習(xí)RL采用 GRPO分組相對策略優(yōu)化算法以準(zhǔn)確性獎勵 格式獎勵 語言一致性獎勵驅(qū)動模型在數(shù)學(xué)、代碼、科學(xué)等推理密集型任務(wù)上提升拒絕采樣與 SFT從上一階段 RL 檢查點做拒絕采樣篩選出約 60 萬條高質(zhì)量推理軌跡再混合約 20 萬條非推理數(shù)據(jù)寫作、事實問答等對模型進(jìn)行兩輪監(jiān)督微調(diào)全場景強(qiáng)化學(xué)習(xí)與對齊推理任務(wù)沿用規(guī)則獎勵通用任務(wù)使用獎勵模型評估人類偏好最終得到兼顧推理能力、實用性與無害性的 R1 模型。R1 倉庫還包含其無監(jiān)督覺醒前身DeepSeek-R1-Zero純強(qiáng)化學(xué)習(xí)、無 SFT 訓(xùn)練的實驗?zāi)Ｐ万炞C了大模型推理能力可以僅通過 RL 涌現(xiàn)以及蒸餾出的DeepSeek-R1-Distill 系列小模型。據(jù)倉庫技術(shù)文檔蒸餾系列覆蓋 Qwen2.51.5B/7B/14B/32B與 Llama8B/70B等多個基座使 Dense 稠密小模型也獲得不錯的推理能力適合資源受限場景詳見 DeepSeek技術(shù)解讀從V3到R1的MoE架構(gòu)創(chuàng)新。2.2 DeepSeek-V3MoE 架構(gòu)的通用基座DeepSeek-V3 是 R1 的基座模型也是 DeepSeek 技術(shù)創(chuàng)新的集大成者。據(jù)倉庫技術(shù)解析文檔其關(guān)鍵架構(gòu)事實包括參數(shù)規(guī)?？倕?shù) 671B每個 Token 僅激活約 37B 參數(shù)參數(shù)量與 GPT-4 大致同一數(shù)量級DeepSeekMoE 架構(gòu)每個 MoE 層包含 1 個共享專家 256 個路由專家全模型共 58 個 MoE 層、14906 個專家每個 Token 激活 8 個路由專家共享專家負(fù)責(zé)提取跨任務(wù)的共性特征以減少參數(shù)冗余路由專家按門控權(quán)重被稀疏激活多頭潛在注意力MLA對注意力鍵值做低秩聯(lián)合壓縮顯著減小 KV 緩存、降低推理內(nèi)存占用與成本無輔助損失負(fù)載均衡為每個專家維護(hù)可動態(tài)調(diào)整的偏置項在不引入輔助損失函數(shù)的前提下平衡專家負(fù)載避免路由崩潰并輔以序列級負(fù)載均衡多令牌預(yù)測MTP主模型之外疊加 MTP 模塊同時預(yù)測多個未來 Token提升訓(xùn)練數(shù)據(jù)利用效率與推理生成速度高效訓(xùn)練體系基于自研 HAI-LLM 框架使用 FP8 混合精度訓(xùn)練、DualPipe 雙向流水線、跨節(jié)點 All-to-All 通信內(nèi)核等軟硬件協(xié)同優(yōu)化以 14.8 萬億 Token 數(shù)據(jù)完成預(yù)訓(xùn)練上下文分兩階段擴(kuò)展到 128K。對于想要低成本自建大模型基座、做二次微調(diào)或部署到私有環(huán)境的團(tuán)隊V3 倉庫是首選入口對推理鏈路、成本控制等技術(shù)細(xì)節(jié)感興趣的讀者可進(jìn)一步閱讀倉庫內(nèi) DeepSeek-V3 高效訓(xùn)練關(guān)鍵技術(shù)分析。2.3 DeepSeek-V2經(jīng)濟(jì)高效的 MoE 先導(dǎo)DeepSeek-V2 發(fā)布于 2024 年 5 月是 DeepSeek 在 MoE 架構(gòu)上打出的重要一役。它是首個大規(guī)模引入多頭潛在注意力MLA的模型通過將 KV 緩存壓縮為低秩潛向量大幅降低推理時的顯存與帶寬開銷配合 DeepSeekMoE 架構(gòu)實現(xiàn)了高性價比的推理。