3分钟搞懂DeepSeek模型

一句话定义

DeepSeek 模型是杭州深度求索公司做的一系列大模型，既能直接回答问题，也能先在后台推理一遍再回答，用来写代码、解数学题、做分析、跑 AI Agent。它有两个特点：API 价格在一线模型里很低，模型权重用 MIT 许可证开放，任何人都可以下载、商用和修改。

你在 DeepSeek 网页版和 App 里聊天，或者在 Claude Code、OpenCode 这类编程工具里把模型换成 DeepSeek，背后用的都是这一套模型。

打开 DeepSeek，用的是哪个模型？

很多人对 DeepSeek 的印象还停留在“V3 和 R1”。其实截至 2026 年 11 月，DeepSeek 官方 API 里只剩两个模型可选：

两个模型的上下文都是 100 万 token，单次最多能输出 38.4 万 token。100 万 token 大概相当于几十万汉字，一整个中型代码仓库或者几本书都能一次塞进去。

这里有一点需要注意：名字里带“Flash”（快速版）的 V4.1-Flash，DeepSeek 官方说它的跑分已经超过了大号的 V4-Pro。原因是 V4.1-Flash 用的是新一代架构，它是新架构里最小的一款，而 V4-Pro 还是上一代架构。官方说 V4.1-Pro 会在之后推出，在那之前，Flash 就是 DeepSeek 最推荐用的模型。

图注：DeepSeek 在 V4.1-Flash-1017 发布公告里给出的对比图，测的是 DeepSWE v1.1 编程任务。横轴是平均每个任务花多少美元（对数刻度，越往左越便宜），纵轴是一次做对的比例。左上角蓝色粗线是 V4.1-Flash-1017，max 力度下做对 77.0%，每个任务大约 0.2 美元；中间的深蓝色星号是 V4-Pro，做对 60% 出头，每个任务要 1.5 美元以上。这是 DeepSeek 自己整理的数据，可以当作参考。

如果你以前的代码里写的是 deepseek-chat 或 deepseek-reasoner，要注意这两个老名字官方宣布在 2026 年 7 月 24 日停用，现在的定价页上已经没有它们了，记得改成 deepseek-flash。

从 V3、R1 到 V4：两条线是怎么并成一条的

2025 年初大家说的 DeepSeek，其实是两个分开的模型：

• V3（2024 年 12 月）是通用模型，你问什么它直接答，适合写作、聊天、日常写代码。
• R1（2025 年 1 月）是推理模型，回答之前会先输出一大段“思考过程”，自己列步骤、验算、推翻重来，然后才给答案，适合数学、逻辑和复杂编程。

这有点像一个学生做题的两种方式：简单的口算题直接写答案，难的应用题先在草稿纸上算一遍再写。早期的 DeepSeek 是让两个学生分别做这两类题，你得自己判断该叫哪一个。

从 2025 年 8 月的 V3.1 开始，DeepSeek 把这两种能力合进了同一个模型，用“思考模式”和“非思考模式”切换。到了 V4，思考模式还分成了 low、high、max 三档力度，力度越高想得越久，答案通常更好，但也更慢、更费 token。所以现在已经没有单独的 R1 了，你在 App 里点的“深度思考”，就是让同一个模型打开思考模式。

主要版本可以按下面这张表来看：

可以看出 DeepSeek 的节奏：大版本号之间会发很多带日期后缀的小版本（0324、0813、1017 就是发布日期），模型名不变，背后的模型悄悄换掉。如果你在做产品，就要留意官方的更新日志，模型换了之后效果可能会有变化。

R1 当年为什么出圈？

R1 能在 2025 年初火出圈，靠的是三件事同时发生。

第一，它把思考过程直接摆了出来。OpenAI 的 o1 也会先推理再回答，但它的思考过程是藏起来的。R1 把整段推理原样显示给用户，大家第一次能看到 AI 在“想”什么，比如“等一下，这里好像算错了，我重新来”。这种体验在当时很新鲜，App 也因此大量传播。

第二，训练方法比较新。DeepSeek 在论文里说明，R1 的推理能力主要是靠强化学习练出来的：只告诉模型最后答案对不对，不手把手教它每一步怎么想，模型在大量练习中自己学会了检查和反思。这篇论文后来在 2025 年 9 月发表在 Nature 上，是第一个经过顶级期刊同行评审的主流大模型。

