ingFang SC", "Helvetica Neue", Helvetica, Arial, sans-serif;letter-spacing: 0.578px;margin-bottom: 8px;padding-bottom: 12px;">本次将从技术创新、多端使用、大厂薅羊毛ingFang SC", "Helvetica Neue", Helvetica, Arial, sans-serif;letter-spacing: normal;text-align: start;">、本地部署、扣子接入deepseek、coze+deepseek玩法等方向切入ingFang SC", "Helvetica Neue", Helvetica, Arial, sans-serif;letter-spacing: 0.578px;margin-bottom: 8px;padding-bottom: 12px;">一、架构创新
混合专家架构（MoE）：DeepSeek-R1 采用创新的混合专家架构，模型能够根据输入内容动态调用不同的专家网络，在保持相似计算成本的情况下，大幅提升模型的参数规模和性能 。
优化注意力计算：对传统 Transformer 架构中的注意力计算方法进行优化，提高计算效率，并增强模型对长文本的处理能力 。
二、训练方法创新
组相对策略优化（GRPO）算法：
例如解方程「3x+5=20」，模型会生成10种解法（如代数法、图像法）。系统像老师批卷：选正确率最高的3种作为参考答案，淘汰错误方法。通过不断对比择优，模型解题准确率快速提升。
优势：使模型参数量减少 40%-60%，无需单独的价值模型，显著降低内存和计算开销，增强模型的数学推理能力 。
原理：GRPO 通过组内奖励对比直接优化策略网络，将同一问题生成的 N 条候选答案划分为组，以组内平均奖励为基线，计算相对优势值，避免了传统 RL 中复杂价值模型（Critic）的构建需求 。
双重奖励系统：包含准确性和格式两个奖励，准确性奖励针对数学问题等确定性任务，格式奖励引导模型使用标准化的思考过程格式，提高输出的结构化程度和可解释性 。
模板化 RLHF 训练：开发简洁有效的训练模板，提供清晰的推理过程生成指南，强调结构化输出格式，便于观察和评估模型的学习进展 。
三、蒸馏框架创新
多教师协同蒸馏：
动态权重分配：根据任务类型自动调整教师模型（R1-70B、R1-32B）的贡献权重，如在数学推理中赋予 70B 模型 80% 权重，而在代码生成中采用 50%-50% 均衡分配 。
注意力迁移技术：将教师模型的交叉注意力分布作为软标签，指导学生模型学习长程依赖关系，使 7B 模型在 Codeforces 竞赛中的解题能力提升 29.4% 。
量化感知训练：在蒸馏过程中引入 4-bit 量化模拟，确保小模型在边缘设备部署时精度损失不超过 2%，例如 1.5B 模型在树莓派 5 上运行耗时仅 3.2 秒 / 问题，功耗不足 5W 。
DeepSeek-R1 和 Alpha 在训练方式上。DeepSeek-R1 通过强化学习和多阶段训练策略，能够在较少的数据量和计算资源下达到较高的性能，特别适合需要复杂推理的任务。而 Alpha 则通过监督学习和强化学习相结合的方式，给出围棋规则，利用大量的人工标注数据和人类反馈来提升模型的性能，继承了人类的上限
多端使用---手机端
纳米ai
留白记事
多端使用--电脑端
deepseek联网搜索
https://metaso.cn/
满血版DeepseekR1
如果不是写着671B 全尺寸 满血版 的基本都是被阉割过的
大厂薅羊毛
https://www.volcengine.com/
https://cloud.siliconflow.cn/i/2cGUfGEi（比较慢）
https://ppinfra.com/user/register?invited_by=AMAJ1C（比较快）
本地部署：
Ollama（自己配置）
https://q05hlvbg0wa.feishu.cn/wiki/YJNgwOmrQiEkOpkMuswcLvWjnKc?from=from_copylink
整合包（一键使用）
链接：https://pan.quark.cn/s/b6c45c9911de
提取码：aqpM
V1.0版本：2025-2-9
1、基于ollama、open-webui，整合deepseek模型，不用配置环境变量、不用下载模型，解压即用。
扣子接入deepseek：
基础版
硅基流动
from runtime import Args
fromtypings.deepseek_R1_siliconflow.deepseek_R1_siliconflowimportInput,Output
importhttp.client
importjson
defhandler(args:Args[Input])->Output:
#从输入参数中获取用户输入的内容和API密钥
user_input=args.input.user_input
api_key=args.input.api_key#假设用户输入的api_key通过此字段传入
ifnotapi_key:
return{"message":"APIKeyismissing.PleaseprovideavalidAPIKey."}
#API请求的URL和路径
conn=http.client.HTTPSConnection("api.siliconflow.cn")
payload=json.dumps({
"model":"deepseek-ai/DeepSeek-R1",#使用DeepSeek-R1模型
"messages":[{
"role":"user",
"content":user_input
}
],
"stream":False,
"max_tokens":512,
"stop":["null"],
"temperature":0.7,
"top_p":0.7,
"top_k":50,
"frequency_penalty":0.5,
"n":1,
"response_format":{"type":"text"},
})
headers={
"Authorization":f"Bearer{api_key}",#使用用户提供的APIKey
"Content-Type":"application/json"
}
#发送POST请求
conn.request("POST","/v1/chat/completions",body=payload,headers=headers)
