youcans的博客

DeepSeek团队提出了一种创新的多模态推理框架“用视觉基元思考”（Thinking with Visual Primitives），通过将点和边界框作为最小思维单元嵌入推理过程，解决传统多模态大模型（MLLMs）在空间推理任务中的指代鸿沟问题。该模型基于高效的DeepSeek-V4-Flash架构，结合自研DeepSeek-ViT，实现了7056倍的视觉令牌压缩，显著提升了推理效率。

DeepSeek-V4 系列推出两款高效混合专家（MoE）模型：DeepSeek-V4-Pro 和DeepSeek-V4-Flash，均支持百万token上下文。本文详细翻译 DeepSeek-V4 技术报告。

DeepSeek团队提出Engram条件记忆模块，通过可扩展查找机制解决大语言模型知识检索效率低的问题。Engram结合N-gram嵌入的O(1)静态检索与MoE动态计算，利用哈希压缩和上下文感知门控优化性能。

本文介绍了如何在PyCharm中集成DeepSeek，通过安装Continue插件调用DeepSeek模型辅助Python开发。该集成能显著提高开发效率，降低语法错误，适合Python开发者。 包括：1）安装Continue插件并配置DeepSeek API Key；2）使用聊天功能优化代码，支持多轮对话和上下文关联；3）启用行内自动补全，提升编码效率；4）利用编辑功能直接修改代码，支持注释、重构等操作；5）简介智能代理功能，支持复杂代码任务自动化。

2025年 9月，DeepSeek-R1 论文以封面文章的形式登上了权威科学期刊 Nature，这是第一个在经过同行评审后发表的主流 LLM。本文详细翻译解读 【Nature封面文章】 DeepSeek-R1 通过强化学习机制激励大语言模型进行推理优化。

DeepSeek 本地部署在性能、成本和安全等方面具有显著优势。本文详细讲解 基于 Ollama+Docker+OpenWebUI 的本地化部署流程，并通过实例代码演示。

通过搭建个人知识库，让 DeepSeek 与私有数据结合，可以实现更专业的、更智慧的、私人定制的大模型。本文详细讲解 采用 CherryStudio 搭建 Deepseek 个人知识库的流程，并通过实例代码进行演示。

本文以博主的研究课题为例，实战记录基于 DeepSeek 的文献检索过程。对话过程使用 "CherryStudio" 平台，调用 "硅基流动" 部署的 Deepseek-R1 模型。

DeepSeek官方工具箱（Awesome DeepSeek Integration）是 DeepSeek 官方收集和整理的各种实用工具列表的清单。本项目由 DeepSeek 官方团队负责维护，里面提供了超过 100 种经过官方认证的插件工具，并且提供了详细的使用教程，包括集成案例，例如：应用程序、ai Agent 框架、RAG 框架、浏览器插件、VS Code 插件等。

腾讯推出 QBot 浏览器，集成了腾讯混元大模型和 DeepSeek 模型，在浏览时提供提供AI搜索、AI浏览、AI办公、AI学习和AI写作五大核心功能，旨在为用户提供更智能、高效的浏览体验，，帮助用户更高效地获取和处理信息，满足工作、学习等需求。

微信上线“腾讯元宝”新功能，用户可以在微信中添加“腾讯元宝”为好友，直接在微信聊天界面与其进行互动。

Zotero 作为一款免费开源的文献管理工具，具有强大的功能和灵活的扩展性，特别是可以集成 DeepSeek 进行 AI辅助文献阅读。本文将从安装与配置开始，详细介绍如何利用 Zotero 及其插件打造高效的文献阅读与研究环境。

本篇详细介绍 Deepseek+Zotero 的集成和使用，以及本地部署。结合 Zotero的文献管理和 DeepSeek 的语义理解，可以轻松实现文献核心观点提取、跨文献知识关联可视化，分析未来研究方向。

基于 Deepseek 制作可视化图表带来变革，让我们可以“一句话生成专业图表”：自然语言驱动，多输出模式，无缝衔接工作流。本文介绍 Deepseek 生成 HTML 代码、Python 程序来制作可视化图表的方法。

DeepSeek Chat 可以生成 图表代码，复制到本地环境运行，就生成可视化图表。上篇介绍条形图、柱状图、饼状图 等常用统计分析图表，本文介绍流程图、甘特图、思维导图等图形的制作。

如何更好地使用 DeepSeek，使之真正能成为生产力工具和个人专家助理。就DeepSeek 辅助博客写作提纲进行了对话和交流，结果确实令人震撼。

DeepSeek R1 推理大模型的发布颠覆了我们的认知。本文介绍从 DeepSeek LLM、DeepSeek MoE、DeepSeek V2、DeepSeek V3 到 DeepSeek R1 的发展历程。本系列将逐篇解读 DeepSeek 论文和模型。