图注：DeepSeek-R1 GitHub 仓库里的官方对比图。斜线蓝柱是 R1，深灰柱是当时 OpenAI 最强的推理模型 o1-1217，在 AIME 2024 数学竞赛题、MATH-500、SWE-bench 编程等测试上两者基本持平。浅蓝的 R1-32B 是后面会讲到的蒸馏小模型，最右边的浅色柱是没有思考过程的 V3，可以看出“先想再答”在数学题上带来的提升很明显。

第三，成本低，而且开放。DeepSeek 在 V3 技术报告里给出的最后一轮训练成本约 557.6 万美元，在 Nature 论文的补充材料里，R1 在 V3 基础上的推理训练约花了 29.4 万美元。要注意的是，这两个数字只算了正式训练用的显卡时长，不包括前期的研究、试错和买显卡的钱，所以不能简单理解成“几百万美元就能做出一个顶级模型”。但它确实说明了用更聪明的方法，可以少花很多算力。

再加上 R1 用的是 MIT 许可证，几乎没有附加条件，各家云平台和开发者都能直接拿去部署，所以它很快就被接进了各种产品里。

便宜是怎么做到的？

DeepSeek 的 API 一直比同档次的模型便宜不少，背后主要有几层原因。

只动用一小部分参数。从 2024 年 5 月的 V2 起，DeepSeek 的主力模型都用**混合专家（MoE）**架构：模型的每一层里有几百个“专家”，每个 token 只交给其中几个专家处理，其余的不参与计算。

这里的“专家”不是在单独理解一个字。token 在进入专家之前，已经先经过了一步“看上下文”的计算（也就是注意力机制），这时候它带着的已经是“这个词在这句话里是什么意思”的信息。比如“苹果”在“苹果发布了新手机”和“我买了两斤苹果”里，到这一步时就已经是两份不同的信息了。每个专家其实是一小块神经网络，负责把这份信息再加工一步。

挑哪几个专家，由每层前面的一个“路由器”决定：它给所有专家打分，选出分数最高的几个，再把它们的结果按分数加权合起来。以 V4.1-Flash 为例，每层有 384 个专家，每个 token 只用其中 6 个，再加 1 个所有 token 都会经过的共享专家。下一层会重新挑一次，所以同一个 token 在不同层里经过的专家并不一样。

还要注意，这些专家的分工是训练中自己形成的，没有人给它们指定“这个管数学、那个管中文”，单独拿出一个专家来看，通常也说不清它具体负责什么。

图注：DeepSeek-V2 GitHub 仓库里的结构图。左边是模型里重复叠很多层的一个基本单元，token 先经过 Attention（注意力，看上下文），再经过 Feed-Forward Network，这一步就是右上角放大的 DeepSeekMoE：绿色是共享专家，所有 token 都会经过；蓝色是路由专家，由 Router（路由器）打分，只挑分数最高的几个（Top-K）参与计算，最后把结果加起来。右下角的 MLA 是 DeepSeek 自己设计的注意力，作用是压缩推理时要存的缓存。V4.1 的具体结构已经有变化，但“注意力 + 路由挑专家”这个基本思路是一样的。

落到参数上，V4-Pro 总参数约 1.6 万亿，但每个 token 只激活 490 亿。V4.1-Flash 的主干参数是 5520 亿，另外还有一块 1960 亿参数的“记忆”模块，按需查询，所以模型页上标的总量是 7630 亿；它读你的输入时每个 token 只激活 80 亿参数，写答案时激活 160 亿。总参数大，模型能装下更多的知识；每次激活的少，算起来就便宜，所以 DeepSeek 能做到参数量很大、价格却很低。

长文本不再越读越贵。普通的注意力机制，文本越长计算量涨得越快。DeepSeek 从 V3.2-Exp 开始用自己的稀疏注意力（DSA），让模型每次只挑跟当前内容最相关的部分来看，再配合对缓存的压缩。官方说 V4.1 相比上一代，存这部分缓存需要的显存只要四分之一。这也是它敢把上下文默认开到 100 万 token 的原因。

图注：DeepSeek 在 V4.1-Flash 发布公告里给出的图，比较的是每个 token 要存多少字节的缓存（KV Cache，模型为了不重复计算而存下来的中间结果）。2023 年 11 月的第一代模型要 38.9 万字节，V3.2 是 4.8 万，V4-Flash 是 3514，V4.1-Flash 降到 890，比上一代小了 3.9 倍。缓存越小，同一张显卡能同时服务的长对话就越多，成本也就越低。