response=conn.getresponse()
#检查请求是否成功
ifresponse.status==200:
#解析响应数据
response_data=json.loads(response.read().decode("utf-8"))
#提取content和reasoning_content
content=response_data["choices"][0]["message"].get("content","")
reasoning_content=response_data["choices"][0]["message"].get("reasoning_content","")
#返回API的响应内容，包括reasoning_content
return{
"reasoning_content":reasoning_content,
"message":content
}
else:
#如果请求失败，返回错误信息
return{"message":f"APIrequestfailedwithstatuscode{response.status}"}硅基流动容易timeout
504 / 503：通常是由于服务系统负载较高，请稍后重试。对于聊天和文本转语音请求，请尝试使用流模式 （“stream” ：true ）。请参阅流模式。
派欧
https://ppinfra.com/user/register?invited_by=AMAJ1C
from runtime import Args
fromtypings.DeepSeek_R1.DeepSeek_R1importInput,Output
importhttp.client
importjson
defhandler(args:Args[Input])->Output:
#从输入参数中获取用户输入的内容和API密钥
user_input=args.input.user_input
api_key=args.input.api_key
ifnotapi_key:
return{"message":"APIKeyismissing.PleaseprovideavalidAPIKey."}
#API请求的URL和路径
conn=http.client.HTTPSConnection("api.ppinfra.com")
payload=json.dumps({
"model":"deepseek/deepseek-r1/community",
"messages":[
{
"role":"system",
"content":"你是DeepSeek，你会以诚实专业的态度帮助用户，用中文回答问题。"
},
{
"role":"user",
"content":user_input
}
],
"response_format":{"type":"text"},
"max_tokens":8192,
"temperature":1,
"top_p":1,
"min_p":0,
"top_k":50,
"presence_penalty":0,
"frequency_penalty":0,
"repetition_penalty":1
})
headers={
"Authorization":f"Bearer{api_key}",
"Content-Type":"application/json"
}
#发送POST请求
conn.request("POST","/v3/openai/chat/completions",body=payload,headers=headers)
response=conn.getresponse()
#检查请求是否成功
ifresponse.status==200:
#解析响应数据
response_data=json.loads(response.read().decode("utf-8"))
#获取完整的响应内容
full_content=response_data["choices"][0]["message"].get("content","")
#提取思维链内容和最终回答
reasoning_content=""
message=full_content
#如果内容中包含<think>标签
if"<think>"infull_contentand"</think>"infull_content:
think_start=full_content.find("<think>")+len("<think>")
think_end=full_content.find("</think>")
#提取思维链内容
reasoning_content=full_content[think_start:think_end].strip()
#提取最终回答（移除思维链部分）
message=full_content[think_end+len("</think>"):].strip()
return{
"reasoning_content":reasoning_content,
"message":message
}
else:
#如果请求失败，返回错误信息
return{"message":f"APIrequestfailedwithstatuscode{response.status}"}
设置好代码后设置元数据，别忘记保存
输入参数：user_input/api_key
输出参数：reasoning_content/message
{
"user_input":"9.11和9.9谁大",
"api_key":"这里填写你的api"
}调试成功
点击右上角发布
在插件里手动填入api_key
记得引用出参为结束节点的变量
测试成功
也可以做成两次回复
专业版：
coze+deepseek玩法
手搓联网ds 自己的专家级ai搜索
学习完今天的图文教程,在感谢您一键三连评论区回复"YYDS"截图添加文章底部舰长微信，领取"Deepseek深度教学指南",加入舰长扣子智能体交流社群，一起进行deepseek讨论。
关注公众号并添加舰长微信，领取智能体学习资料，并参与Coze技术直播讲解
舰长积极创建智能体;工作流交流群，让我们在AI时代一起进步互相学习！每天会在群里分享智能体的搭建，欢迎各位小伙伴加入~
船长团队创作智能体专栏小册，里面有最新进阶的Coze智能体文章，在文章有收获的同时，可以分销而获取60%的小册费用，聚财成多