文 | 大模型之家 文 | 大模型之家 9月22😂日晚间，DeepSeek官方突然发布更新，宣布DeepSee😀k-V3.1 现已更新至DeepSeek-V3.1-Term🤩inus 版本。官方表示，此次更新并非简单例行迭代，而是针对😂用户反馈中集中出现的问题进行了改进，在保持原有能力的同时，进🤯一步提升了模型的稳定性与一致性。 消息一经发出，不到一🙌个小时便收获了一条“10w+”，足以见得行业对于DeepSe😍ek的关注程度与影响力。 然而，市场的热烈反应背后，也😡夹杂着一丝失望：备受期待的新一代推理模型DeepSeek-R😍2再次缺席。这不仅是一次期待的落空，更像是一面棱镜，折射出这🤗家明星创业公司，从年初以R1模型一鸣惊人，到如今核心产品迭代🎉的持续延迟，在狂飙突进246天后的焦虑、挣扎与抉择。梁文锋和⭐他的DeepSeek，正在上演一出中国大模型领域最富戏剧性张😍力的“现代启示录”。 市场预期管理失焦：R2发布如“镜🙄花水月” 当我们把时间的指针拨回2025 年的早春，彼😡时，DeepSeek-R1的横空出世，如同一声惊雷，在中国乃😁至全球的AI领域炸响。其卓越的数学与代码推理能力，不仅在多项❤️基准测试中对标甚至超越了OpenAI的顶尖模型，更重要的是，😍它以一种彻底开源的姿态，将推理大模型的门槛拉至前所未有的低位😁。DeepSeek因此一战成神，成为那个“春节档”最耀眼的国😎产AI明星，创始人梁文锋也被寄予了挑战硅谷巨头的厚望。 😅 DeepSeek-R1推出的那一天，就为梁文锋治下的深度求💯索，留下了两个难以抹去的烙印：一是“开源且低成本”成为它的标😎签，二是外界由此对其下一步的期待被抬到了很高的位置。 😴然而，辉煌的序章之后，故事的走向却变得扑朔迷离。行业对下一代😜推理模型DeepSeek-R2的期待，随着时间的推移，演变成😊了一场反复上演的“狼来了”的故事。据大模型之家统计，截至20😀25年9月23日，距离R1发布已过去整整246天，而关于R2😘的发布传言，已不下10次。 这场漫长的“悬念剧”始于2😊月，路透社首次援引信源，称R2“最迟5月初发布”，并暗示其在😅代码生成和多语言推理上将有重大突破，瞬间点燃了市场的热情。随🙌后的几个月，传言变得愈发具体和密集。3月，行业内开始流传“3🙌月17日发布”的精准日期；4月，Hugging Face代码😡库的蛛丝马迹似乎暗示着即将到来的更新；而到了5月，传言达到了🤔顶峰，一份详尽的参数信息在网络上泄露，直指R2将采用革命性的🥳“Hybrid MoE 3.0”架构，总参数量高达惊人的1.❤️2万亿。 然而，期待中的5月发布会并未如期而至。随之而🤗来的是更多混杂着失望与猜测的消息。有传闻称，发布延期是因为C😎EO梁文锋对模型内部测试的性能不甚满意，认为尚未达到对R1的😊“碾压级”优势。更关键的是，来自外部环境的压力开始显现——英👍伟达 H20芯片的供应问题，成为悬在所有中国AI公司头上的达🤔摩克利斯之剑。 此后的故事线更加曲折。6月，消息称R2❤️的内部测试结果显示，其性能提升并未达到颠覆性的程度。7月，万😡众瞩目的世界人工智能大会（WAIC 2025）上，DeepS😍eek的缺席让R2发布的希望再度落空。8月，关于“月底发布”😴的传言再次甚嚣尘上，但很快被官方辟谣。直到9月初，彭博社的报😁道才给出了一个新的时间窗口——计划于第四季度发布，并将主打当👏下最热门的Agent（智能体）能力。 展开全文 🙄在长达八个多月的时间里，DeepSeek官方始终未公布R2的💯明确发布计划。这种反复的传言与落空，在客观上造成了市场预期的🚀管理失焦，也消耗了部分用户的耐心。更重要的是，在DeepSe😘ek等待R2的这段时间，其主要竞争对手，如阿里巴巴的通义千问👍（Qwen）和百度的文心大模型（ERNIE）等，均已完成了多😎轮重要的功能迭代和模型升级。 在这场无声的竞赛中，时间⭐的流逝，正在成为DeepSeek最沉重的成本。 延迟的❤️“三重困境”：开源生态的繁荣与核心产品的缺位 如果仅仅👍将这八个多月定义为“等待”，那对DeepSeek而言无疑是不😀公平的。