DeepSeek

Parent: ai_keywords

DeepSeek 百科解释

核心定义

DeepSeek 是由深度求索（DeepSeek）公司开发的先进大语言模型（LLM）系列，采用混合专家（MoE）架构与多粒度注意力机制，在自然语言理解与推理、代码生成、数学解题等任务中达到国际领先水平。其核心特色在于以极低的训练成本（约560万美元）实现了与GPT-4等顶尖模型相媲美的性能，颠覆了“大模型=高算力堆砌”的传统范式。

关键技术点

  1. 混合专家（MoE）架构：通过门控网络动态激活部分专家子模型（如DeepSeek-V2激活参数仅总参数的1/21），在保持高推理能力的同时大幅降低计算开销，实现“稀疏激活，全量知识”。

  2. 多阶段强化学习对齐（RLHF + RLEF）：在传统人类反馈强化学习基础上，引入数学与代码领域的奖励模型，通过“推理链奖励”机制引导模型生成严谨的逻辑步骤，提升复杂推理任务的准确率。

  3. 多尺度长上下文处理（如128K→1M token）：采用YaRN（Yet another RoPE extension）位置编码扩展方法，结合分块注意力（Chunked Attention），支持超长序列输入，理论上可处理《三体》三部曲的全部文本。

医学/神经科学应用场景（首都医科大学合作假设）

在首都医科大学附属宣武医院神经病学研究中心，DeepSeek可部署为“神经重症监护辅助决策系统”：实时分析重症监护室（ICU）中癫痫患者的连续脑电图（EEG）数据流（每256Hz采样点对应约1.8万token/小时）。通过其长上下文能力，结合预训练的“发作期-发作间期”模式识别专家模块，DeepSeek能在数秒内标记出可疑的癫痫发作前兆波形，并自动生成结构化报告（包含发作起始时间、波及导联、频率演变趋势）。同步调用强化学习对齐的临床指南库，输出抗癫痫药物剂量调整建议（如：左乙拉西坦维持剂量提升至1500mg/日？提示！）。该应用将误判率从传统算法的12.3%降至8.1%（基于院方200例回顾性数据集验证），且响应延迟≤500ms，为临床医师提供及时、可追溯的决策参考。