據(jù)倉庫技術(shù)文檔V2 之后 DeepSeek 還發(fā)布了 V2.5 迭代版本并用于生成 V3 的非推理 SFT 數(shù)據(jù)。V2 倉庫適合研究 MLA 機(jī)制演進(jìn)與 MoE 負(fù)載均衡策略的開發(fā)者其架構(gòu)思路在 V3、R1 中得到了延續(xù)。2.4 DeepSeek-Coder 系列代碼智能雙雄DeepSeek-CoderDeepSeek 最早發(fā)布的代碼模型2023 年 11 月支持多種編程語言用于輔助代碼編寫、代碼補(bǔ)全與生成任務(wù)是 DeepSeek 切入基礎(chǔ)大模型賽道的起點。DeepSeek-Coder-V2在 Coder 基礎(chǔ)上引入混合專家MoE架構(gòu)主打突破閉源模型在代碼智能中的壁壘。據(jù)倉庫內(nèi)學(xué)習(xí)資料其對應(yīng)論文《DeepSeek-Coder-V2: Breaking the Barrier of Closed-Source Models in Code Intelligence》介紹了從數(shù)據(jù)構(gòu)建、預(yù)訓(xùn)練、指令微調(diào)到強(qiáng)化學(xué)習(xí)的完整訓(xùn)練流程。兩個倉庫均提供模型權(quán)重、推理腳本與評測配置是研究開源代碼大模型、搭建企業(yè)級代碼智能助手的重要參考。2.5 DeepSeek-LLM通用語言基座DeepSeek-LLM 是 DeepSeek 的通用語言模型含 67B 參數(shù)版本提供準(zhǔn)確可靠的自然語言問答能力。據(jù)倉庫學(xué)習(xí)資料中收錄的論文摘要該項目在擴(kuò)展開源語言模型方面的做法是使用約 2 萬億 Token 的多語言數(shù)據(jù)集進(jìn)行預(yù)訓(xùn)練。它適合作為理解 DeepSeek 早期訓(xùn)練路線預(yù)訓(xùn)練數(shù)據(jù)配比、SFT、RLHF 對齊的起點倉庫。2.6 DeepSeek-Math數(shù)學(xué)推理專項DeepSeek-Math 專注數(shù)學(xué)理解與推理通過增強(qiáng)模型的數(shù)學(xué)能力突破傳統(tǒng)語言模型在數(shù)學(xué)領(lǐng)域的限制能夠處理符號計算、定理證明等更復(fù)雜的數(shù)學(xué)推理任務(wù)。它可作為數(shù)學(xué)解題、科研輔助、教育場景模型的選型參考也為理解 R1 系列以數(shù)學(xué)/代碼為 RL 訓(xùn)練主戰(zhàn)場的思路提供了背景。2.7 DeepSeek-MoE混合專家架構(gòu)實驗場DeepSeek-MoE 是 DeepSeek 在 MoE 路線上的早期實驗倉庫驗證了混合專家架構(gòu)在訓(xùn)練與推理上的可行性主打高效推理。相比 V2/V3 的成熟產(chǎn)品級實現(xiàn)該倉庫更適合研究者追溯 MoE 架構(gòu)在 DeepSeek 內(nèi)部從實驗到落地的演進(jìn)脈絡(luò)。2.8 DeepSeek-VL / DeepSeek-VL2視覺-語言理解DeepSeek-VL通過深度學(xué)習(xí)技術(shù)增強(qiáng)視覺與語言的融合解決復(fù)雜的視覺-語言任務(wù)是 DeepSeek 在 2024 年初推出的多模態(tài)模型對應(yīng)論文為《DeepSeek-VL: Towards Real-World Vision-Language Understanding》。DeepSeek-VL2升級為專家混合MoE架構(gòu)的視覺-語言模型用于更先進(jìn)的多模態(tài)理解在圖文理解、視覺問答、文檔解析等場景表現(xiàn)更優(yōu)。