DeepSeek 完整攻略：V3、V3.2、R1 模型介紹、API 定價與本地部署

DeepSeek（深度求索）是 2023 年成立的中國 AI 研究實驗室。與 OpenAI、Google 不同，DeepSeek 的定位是「開源優先」 — 幾乎所有模型都以 MIT License 釋出，允許商業使用、修改與再發佈。憑藉強大的 MoE 架構與超低價 API，DeepSeek 在 2024–2025 年迅速躋身開源 LLM 領域的佼佼者。

本文將帶你從零了解 DeepSeek 的整個模型家族：V3 的技術架構、R1 的推理能力、API 定價與使用方法，以及怎麼在本地部署。無論你是想省錢用 API，還是想研究開源模型，這篇文章都適合你。

DeepSeek 模型家族概覽

DeepSeek 目前主要推出了以下幾個重要的模型系列：

📌 選擇指南：
• 日常問答、編碼 → deepseek-chat (V3/V3.2)
• 複雜推理、數學、邏輯 → deepseek-reasoner (R1)
• 本地研究、商業用途 → 開源模型 (MIT License)

DeepSeek-V3 技術架構解析

671B MoE 架構

DeepSeek-V3 使用 Mixture-of-Experts (MoE) 架構，總參數達 671B，但每次 inference 只激活 37B 的參數。這樣設計的好處是：

• inference 效能高 — 單次推理只需運算一部分 experts，速度更快
• 訓練成本可控 — 14.8T tokens 訓練下，僅需 2788 小時的 H800 GPU 時間
• 品質不輸閉源模型 — 在 MMLU、HumanEval 等基準上表現優異，某些指標超越 LLaMA3、GPT-3.5

四大關鍵技術

DeepSeek-R1：開源推理模型

Chain-of-Thought 推理

R1 是 DeepSeek 的第一個專注推理的模型。它透過大規模 強化學習 (RL) 訓練，學會逐步拆解複雜問題。

• R1-Zero：純 RL，不使用任何預先訓練資料，直接達到 o1-mini 級推理水準
• R1：在 R1-Zero 基礎上加入 cold-start data，品質更穩，指令遵循更好

6 個推理 phase

R1 在訓練過程中經歷 6 個階段，每個階段解鎖新的推理能力：

1. Phase 1 — 學會拖延 (waste time)：模型開始展延輸出
2. Phase 2 — 學會自我反思：開始使用 traced track 進行內心對話
3. Phase 3 — 學會分析問題：開始將問題分解為子問題
4. Phase 4 — 學會使用工具：開始嘗試程式碼、LaTeX 等
5. Phase 5 — 學會進行深入推理：進入複雜推理循環
6. Phase 6 — 學會簡化輸出：縮短不必要的冗詞

🧠 R1 在 2025 IMO (國際數學奧林匹亞) 獲得滿分，證明其推理能力已達頂尖水準！

釋出的 Distilled 模型

R1 還釋出了 6 個基於 Llama / Qwen 的 Distilled 模型，從 1.5B 到 70B 不等。

💡 驚爆：70B Distilled 模型在 MATH benchmark 上超越了 OpenAI-o1-mini！

DeepSeek API 使用教學

註冊與取得 API Key

1. 前往 platform.deepseek.com 註冊帳號
2. 在個人中心 → API 管理 → 建立 API Key
3. 新註冊使用者可獲得 5M 免費 tokens（無需信用卡）

定價政策

DeepSeek API 的定價相比 OpenAI 便宜了 5–30 倍：

💰 提示： DeepSeek 提供 Off-peak 時段 (週一至週五 01:00–04:00 & 06:00–10:00 UTC) 50% 折扣，非常適合安排非緊急的批次工作。