事实上，在R2缺位的日子里，DeepSeek非但没有🎉停滞，反而在另一个维度上展现出了惊人的能量和战略远见。梁文锋🎉选择了一条更为艰难但可能也更为长远的道路——构建一个从底层模😎型到上层工具链完全开源的全栈技术体系。 这是一场围绕“😢开源驱动创新”展开的“阳谋”。在核心模型层面，除了打响名声的🤩推理专用模型DeepSeek-R1，DeepSeek在3月又🙌开源了通用模型V3.0324，其API成本仅为GPT-4的1😂/14，几乎是以“倾销”的方式，将大模型的使用成本打到了“地😘板价”。随后，融合了代码与对话能力的DeepSeek-V2.🙌5，以及多模态文生图模型Janus-Pro也相继开源。这一系💯列组合拳，让DeepSeek成为了国产AI技术普惠的关键推动🤩者之一。 在基础设施与工具链层面，DeepSeek同样😂进行了深度布局，开源了一系列旨在提升训练和推理效率的关键组件👏。例如，针对GPU优化的FlashMLA解码内核和DeepG😘EMM矩阵运算库，官方数据显示可提升约30%的推理速度；为混😅合专家（MoE）模型设计的DeepEP通信库和DualPip🙌e流水线算法，有效降低了分布式训练的通信延迟；而名为3FS的🤗超高速分布式文件系统，则为大模型训练提供了高效的数据读写支持😡。 尤为关键的是，DeepSeek的开源并非仅仅停留在🌟代码层面。他们敏锐地捕捉到了国产算力崛起的趋势。其开源的工具🔥链不仅支持主流的英伟达GPU，还同步推出了适配华为昇腾平台的👏解决方案（如MindIE镜像）。这一举措有助于推动国产AI算😢力在实际应用场景中的落地，具有重要的产业价值。庞大的开源体系⭐为DeepSeek带来了正向的生态循环。全球开发者基于其模型😆进行量化（如INT8/INT4版本），降低了部署成本，并围绕😆医疗、金融等垂直行业进行微调，丰富了应用场景。 然而，💯这耀眼的A面，却无法掩盖其B面深刻的隐忧。R2的迟迟未能发布🚀，正是这些隐忧的集中体现。DeepSeek-R2的推迟，至少😂面临着三重困境。 首先是技术突破与算力供应的核心矛盾。🥳据英国《金融时报》等媒体报道，R1发布后，DeepSeek在🌟相关方面的鼓励下，曾尝试使用华为昇腾芯片进行下一代模型的训练🤯。然而，从英伟达的CUDA生态迁移到昇腾的CANN生态，其难😍度远超预期。训练过程中的不稳定和性能瓶颈，严重拖慢了研发进度👏，甚至一度迫使团队将关键训练任务切回NVIDIA平台。这场“😢算力长征”的艰难，或许是导致R2延期的最直接、最核心的技术因😍素。 其次，资本的狂热与市场的超高预期，放大了传言的传🤩播效应，也给DeepSeek戴上了沉重的“枷锁”。R1的成功👍让DeepSeek成为了资本市场的宠儿，估值水涨船高。每一次🤩关于R2的传言，都能在资本市场掀起波澜。这种高度关注，既是动😘力也是压力，它迫使DeepSeek必须拿出一款超越性的产品，😍任何一点瑕疵都可能被无限放大，从而导致团队在发布决策上慎之又🙌慎。 最后，在激烈的行业竞争与中美技术角力的背景下，构🎉成了R2发布最严峻的外部压力。在国内，阿里、百度等巨头凭借强🚀大的资源整合能力，在模型迭代、产品落地和生态构建上步步紧逼。🤔在国际上，美国对先进AI技术的出口管制日益收紧。DeepSe🙌ek既要面对国内市场的“内卷”，又要应对国际环境的“脱钩”风😆险，其战略选择空间正变得越来越狭窄。 DeepSeek😉与梁文锋面临的“三重挑战” 当前，DeepSeek及其🔥创始人梁文锋正不得不面临着来自技术、战略和市场三个层面的严峻😍挑战，这种局面使其在后续发展路径的选择上变得异常艰难。 🙄 第一重挑战，是如何在技术上实现自我超越，即“创新者的窘境”🤗。DeepSeek-R1在推理能力上的突出表现，已经为公司树🙌立了极高的技术标杆。这意味着R2必须在性能上实现质的飞跃，而🌟非简单的参数提升或常规优化，才能满足市场的期待。 如果🤩R2的提升幅度有限，很可能会面临类似于今年GPT-5发布后，😴行业普遍认为其创新力度不足的评价。对于一家以技术驱动的创业公😀司而言，这种来自内部的、超越自我的压力，是其决策过程中必须考😡虑的首要因素。 