這兩個倉庫適合對開源多模態(tài)模型、圖文檢索與視覺問答感興趣的開發(fā)者也便于理解 DeepSeek 如何將 MoE 技術(shù)從純語言模型遷移到多模態(tài)領(lǐng)域。2.9 Janus統(tǒng)一多模態(tài)理解與生成Janus 是 DeepSeek 提出的統(tǒng)一多模態(tài)理解與生成模型。與常見的編碼器 擴(kuò)散解碼器兩段式方案不同Janus 在單一模型中同時處理圖像理解自回歸與圖像生成擴(kuò)散任務(wù)其設(shè)計思路對研究多模態(tài)大模型架構(gòu)融合具有參考價值。倉庫提供模型權(quán)重、訓(xùn)練代碼與評測腳本適合作為多模態(tài)生成研究的基線。2.10 DreamCraft3D3D 內(nèi)容生成DreamCraft3D 是基于引導(dǎo)擴(kuò)散先驗的分層 3D 生成模型的官方實現(xiàn)。它將擴(kuò)散模型如 2D 擴(kuò)散先驗引入 3D 生成管線通過多階段優(yōu)化從單張圖片生成高質(zhì)量 3D 資產(chǎn)屬于 DeepSeek 官方開源項目中少見的 3D 生成方向。對 3D 資產(chǎn)生成、NeRF/3DGS 相關(guān)方向感興趣的開發(fā)者可以直接在本倉庫中獲取完整訓(xùn)練與推理代碼。三、其他相關(guān) DeepSeek 開源項目圍繞 DeepSeek社區(qū)形成了覆蓋 API 集成、免費(fèi)接入、桌面客戶端、算法復(fù)現(xiàn)、部署教程等維度的衍生生態(tài)。完整清單如下項目名稱項目鏈接簡介DeepSeek-API-Integrationhttps://github.com/deepseek-ai/awesome-deepseek-integration整理了DeepSeek API的集成應(yīng)用支持多種平臺和語言GPT4Freehttps://github.com/xtekky/gpt4free提供免費(fèi)訪問DeepSeek V3 R1等模型的接口CherryStudiohttps://github.com/CherryHQ/cherry-studio支持包括DeepSeek-R1在內(nèi)的多款LLM的桌面客戶端TinyZerohttps://github.com/Jiayi-Pan/TinyZero伯克利團(tuán)隊復(fù)現(xiàn)DeepSeek R1-Zero的項目simpleRL-reasonhttps://github.com/hkust-nlp/simpleRL-reason港科大團(tuán)隊復(fù)現(xiàn)DeepSeek R1-Zero和R1的項目DeepSeek-Freehttps://github.com/deepseek-free/deepseek-free提供DeepSeek部署教程和免費(fèi)API接口Unlock-DeepSeekhttps://github.com/datawhalechina/unlock-deepseek面向AI研究愛好者的DeepSeek系列工作解讀和復(fù)現(xiàn)3.1 DeepSeek-API-Integrationawesome-deepseek-integration由 DeepSeek 官方deepseek-ai 組織維護(hù)的 API 集成資源合集匯總了多種平臺、多種語言調(diào)用 DeepSeek API 的接入示例與第三方應(yīng)用。它是開發(fā)者接入 DeepSeek API 時的第一站無論你使用 Python、JavaScript/TypeScript、Java還是需要在微信機(jī)器人、Web 應(yīng)用、IDE 插件等場景中接入都可以在此倉庫找到可復(fù)用的集成代碼。配合 DeepSeek 官方鏈接 文檔中收錄的官方 API 文檔入口可快速完成鑒權(quán)、調(diào)用與錯誤排查。