快速上手 Python

DeepSeek API 完全兼容 OpenAI 格式，只要改一個 base_url 就可以直接用：

# 安裝 SDK
pip install openai

# 基本對話
from openai import OpenAI

client = OpenAI(
    api_key="YOUR_DEEPSEEK_API_KEY",
    base_url="https://api.deepseek.com"
)

response = client.chat.completions.create(
    model="deepseek-chat",              # 或 deepseek-reasoner
    messages=[
        {"role": "system", "content": "你是一個 helpful 的助理。"},
        {"role": "user", "content": "解釋一下什麼是 MoE 架構？"}
    ],
    temperature=0.7,
    max_tokens=2048,
    stream=True                         # 啟用串流回應
)

for chunk in response:
    if chunk.choices[0].delta.content:
        print(chunk.choices[0].delta.content, end="")

使用 R1 推理模式

當你使用 deepseek-reasoner 模型時，API 會自動生成「思考過程」(thinking block) 再給出答案：

response = client.chat.completions.create(
    model="deepseek-reasoner",
    messages=[
        {"role": "user", "content": "求解 1+1=？"}
    ]
)

# thinking_block 包含模型的內心推理過程
print(response.choices[0].message.reasoning_content)  # 思考過程
print(response.choices[0].message.content)            # 最終答案

在本地部署 DeepSeek

下載模型

所有 DeepSeek 開源模型都在 Hugging Face：

# V3 主體模型 (70B 參數版，適合單卡部署)
huggingface-cli download deepseek-ai/DeepSeek-V3 --local-dir ./deepseek-v3

# R1 推理模型
huggingface-cli download deepseek-ai/DeepSeek-R1 --local-dir ./deepseek-r1

# Distilled 小模型 (推薦筆電用)
huggingface-cli download deepseek-ai/DeepSeek-R1-Distill-Qwen-14B --local-dir ./deepseek-r1-14b

硬體需求

用 vLLM 部署

# 安裝 vLLM
pip install vllm

# 啟動 API 服務 (兼容 OpenAI 格式)
vllm serve deepseek-ai/DeepSeek-V3 \
  --tensor-parallel-size 4 \
  --max-model-len 128000 \
  --port 8000

# 測試
curl http://localhost:8000/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{
    "model": "deepseek-ai/DeepSeek-V3",
    "messages": [{"role": "user", "content": "Hello"}]
  }'

DeepSeek CLI 工具

除了官方 API，社群也提供了方便的 CLI 工具：

deepseek-cli (Python)

pip install deepseek

# 互動模式
deepseek

# 單次問答
echo "解釋一下 MoE" | deepseek -m deepseek-chat

# 上傳文件
deepseek --file report.pdf "總結這份報告的重點"

DeepSeek-shell-cli (Bash)

# 純 shell script，無額外依賴
export DEEPSEEK_API_KEY=your_key
curl -s "https://api.deepseek.com/chat/completions" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "deepseek-chat",
    "messages": [{"role":"user","content":"解釋 MoE"}]
  }' | jq -r '.choices[0].message.content'

DeepSeek vs 其他模型

以下是 DeepSeek 與市面上主流模型的簡單比較：

🎯 選擇 DeepSeek 的理由：
• 預算緊繫 — 便宜 5–30 倍的 API
• 開源需求 — MIT License 無限制商用
• 推理任務 — R1 表現媲美 o1-preview
• 長上下文 — 高達 1M token 窗口

總結

DeepSeek 代表了開源 LLM 的一個轉折點 — 既有強大的性能，又有極具競爭力的價格。無論是用 API 省錢，或是本地部署研究，都是 2025–2026 年不可錯過的選項。

🚀 快速上手： 先在 platform.deepseek.com 註冊取得 5M 免費 tokens → 用 OpenAI SDK 5 分鐘就能跑起來 → 若要本地研究，從 HuggingFace 下載 Distilled 7B 模型即可上手。

相關文章推薦

ChatGPT vs Claude vs Gemini vs Grok：2026 大型語言模型詳細比較

四大語言模型在推理能力、程式碼質量、多模態、價格等方面的全面對比分析。

Claude 5 系列模型完整介紹：Fable、Opus、Sonnet、Haiku 各自的功能與應用場景

Anthropic Claude 5 系列模型的功能、效能、定價與應用場景詳細介紹。

← 回文章列表