第二重挑战，是公司在技术路线上的战略短⭐板，特别是在多模态能力上的“缺位”。当前，全球顶尖大模型的发❤️展趋势已明确指向文本、图像、音频、视频等多模态能力的融合。无😀论是通过多模型能力调用协议（MCP）整合不同模型，还是发展原💯生的多模态大模型，都已成为行业共识。 相比之下，Dee💯pSeek至今发布和开源的模型仍主要集中在文本和代码领域，旗😡下多模态文生图模型Janus-Pro并未在行业掀起波浪。这种😂技术路线上的单一性，可能会使其在未来以多模态为核心的应用场景💯竞争中处于不利地位，限制其生态的广度和商业化的想象空间。 😆 而国内的另一家大模型公司MiniMax为例，则走向了另一🤩个极端：其从创业初期就专注于多模态技术，并已推出了成熟的产品🤯，但囿于当前主流大模型能力评估体系，仍以语言模型为基准。这使🎉得 Minimax 在模型排名、社区认可度、学术引用等“行业🙌标尺”上较为边缘，其开源的大模型 MiniMax-M1，在H💯ugging Face等平台的活跃度远低于DeepSeek。🤩此外，其主打的线性注意力机制与混合专家系统（MoE）虽然理论💯上具备效率优势，但在实践中尚未充分验证其长期可控性和泛化能力😅，也让MiniMax 40亿美元估值屡遭质疑。 第三重🙄挑战，是需要面对DeepSeek面临的生态问题。自今年年中开😘始，网络中关于“DeepSeek变笨了”的讨论不绝于耳，调查⭐发现虽然R1模型在数学推理上表现优异，但在涉及创意、事实性内😡容时却频繁出现“幻觉”。 而这背后，正揭示出DeepS😊eek在内容生态上的“先天”短板。大型科技公司如百度、字节跳🚀动等，其优势不仅仅在于资金和技术，更在于其庞大的流量入口和内👏容生态系统。例如，百度拥有搜索、贴吧、文库等一系列产品，而字🚀节跳动则有抖音、今日头条、西瓜视频等。这些平台不仅为用户提供❤️了稳定的流量入口，更重要的是，在用户与内容交互的过程中，源源🤔不断地产生着最新的、鲜活的数据。这些数据经过清洗和处理，可以😂持续地为大模型提供高质量的训练语料，形成一个良性的“数据飞轮😆”——模型越好，用户越多，产生的数据越新，模型迭代越快。 😀 DeepSeek目前并不具备这样的内容生态优势。其模型能👏力的提升，更多依赖于外部公开数据集和合作方提供的数据，缺乏像😎百度、字节那样自有的、能够实时更新的“活水”。当模型在训练过😊程中无法有效甄别和清洗受污染的语料时，就可能导致“幻觉”现象🤔的加剧。这种“幻觉”，不仅仅是简单的信息编造，更可能表现为逻🥳辑混乱、事实错误，甚至答非所问，这无疑严重影响了用户的信任感🥳和使用体验。对于一个致力于商业化的大模型来说，用户信任是其产🤔品生命线的基石，而“幻觉”问题，恰恰是横亘在其商业化路径上的🎉一大障碍。 写在最后 因此，对于梁文锋而言，是如🤗何平衡内部研发节奏与外部市场竞争的压力。R2的延迟发布，为竞😍争对手提供了追赶和反超的时间窗口。在快速变化的大模型市场，技💯术领先的优势稍纵即逝。梁文锋必须在“追求技术极致”与“抢占市❤️场时机”之间做出权衡。 发布一个性能未达内部最高标准但💯能及时卡位市场的产品，还是继续打磨一个可能错过最佳发布窗口的💯“完美”产品，这是一个艰难的战略抉择。同时，叠加算力迁移带来😂的工程挑战，使得这一决策过程变得更加复杂。 不可否认，😁DeepSeek-R1的发布对行业产生了深远影响。它不仅证明😴了国内团队在核心推理模型领域的研发实力，更重要的是，其开源策😀略极大地降低了AI技术的应用成本，打破了海外少数厂商在高端模😜型领域的垄断，为推动整个行业的创新和普及做出了重要贡献。 🙌 在大模型之家看来，DeepSeek当前所面临的困境，并非😂个例，而是国内顶尖AI公司在向更高技术水平迈进过程中普遍面临⭐的挑战缩影。市场期待R2的最终发布，不仅是期待一款性能更强的🤔模型，也是在观察DeepSeek如何在技术瓶颈、战略短板和激😂烈竞争的多重压力下，给出自己的解决方案。DeepSeek和梁😢文锋给出的答案，也将对国内其他AI公司的发展路径提供重要的参🤔考和启示。返回搜狐，查看更多