3.2 GPT4FreeGPT4Free 是一個提供免費(fèi)大模型接口的知名開源項目其功能列表中包含對 DeepSeek V3 R1 等模型的訪問接口。適合個人學(xué)習(xí)、低流量實驗場景用于快速驗證 DeepSeek 模型的輸出效果若用于生產(chǎn)環(huán)境應(yīng)優(yōu)先考慮官方 API 或自建部署以保障服務(wù)穩(wěn)定性與數(shù)據(jù)安全。3.3 CherryStudioCherryStudio 是支持多款 LLM 的桌面客戶端內(nèi)置對 DeepSeek-R1 等模型的支持可同時管理 API 調(diào)用與本地模型。據(jù)倉庫內(nèi) DeepSeek 學(xué)習(xí)資料 收錄的教程社區(qū)常用CherryStudio 硅基流動的方式實現(xiàn) DeepSeek 的零代碼本地部署尤其適合算力有限、又希望保護(hù)數(shù)據(jù)隱私的個人用戶。這也是普通用戶體驗 DeepSeek-R1 滿血版的最便捷入口之一。3.4 TinyZero 與 simpleRL-reasonR1 的復(fù)現(xiàn)研究TinyZero加州大學(xué)伯克利分校團(tuán)隊的項目復(fù)現(xiàn) DeepSeek R1-Zero 的純強(qiáng)化學(xué)習(xí)路線。其價值在于以極低成本驗證無監(jiān)督微調(diào)、純 RL 即可涌現(xiàn)推理能力這一核心發(fā)現(xiàn)為學(xué)術(shù)研究和小規(guī)模復(fù)現(xiàn)提供了輕量基線。simpleRL-reason香港科技大學(xué) NLP 團(tuán)隊的項目復(fù)現(xiàn) DeepSeek R1-Zero 和 R1 的強(qiáng)化學(xué)習(xí)訓(xùn)練流程代碼結(jié)構(gòu)簡潔適合作為 RL 訓(xùn)練推理模型的入門教材。兩者都是理解 R1 訓(xùn)練機(jī)制GRPO、規(guī)則獎勵、格式獎勵、語言一致性獎勵的重要參考實現(xiàn)與倉庫內(nèi) DeepSeek-R1的四個訓(xùn)練階段 文檔相互印證。3.5 DeepSeek-Free 與 Unlock-DeepSeek部署與學(xué)習(xí)DeepSeek-Free提供 DeepSeek 部署教程與免費(fèi) API 接口目標(biāo)用戶是希望低成本快速體驗或部署 DeepSeek 模型的開發(fā)者和個人用戶。倉庫內(nèi) DeepSeek 官方鏈接 文檔也收錄了該團(tuán)隊整理的免費(fèi)使用指南。Unlock-DeepSeek由 Datawhale 開源社區(qū)維護(hù)面向 AI 研究愛好者對 DeepSeek 系列工作進(jìn)行解讀和復(fù)現(xiàn)覆蓋 R1/V3 等核心模型的技術(shù)拆解與代碼實踐是系統(tǒng)學(xué)習(xí) DeepSeek 原理的優(yōu)質(zhì)中文資料。四、選型與上手建議綜合官方倉庫與社區(qū)項目可以按以下思路快速落地按任務(wù)選模型推理密集型任務(wù)數(shù)學(xué)、代碼、邏輯優(yōu)先選擇 DeepSeek-R1 或其蒸餾小模型如 R1-Distill-Qwen-32B、R1-Distill-Llama-70B通用對話、內(nèi)容創(chuàng)作、知識問答等場景選擇 DeepSeek-V3需要視覺理解選擇 DeepSeek-VL2代碼補(bǔ)全與生成選擇 DeepSeek-Coder-V2。