重复的内容几乎不收钱。DeepSeek 的 API 有“缓存命中”价格：如果你这次请求的开头和之前的请求一样（比如每次都带同一段系统提示词、同一份文档），这部分就按缓存价收费。以 Flash 为例，缓存命中的输入价只有未命中的五十分之一。

截至 2026 年 11 月，官方定价页上的价格如下（单位：美元 / 百万 token，高峰价）：

除此之外，从 2026 年 8 月起 DeepSeek 实行了分时定价：工作日北京时间 9:00–12:00 和 14:00–18:00 是高峰，其余时间、周末和中国法定节假日都是低谷，价格直接打五折。如果你有批量处理文档、跑评测这类不着急的任务，放到晚上或周末跑，能省一半的钱。

三种用法：App、API、自己部署

直接用 App 或网页版。这是最简单的方式，免费，打开“深度思考”就是思考模式，打开“联网搜索”就能查实时信息。V4.1-Flash 能看图，你可以直接上传截图、照片让它分析。

通过 API 接进自己的程序或编程工具。DeepSeek 的 API 同时兼容 OpenAI 和 Anthropic 两种接口格式，原来用 OpenAI SDK 写的代码，一般只要改一下地址、密钥和模型名就能切过来：

from openai import OpenAI
 
client = OpenAI(api_key="你的 DeepSeek API Key", base_url="https://api.deepseek.com")
 
resp = client.chat.completions.create(
    model="deepseek-flash",
    messages=[{"role": "user", "content": "用一句话解释什么是 MoE"}],
)
print(resp.choices[0].message.content)

因为兼容 Anthropic 的格式，DeepSeek 也可以接进 Claude Code 当后端模型，官方还支持 Codex、OpenCode 等编程工具，以及自家的 DeepSeek Harness。这对经常用 AI 写代码的人比较实用：同样的工具，换成 DeepSeek 之后费用会低很多。另外 10 月还开放了自研的搜索和网页抓取 API，按每千次 0.75 美元收费。

如果不想直接在 DeepSeek 官方充值，阿里云百炼、火山引擎、华为云、腾讯云等国内云平台，以及海外的 OpenRouter 也都提供 DeepSeek 模型的 API，价格和更新速度以各平台为准。

下载权重自己部署。V4.1-Flash 的权重放在 Hugging Face 和魔搭社区上，MIT 许可证，可以免费商用。不过它的总参数有几千亿，完整版需要一台多卡的专业服务器，用 vLLM、SGLang 这类推理框架来跑，普通电脑是跑不动的。社区也做了 llama.cpp、Ollama、LM Studio 能用的量化版本，但即使是量化版，对内存的要求也远超普通笔记本。所以对个人来说，自己部署主要是数据不能出公司、或者想研究模型本身时才值得考虑。

本地跑的 “DeepSeek-R1 7B”，其实不是 R1

这是关于 DeepSeek 最常见的一个误会。2025 年 R1 爆火的时候，很多教程教大家用 Ollama 一条命令在自己电脑上跑 deepseek-r1:7b、deepseek-r1:14b，然后说“在本地用上了 DeepSeek-R1”。

实际上，真正的 R1 是 6710 亿参数的大模型。那些 1.5B、7B、8B、14B、32B、70B 的版本，是 DeepSeek 用 R1 生成的推理数据，去训练千问（Qwen）和 Llama 这些现成的小模型得到的，这个过程叫蒸馏，有点像让学霸把解题思路写成笔记，给其他同学学习。学完之后，这些小模型确实学会了“先思考再回答”的习惯，但底子还是原来的千问和 Llama，能力和真正的 R1 差得很远。

所以如果你在自己电脑上跑了一个小版本，觉得效果一般，不代表 DeepSeek 的水平就是这样。想体验真实水平，直接用官方 App 或 API 更准确。

用的时候要注意什么

跑分以官方说法为主，第三方测评要多看几家。上面说的“V4.1-Flash 超过 V4-Pro”“达到 IMO 金牌水平”都是 DeepSeek 自己公布的结果，实际用起来会因任务不同而有差别。DeepSeek 在 V4 发布时也说过，V4-Pro 的知识储备在开放模型里领先，但仍然落后于 Gemini 3.1 Pro 这样的顶级闭源模型。

思考模式不是越多越好。思考模式会生成大量中间过程，等待时间更长，API 按输出 token 计费也更贵。查资料、改错别字、简单问答这类任务，用非思考模式就够了；当需要处理数学推导、复杂 bug、多步骤的 Agent 任务时，再打开思考模式就行了。