论文介绍了DeepSeek LLMs，这是一系列在2万亿标记的英语和中文大型数据集上从头开始训练的开源模型。本文深入解释了超参数选择、扩展定律以及做过的各种微调尝试。校准了先前工作中的扩展定律，并提出了新的最优模型/数据扩展-缩放分配策略。

论文提出了MoE语言模型的DeepSeekMoE架构，目的是实现终极的专家专业化(expert specialization)。通过细粒度的专家分割和共享专家隔离，DeepSeekMoE相比主流的MoE架构实现了显著更高的专家专业化和性能。

DeepSeek-V2 是一个混合专家（MoE）语言模型，采用多头潜在注意力（MLA）和 DeepSeek 混合专家 （MoE） 的创新架构，在资源利用和性能之间达到很好的平衡。DeepSeek-V2 支持 128K 长度的上下文，具有强大的性能，经济训练和高效推理的特点。

DeepSeek-V3是一款强大的混合专家（MoE）语言模型，总参数量为6710亿，在性能上超越了其他开源模型，并达到了与领先闭源模型相当的水平。DeepSeek-V3不仅采用多头潜在注意力MLA和深度探索MoE架构，还开创了无辅助损失的负载均衡策略。

本文由 youcans@xidian 对论文 DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning 进行摘编和翻译。该论文版权属于原文期刊和作者，本译文只供研究学习使用。

本系列前文已经逐篇介绍了从 DeepSeek LLM、DeepSeek MoE、DeepSeek V2、DeepSeek V3 到 DeepSeek R1 的内容。本文围绕 DeepSeek 系列论文和模型的发展历程，从基础架构探索、混合专家（MoE）优化、高效推理突破、强化学习驱动 四个阶段 进行总结和分析，

2025年 2月，DeepSeek 发布最新论文提出一种新的注意力机制 NSA，用于超快长上下文训练和推断的本地可训练的稀疏注意力机制，还具有与硬件对齐的特点。NSA 融合动态分层稀疏策略，结合粗粒度token压缩和细粒度token选择，兼顾全局上下文感知与局部精度，改进了传统稀疏注意力设计。

DeepSeek-AI 发表论文 "Inference-Time Scaling for Generalist Reward Modeling（推理时扩展的通用奖励模型）"，提出了一种 "自原则批判调优（SPCT）" 技术，使奖励模型在推理阶段能够动态扩展计算资源。本研究表明 “推理时扩展” 在通用 RM 中的有效性，性能超越训练时扩展。

本文介绍 DeepSeek 论文"洞察 DeepSeek-V3：扩展挑战和对 AI 架构硬件的思考"。本文深入分析了DeepSeek-V3/R1模型架构及其AI基础设施，重点阐述了多项关键创新

DeepSeek-Coder-V2是由DeepSeek团队于2024年6月发布的开源混合专家（MoE）代码大模型，旨在突破闭源模型在代码智能领域的障碍。本文详细介绍DeepSeek-Coder-V2模型的技术报告，并给出使用示例。

DeepSeek-Prover-V2 是由 DeepSeek 团队开发的开源大型语言模型，专注于形式化数学定理证明，尤其在 Lean 4 平台上的表现达到行业领先水平。该模型通过结合非形式化推理与形式化验证，实现了数学直觉与符号逻辑的双向对齐，标志着AI在数学推理领域的重大突破。

DeepSeek-OCR 是一种基于光学二维映射的文本压缩模型，旨在高效处理长文本内容。本文精读翻译 DeepSeek-OCR 技术报告，介绍 项目下载和使用方法。

DeepSeek 发布实验性模型 V3.2-Exp，引入DeepSeek稀疏注意力（DSA），显著提升长文本处理效率。本文详细介绍 DeepSeek-V3.2-Exp 技术报告，并提供本地部署方案的技术实现。

本文详细解读 DeepSeek-V3.2 技术报告和 API 使用指南。DeepSeek-V3.2 新一代开源大型语言模型在推理能力和工具调用方面实现重大突破，模型已开源并更新至官方应用，为AI社区提供高性能开源选择。

2026年元旦，DeepSeek 公布新论文 “mHC: Manifold-Constrained Hyper-Connections”。本文提出流形约束超连接(mHC)框架，解决传统超连接(HC)在大规模模型训练中的不稳定性问题。该工作为深度网络拓扑设计提供了新思路，有望推动大规模基础模型的架构演进。