北京市:市辖区:(东城区、西城区、朝阳区、丰台区、石景山区、海淀区、门头沟区、房山区、通州区、顺义区、昌平区、大兴区、怀柔区、平谷区、密云区、延庆区)

天津市:市辖区:(和平区、河东区、河西区、南开区、河北区、红桥区、东丽区、西青区、津南区、北辰区、武清区、宝坻区、滨海新区、宁河区、静海区、蓟州区)

河北省:石家庄市:(长安区、桥西区、新华区、井陉矿区、裕华区、藁城区、鹿泉区、栾城区、井陉县、正定县、行唐县、灵寿县、高邑县、深泽县、赞皇县、无极县、平山县、元氏县、赵县、石家庄高新技术产业开发区、石家庄循环化工园区、辛集市、晋州市、新乐市)

唐山市:(路南区、路北区、古冶区、开平区、丰南区、丰润区、曹妃甸区、滦南县、乐亭县、迁西县、玉田县、河北唐山芦台经济开发区、唐山市汉沽管理区、唐山高新技术产业开发区、河北唐山海港经济开发区、遵化市、迁安市、滦州市)

秦皇岛市:(海港区、山海关区、北戴河区、抚宁区、青龙满族自治县、昌黎县、卢龙县、秦皇岛市经济技术开发区、北戴河新区)

