KanYun API 聚合站

DeepSeek-R1是一款具有671B参数大小的创新性大语言模型，该模型基于transformer架构，通过对海量语料数据进行预训练，结合注意力机制，经过监督微调、人类反馈的强化学习等技术进行对齐，具备语义分析、计算推理、问答对话、篇章生成、代码编写等多种能力。

由杭州深度求索人工智能基础技术研究有限公司自研，在数学、代码、自然语言推理等任务上性能表现优异。

由杭州深度求索人工智能基础技术研究有限公司自研，在数学、代码、自然语言推理等任务上性能表现优异。

由杭州深度求索人工智能基础技术研究有限公司自研的MoE 模型，在百科知识、数学推理等多项任务上优势突出，评测成绩在主流榜单中位列开源模型榜首。

由杭州深度求索人工智能基础技术研究有限公司自研的MoE 模型，在百科知识、数学推理等多项任务上优势突出，评测成绩在主流榜单中位列开源模型榜首。

DeepSeek-V3.1 是在 DeepSeek-V3.1-Base 的基础上进行后训练的，后者是通过两阶段长上下文扩展方法构建的，遵循原始 DeepSeek-V3 报告中概述的方法。通过收集更多的长文档并大幅扩展两个训练阶段来扩大了数据集。32K 扩展阶段增加了 10 倍至 630B tokens，而 128K 扩展阶段则增加了 3.3 倍至 209B tokens。此外，DeepSeek-V3.1 使用 UE8M0 FP8 格式的数据进行训练，以确保与微缩数据格式兼容。

DeepSeek-V3.1 是在 DeepSeek-V3.1-Base 的基础上进行后训练的，后者是通过两阶段长上下文扩展方法构建的，遵循原始 DeepSeek-V3 报告中概述的方法。通过收集更多的长文档并大幅扩展两个训练阶段来扩大了数据集。32K 扩展阶段增加了 10 倍至 630B tokens，而 128K 扩展阶段则增加了 3.3 倍至 209B tokens。此外，DeepSeek-V3.1 使用 UE8M0 FP8 格式的数据进行训练，以确保与微缩数据格式兼容。

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

DeepSeek-V3.1-Terminus 是由深度求索（DeepSeek）发布的 V3.1 模型的更新版本，定位为混合智能体大语言模型。此次更新在保持模型原有能力的基础上，专注于修复用户反馈的问题并提升稳定性。它显著改善了语言一致性，减少了中英文混用和异常字符的出现。

DeepSeek-V3.1-Terminus 是由深度求索（DeepSeek）发布的 V3.1 模型的更新版本，定位为混合智能体大语言模型。此次更新在保持模型原有能力的基础上，专注于修复用户反馈的问题并提升稳定性。它显著改善了语言一致性，减少了中英文混用和异常字符的出现。

DeepSeek-V3.1 是在 DeepSeek-V3.1-Base 的基础上进行后训练的，后者是通过两阶段长上下文扩展方法构建的，遵循原始 DeepSeek-V3 报告中概述的方法。通过收集更多的长文档并大幅扩展两个训练阶段来扩大了数据集。32K 扩展阶段增加了 10 倍至 630B tokens，而 128K 扩展阶段则增加了 3.3 倍至 209B tokens。此外，DeepSeek-V3.1 使用 UE8M0 FP8 格式的数据进行训练，以确保与微缩数据格式兼容。

DeepSeek-V3.2 的目标是平衡推理能力与输出长度，适合日常使用，例如问答场景和通用 Agent 任务场景。在公开的推理类 Benchmark 测试中，DeepSeek-V3.2 达到了 GPT-5 的水平，仅略低于 Gemini-3.0-Pro；相比 Kimi-K2-Thinking，V3.2 的输出长度大幅降低，显著减少了计算开销与用户等待时间。