算力仍然是它的短板。DeepSeek 在 V4 发布时承认，受高端算力限制，V4-Pro 的服务吞吐“十分有限”，API 并发上限也明显低于 Flash（官方定价页上 Pro 是 500，Flash 是 2500）。V4 发布当天，华为宣布昇腾超节点全面支持 V4 系列，DeepSeek 表示 Pro 要等昇腾 950 超节点批量上市后才会大幅降价。如果你的业务对稳定性要求很高，最好准备一个备用模型。

数据和内容合规。用官方 App 和 API，数据会传到 DeepSeek 的服务器上，公司的敏感代码和客户数据要先确认公司的规定。另外和其他国产模型一样，DeepSeek 在部分话题上会拒绝回答，海外一些政府机构和企业也限制员工在工作设备上使用 DeepSeek 的 App。对数据要求严格的场景，可以考虑自己部署开放权重的版本。

它也会胡说。思考过程看起来很严谨，但不代表结论一定对，推理模型照样会编造不存在的论文、函数和数据。重要的事实和代码，还是要自己核对一遍。

时效性提醒

DeepSeek 更新很频繁，下面这些内容最容易变：

• 模型版本：V4.1-Pro 官方已经提过但还没发布，V4-Pro 是否下线、什么时候下线都可能变化
• 价格和分时规则：DeepSeek 调过多次价，高峰时段也可能调整
• API 模型名：已经出现过 deepseek-chat 改名为 deepseek-flash 这样的变化

建议：接 API 之前，先看一眼官方文档的定价页和更新日志。

💬 互动话题：你平时用 DeepSeek 的时候，会每次都打开“深度思考”吗？有没有遇到过开了反而答得更差的情况？

📖 相关阅读：

• 3分钟搞懂DeepSeek - 公司篇：深度求索这家公司的来历和打法
• 3分钟搞懂推理模型 - 「深度思考」到底是怎么回事
• 3分钟搞懂开源大模型 - 开放权重模型的整体格局
• 3分钟搞懂Qwen - 另一个国产开放权重模型，也是蒸馏版 R1 的底子
• 3分钟搞懂Llama - 蒸馏版 R1 的另一个底子

资料来源：

• DeepSeek API 文档，更新日志：https://api-docs.deepseek.com/updates/
• DeepSeek API 文档，模型与价格：https://api-docs.deepseek.com/quick_start/pricing
• DeepSeek，DeepSeek-V4 Preview Release（2026-04-24）：https://api-docs.deepseek.com/news/news260424/
• DeepSeek，DeepSeek-V4.1-Flash 发布公告（2026-09-10，图 4 出处）：https://api-docs.deepseek.com/news/news260910/
• DeepSeek，DeepSeek-V4.1-Flash-1017 发布公告（2026-10-17，图 1 出处）：https://api-docs.deepseek.com/news/news261017/
• Hugging Face，DeepSeek-V4.1-Flash 模型卡：https://huggingface.co/deepseek-ai/DeepSeek-V4.1-Flash
• Hugging Face，DeepSeek-V4-Pro 模型卡：https://huggingface.co/deepseek-ai/DeepSeek-V4-Pro
• Hugging Face，DeepSeek-V2 模型卡：https://huggingface.co/deepseek-ai/DeepSeek-V2
• GitHub，deepseek-ai/DeepSeek-R1（图 2 出处，MIT 许可证）：https://github.com/deepseek-ai/DeepSeek-R1
• GitHub，deepseek-ai/DeepSeek-V2（图 3 出处）：https://github.com/deepseek-ai/DeepSeek-V2
• DeepSeek-AI，DeepSeek-V3 Technical Report：https://arxiv.org/abs/2412.19437
• DeepSeek-AI，DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning：https://arxiv.org/abs/2501.12948
• Nature，DeepSeek-R1 incentivizes reasoning in LLMs through reinforcement learning（2025-09）：https://www.nature.com/articles/s41586-025-09422-z
• DeepSeek-AI，DeepSeek-V3.2: Pushing the Frontier of Open Large Language Models：https://arxiv.org/abs/2512.02556
• 科技日报，DeepSeek V4正式发布 昇腾超节点系列产品全面支持（2026-04-25）：https://www.stdaily.com/web/gdxw/2026-04/25/content_507933.html
• Al Jazeera，Which countries have banned DeepSeek and why?（2025-02-06）：https://www.aljazeera.com/news/2025/2/6/which-countries-have-banned-deepseek-and-why