邯郸市:(邯山区、丛台区、复兴区、峰峰矿区、肥乡区、永年区、临漳县、成安县、大名县、涉县、磁县、邱县、鸡泽县、广平县、馆陶县、魏县、曲周县、邯郸经济技术开发区、邯郸冀南新区、武安市)

邢台市:(襄都区、信都区、任泽区、南和区、临城县、内丘县、柏乡县、隆尧县、宁晋县、巨鹿县、新河县、广宗县、平乡县、威县、清河县、临西县、河北邢台经济开发区、南宫市、沙河市)

保定市:(竞秀区、莲池区、满城区、清苑区、徐水区、涞水县、阜平县、定兴县、唐县、高阳县、容城县、涞源县、望都县、安新县、易县、曲阳县、蠡县、顺平县、博野县、雄县、保定高新技术产业开发区、保定白沟新城、涿州市、定州市、安国市、高碑店市)

张家口市:(桥东区、桥西区、宣化区、下花园区、万全区、崇礼区、张北县、康保县、沽源县、尚义县、蔚县、阳原县、怀安县、怀来县、涿鹿县、赤城县、张家口经济开发区、张家口市察北管理区、张家口市塞北管理区)

承德市:(双桥区、双滦区、鹰手营子矿区、承德县、兴隆县、滦平县、隆化县、丰宁满族自治县、宽城满族自治县、围场满族蒙古族自治县、承德高新技术产业开发区、平泉市)

沧州市:(新华区、运河区、沧县、青县、东光县、海兴县、盐山县、肃宁县、南皮县、吴桥县、献县、孟村回族自治县、河北沧州经济开发区、沧州高新技术产业开发区、沧州渤海新区、泊头市、任丘市、黄骅市、河间市)

