周年回顾｜DeepSeek如何改变开源AI
在DeepSeek R1发布一周年之际，让我们一起来回顾DeepSeek究竟是如何改变了开源AI —— R1并不是当时最强的模型，真正意义而在于它如何降低了三重壁垒。
i. 技术壁垒：通过公开分享其推理路径和后训练方法，R1将曾经封闭在API背后的高级推理能力，转变为可下载、可蒸馏、可微调的工程资产，推理开始表现得像一个可复用的模块，在不同的系统中反复应用。这也推动行业重新思考模型能力与计算成本之间的关系，这种转变在中国这样算力受限的环境中尤为有意义。
ii. 采用壁垒：R1以MIT许可证发布，使其使用、修改和再分发变得简单直接。随着分发限制的解除，模型迅速扩散到云平台和工具链中，R1超越了研究产物的范畴，成为了可复用的工程基础。原本依赖闭源模型的公司开始直接将R1投入生产，蒸馏、二次训练和领域适应变成了常规的工程工作，而非特殊项目。
iii. 心理壁垒：当问题从“我们能做这个吗？”转变为“我们如何做好这个？”时，许多公司的决策都发生了变化。对中国AI社区而言，这也是一个难得的、获得全球持续关注的时刻，对于一个长期被视为跟随者的生态系统来说，这一点至关重要。
2025年1月20日，DeepSeek-R1正式发布。从此，国产大模型第一次走到了全球舞台的核心位置，开启了开源时代。
DeepSeek-R1的关键突破
从技术上看，DeepSeek-R1的关键突破，并不在某一个单点技巧，而在一整套系统性设计。在传统SFT/RLHF体系中，最终答案的「正确性」是唯一目标。R1则引入了更细粒度的信号。这也是第一次，模型高密度推理数据，而非高密度知识R1的训练数据，不追求百科全书式的覆盖，而是高度聚焦在数学与逻辑推导、可验证的复杂任务。因此，R1才在数学、代码、复杂推理上，呈现出跨尺度的跃迁。
R1证明了在推理维度，开源模型不是追随者，而可以成为范式定义者。同时，改变了工程师与模型的协作方式，当模型开始“展示思路”，人类就不再是提问者而是合作者。
回到今天R1仍然是一条未走完的路，一周年并不是终点，推理能力还有明显上限，长链路思考仍然昂贵。但正如R1做出的选择一样，真正重要的不是已经解决了什么，而是方向是否正确。
这一年只是序章
在前两天的深夜，DeepSeek的一个存储库进行了更新，引用了一个全新的「model 1」模型。DeepSeek-R1的故事还在继续 —— 在DeepSeek-R1发布一周年之际，核心算法库惊现model 1，是V4还是R2？
而这个model 1极有可能就是R2。在DeepSeek的开源项目FlashMLA库代码片段明确引用了model 1，并且伴随针对KV缓存的新优化，和576B步幅的稀疏FP8解码支持。FlashMLA是DeepSeek的优化注意力内核库，为DeepSeek-V3和DeepSeek-V3.2-Exp模型提供支持。
FlashMLA是DeepSeek为Hopper架构GPU（如H800）优化的MLA（Multi-head Latent Attention）解码内核。在推理层代码中提及新模型ID，往往意味着该新模型将继续复用或改进现有的MLA架构，而项目里大约有28处提到model 1，这可以被解读为新模型即将发布的明确信号。并且巧的是，这个爆料正好赶在DeepSeek-R1发布一周年（2025年1月20日）。
R1作为开源推理模型，曾匹敌OpenAI o1并登顶iOS App Store，此后彻底改变了开源AI社区。model 1即便不是R2也意义非凡，毕竟FlashMLA是DeepSeek优化的注意力核心算法库。
不过，DeepSeek之前的确遇到了一些麻烦，在研发其新一代旗舰模型时，遇到算力问题。但DeepSeek及时调整了策略，准备在“未来几周内”推出这款新模型。
加入微信
获取电子行业最新资讯
搜索微信公众号：EEPW
或用微信扫描左侧二维码