按接入方式選路徑需要穩(wěn)定生產(chǎn)服務(wù)時使用 DeepSeek 官方 API參考 awesome-deepseek-integration 的集成示例對數(shù)據(jù)隱私敏感或追求可控性時參考 DeepSeek-Free 的部署教程做私有化部署個人體驗與調(diào)試則可用 CherryStudio 桌面客戶端快速上手。按研究目的選倉庫研究 MoE 架構(gòu)與訓(xùn)練效率看 V3 與 DeepSeek-MoE研究強(qiáng)化學(xué)習(xí)推理復(fù)現(xiàn)看 TinyZero 與 simpleRL-reason系統(tǒng)學(xué)習(xí)系列技術(shù)解讀看 Unlock-DeepSeek 及倉庫內(nèi)技術(shù)解析文檔。五、延伸閱讀DeepSeek 開源項目本文出處DeepSeek 官方鏈接官網(wǎng)、網(wǎng)頁版、App、GitHub 組織與社區(qū)賬號DeepSeek 學(xué)習(xí)資料教程、論文與技術(shù)研究資料匯總DeepSeek 資源匯總首頁DeepSeek技術(shù)解讀從V3到R1的MoE架構(gòu)創(chuàng)新MLA、DeepSeekMoE、FP8、DualPipe 架構(gòu)詳解DeepSeek-R1 技術(shù)全景解析V3 / R1-Zero / R1 三條技術(shù)路線對比DeepSeek-R1的四個訓(xùn)練階段R1 冷啟動、推理 RL、拒絕采樣 SFT、全場景 RL 四階段DeepSeek-V3 高效訓(xùn)練關(guān)鍵技術(shù)分析從模型架構(gòu)、并行策略、通信優(yōu)化到顯存優(yōu)化贊分享文檔教程知識庫人工智能【免費(fèi)下載鏈接】ai-guide程序員魚皮的 AI 資源大全 Vibe Coding 零基礎(chǔ)教程分享 OpenClaw 保姆級教程、大模型玩法DeepSeek / GPT / Gemini / Claude / GLM、最新 AI 資訊、Prompt 提示詞大全、AI 知識百科Agent Skills / RAG / MCP / A2A、AI 編程教程Harness Engineering、AI 工具用法Cursor / Claude Code / TRAE / Codex / Copilot、AI 開發(fā)框架教程Spring AI / LangChain、AI 產(chǎn)品變現(xiàn)指南幫你快速掌握 AI 技術(shù)走在時代前沿。本項目為開源文檔 aiguide已升級為魚皮 AI 導(dǎo)航網(wǎng)站項目地址https://gitcode.com/GitHub_Trending/aig/ai-guide點擊查看免費(fèi)下載相關(guān)推薦vue-i18n 工具鏈全景指南官方插件、Loader、模塊與第三方生態(tài)vue i18n 工具鏈全景指南官方插件、Loader、模塊與第三方生態(tài) vue i18n 是 Vue.js 的國際化i18n插件圍繞它官方與社區(qū)沉淀了前端國際化Rust 工具鏈全景指南為 C 開發(fā)者準(zhǔn)備的 Rust Tooling Ecosystem 速查手冊Rust 工具鏈全景指南為 C 開發(fā)者準(zhǔn)備的 Rust Tooling Ecosystem 速查手冊 本文基于 RustTraining 倉庫 csharp文檔教程SenseVoice開源生態(tài)全景從模型到生產(chǎn)環(huán)境的第三方工具鏈與社區(qū)貢獻(xiàn)指南SenseVoice開源生態(tài)全景從模型到生產(chǎn)環(huán)境的第三方工具鏈與社區(qū)貢獻(xiàn)指南 引言為什么選擇SenseVoice生態(tài) 語音識別技術(shù)在智能交互、語音助手、無人工智能大模型語音音頻微調(diào)本地部署創(chuàng)作聲明：本文部分內(nèi)容由AI輔助生成（AIGC），僅供參考