中国大模型，首登Nature封面。 9月17日，在最新😍一期的国际权威期刊Nature（自然）中，DeepSeek-😊R1推理模型研究论文登上了封面。该论文由DeepSeek团队😅共同完成，梁文锋担任通讯作者，首次公开了仅靠强化学习就能激发👏大模型推理能力的重要研究成果。这是中国大模型研究首次登上Na💯ture封面，也是全球首个经过完整同行评审并发表于权威期刊的🙄主流大语言模型研究，标志着中国AI技术在国际科学界获得最高认🎉可。 Nature在其社论中评价道：“几乎所有主流的大🤔模型都还没有经过独立同行评审，这一空白终于被DeepSeek😆打破。” 中国AI大模型的“Nature时刻” 😆自大模型浪潮席卷全球以来，技术发布、性能榜单层出不穷，但始终😘缺乏一个权威的“科学认证”机制。OpenAI、谷歌等巨头虽屡😅有突破，但其核心技术多以技术报告形式发布，未经独立同行评审。🚀 DeepSeek以其公开性和透明性打破了这一局面。D🥳eepSeek-R1模型的研究论文最早于今年年初发布在预印本⭐平台arXiv上。自今年2月14日向Nature投递论文至今😀，历经半年，8位外部专家参与了同行评审，DeepSeek-R🙄1推理模型研究论文终获发表，完成了从预印本到Nature封面🙄的“学术跃迁”。审稿人不仅关注模型性能，更对数据来源、训练方❤️法、安全性等提出严格质询，这一过程是AI模型迈向更高的透明度😀和可重复性的可喜一步。 因此，Nature也对Deep⭐Seek的开放模式给予高度评价，在其社论中评价道：“几乎所有😀主流的大模型都还没有经过独立同行评审，这一空白终于被Deep⭐Seek打破。”全球知名开源社区Hugging Face机器😡学习工程师Lewis Tunstall也是DeepSeek论😊文的审稿人之一，他强调：“这是一个备受欢迎的先例。如果缺乏这🤔种公开分享大部分研发过程的行业规范，我们将很难评估这些系统的🤗潜在风险。” 据了解，DeepSeek本次在Natur🤯e上发表的论文较今年年初的初版论文有较大的改动，全文64页，🙌不仅首次披露了R1的训练成本，而且透露了更多模型训练的技术细🎉节，包括对发布初期外界有关“蒸馏”方法的质疑作出了正面回应，😂提供了训练过程中减轻数据污染的详细流程，并对R1的安全性进行🤩了全面评估。 其中，在训练成本方面，R1-Zero和R🥳1都使用了512张H800GPU，分别训练了198个小时和8💯0个小时，以H800每GPU小时2美元的租赁价格换算，R1的😂总训练成本为29.4万美元（约合人民币209万元）。不到30👏万美元的训练成本，与其他推理模型动辄上千万美元的花费相比，可💯谓实现了极大的降本。 关于R1发布最初时所受到的“蒸馏💯”质疑，DeepSeek介绍，其使用的数据全部来自互联网，虽😂然可能包含GPT-4生成的结果，但并非有意而为之，更没有专门😅的蒸馏环节。所谓“蒸馏”，简单理解就是用预先训练好的复杂模型🎉输出的结果，作为监督信号再去训练另外一个模型。R1发布时，O💯penAI称它发现DeepSeek使用了OpenAI专有模型😂来训练自己的开源模型的证据，但拒绝进一步透露其证据的细节。 🤩 R2何时问世引发关注 自今年年初发布R1以来，D😆eepSeek在全球树立了开源模型的典范，但过去数月，外界对⭐于R2何时发布始终保持高度关注，相关传言一直不断。不过，R2🙄的发布时间一再推迟，外界分析R2研发进程缓慢可能与算力受限有😆关。 展开全文 值得注意的是，今年8月21日，D🙌eepSeek正式发布DeepSeek-V3.1，称其为“迈🎉向Agent（智能体）时代的第一步”。据DeepSeek介绍🤩，V3.1主要包含三大变化：一是采用混合推理架构，一个模型同😆时支持思考模式与非思考模式；二是具有更高的思考效率，能在更短🤩时间内给出答案；三是具有更强的智能体能力，通过后训练优化，新🤯模型在工具使用与智能体任务中的表现有较大提升。 由于R😢1的基座模型为V3，V3.1的升级也引发了外界对于R2“在路😘上”的猜测。V3.1的升级更深刻的意义在于，DeepSeek🙌强调DeepSeek-V3.1使用了UE8M0 FP8 Sc😊ale的参数精度，而UE8M0 FP8是针对即将发布的下一代💯国产芯片设计。这也表明未来基于DeepSeek模型的训练与推😅理有望更多应用国产AI芯片，助力国产算力生态加速建设。这一表🙌态一度带动国产芯片算力股股价飙升。 中国银河证券研报指💯出，DeepSeek从V3版本就开始采用FP8参数精度验证了🤯其训练的有效性，通过降低算力精度，使国产ASIC芯片能在成熟💯制程（12-28nm）上接近先进制程英伟达GPU的算力精度，🥳DeepSeek-V3.1使用UE8M0 FP8 Scale❤️参数精度，让软件去主动拥抱硬件更喜欢的数据格式，“软硬协同”😜的生态技术壁垒逐渐成为AI浪潮下新范式，未来国产大模型将更多😊拥抱FP8算力精度并有望成为一种新技术趋势，通过软硬件的协同😎换取数量级性能的提升，国产算力芯片将迎来变革。 责编：😉万健祎 校对：王朝全 版权声明 " Typ😁e="normal"@@--> 证券时报各平台所有原创😡内容，未经书面授权，任何单位及个人不得转载。我社保留追究相关😀行为主体法律责任的权利。 转载与合作可联系证券时报小助😉理，微信ID：SecuritiesTimes " Ty🤔pe="normal"@@-->返回搜狐，查看更多