1、DeepSeek的优势
性能优异：DeepSeek R1在数学、代码层面与OpenAI 12月份的R1完整版本不相上下，在一些通识和科学问题上稍差一点，模型性能已比肩R1。
迭代速度快：2024年5月推出V2，11月R1预览版上线，12月推出V3，一个月后DeepSeek已可与12月份的R1相当，之后又推出多模态的理解和深层模型，迭代速度非常快。
成本低：和OpenAI相比，DeepSeek的综合成本约为其30分之1；和OpenAI的O3 mini相比，DeepSeek具有较强性价比，成本约为其一半到4分之1。若为R1版本，相比之下成本也能降低2分之1到4分之1。
思路创新：DeepSeek强调用纯粹的强化学习和能启动的数据，中间过程设计使模型产生较强的反思思维链能力，且语言一致性强。
开源领先：DeepSeek是全球最顶尖的开源模型，让海外震惊，国内模型率先真正进入全球能力竞争。
2、算力相关
算力成本优化：DeepSeek对算力成本优化较大，其训练对卡的需求较低，如V3的训练成本约为558万美金。论文中体现了规模效应，模型参数、GPU小时数、训练语料等不断增加，虽单一模型训练成本升高，但在强化学习轮次达到一定程度后会迎来拐点，即使有大量优化，DeepSeek仍体现出较强的scale law。
对算力格局的影响：DeepSeek用更底层的PTX方式做调优，大范围提升通信效率，减少缓存，提高总计算效率，这对英伟达中期影响不大，对国产算力而言，若能快速响应并做好芯片设计等，提供有性价比的产品，将是一个机会。
3、应用方面
利好应用：推理成本降低且效果好，利好全球应用及国内应用，尤其对高容错的C端和B端应用有价值，对数学、代码等特定行业应用也是利好，如在教育领域，对计算机行业影响大。
4、投资思考
大模型水平与应用不确定性：国内大模型水平开始跟上全球顶尖水平，但持续放量的应用不确定性较高。
规模效应与应用主题：目前有规模效应的持续扩张应用尚不清晰，AI应用的主题类投资节奏未完，在主题时间内，基于DeepSeek和豆包的相关应用公司有持续投资机会，大厂生态最强，主题龙头会持续发酵。
其他方向：自动驾驶方向明确，国内代表公司及特斯拉产业链公司已走趋势，可作为AI验证的扩散器；机器人是AI应用的终极领域，国内大模型提升对其是加持；军工AI需求好预测，格局好，今年投入会增加。
5、DeepSeek的技术细节
R1模型：DeepSeek R1发布后在海外反响强烈，接近一个月后追上OpenAI的O1，成本低且在数学方面表现超过O1。R1论文中提到发布了两个模型，R1ZL直接跳过监督微调进行强化学习，取得了较好成果，但可读性差，语言混杂，后又训练了R1模型，进行了多阶段的监督微调，并使用了创新的GRPO算法和基于规则的奖励。此外，论文还发布了六个小模型，展示了蒸馏模型的优势。
V3模型：V3是混合专家模型MOE，参数量为671B，每次激活的参数量为37B，专家粒度细，且在训练时有负载均衡策略。V3在14.8万亿token上训练，在2000块H800上训练，成本较低。V3提出了基于FP8精度的混合精度训练框架，达到模型性能和成本的平衡。
其他方面：DeepSeek用PTX在通信方面从更底层进行优化，体现其人才软硬件精通，未来看GPU厂商时需关注其对不同精度数据格式的支持。此外，豆包1.5 Pro在硬件上做了优化，DVC推出的视觉方面模型表现优秀。R1团队提到未来会改进通用能力、多语言混淆等问题。DeepSeek的成果全部开源，利好海内外AI应用落地加速。在预训练模型投入可能放缓的情况下，后续训练阶段的强化学习和微调是大模型厂商重点投入方向。大模型厂商的竞争除算力储备外，更是人才比拼，利好国产模型。算力方面，长期对推理算力利好，降低模型门槛可吸引更多玩家，DeepSeek在硬件层面的优化利好国内外芯片厂商。
