DeepSeek-V3是一个强大的MoE语言模型，总参数量为671B，每个token激活37B的参数。

为了实现高效的推理和具有成本效益的训练，DeepSeek-V3采用了多头潜在注意力（MLA）和 DeepSeekMoE架构。这些架构已经在DeepSeek-V2中得到了充分验证，此外，DeepSeek-V3开创了无需辅助损失的负载均衡策略，并设置了多token预测训练目标以提高性能。

训练流程

1.在训练期间，我们使用了14.8万亿个高质量且多样的token对DeepSeek-V3进行训练。训练过程非常稳定。在整个训练过程中，我们没有遇到任何不可恢复的损失峰值或必须进行回滚的情况。

2.接下来，我们对DeepSeek-V3进行两阶段的上下文长度扩展。在第一阶段，最大上下文长度扩展到32K，在第二阶段，进一步扩展128K。

3.在此之后，我们在DeepSeek-V3的基础模型上进行后训练，包括监督微调和强化学习，以使其与人类偏好保持一致，并进一步释放其潜力。在后训练阶段，我们从DeepSeek-R1系列模型中提取推理能力，同时仔细保持模型准确性和生成长度之间的平衡。

训练成本

综合评估表明，DeepSeek-V3的性能优于其他开源模型，并且可以媲美领先的闭源模型。尽管性能出色，DeepSeek-V3的完整训练仅需278.8万H800 GPU小时。

在预训练阶段，使用2048个H800 GPU的集群，每训练一万亿个token仅需18万个H800 GPU小时，即3.7天。因此，我们的m预训练阶段在不到2个月的时间内完成，成本为266.4万GPU小时。

加上上下文长度扩展的11.9万GPU小时和后训练的5千GPU小时，DeepSeek-V3的完整训练仅需要278.8万GPU小时。

假设H800 GPU的租用价格为每GPU小时2美元，我们的总训练成本仅为557.6万美元。

请注意，上述成本仅包括DeepSeek-V3的正式训练，不包括先前对架构、算法或数据进行的研究和消融实验相关的成本。

模型架构

系统优化

最后，我们再次强调DeepSeek-V3的经济训练成本，如表1所示，这是通过我们对算法、框架和硬件的优化协同设计实现的。

核心贡献

架构：创新的负载均衡策略和训练目标

在DeepSeek-V2的高效架构基础上，我们开创了一种无需辅助损失的负载均衡策略，最大限度地减少了因鼓励负载均衡而导致的性能下降；

我们研究了一种多token预测目标，并证明了它有利于模型性能。它还可以用于推理解码中的推测解码，以加速推理。

预训练：迈向极致的训练效率

我们设计了一个FP8混合精度训练框架，并首次在一个超大规模模型上验证了FP8训练的可行性和有效性。

通过算法、框架和硬件的协同设计，我们克服了跨节点MoE训练中的通信瓶颈，实现了接近完全的计算-通信重叠。这显著提高了我们的训练效率并降低了训练成本，使我们能够在不增加额开销的情况下进一步扩展模型规模；

仅以266.4万H800 GPU小时的经济成本，我们就完成了DeepSeek-V3在14.8万亿token上的预训练，产生了目前最强大的开源基础模型。预训练之后的后训练阶段仅需要10万GPU小时。

后训练：来自DeepSeek-R1的知识蒸馏

我们引入了一个创新的方法，将推理能力从长链式思维（CoT）模型提炼到标准LLM中，特别是DeepSeek-V3。我们的管道巧妙地将R1的验证和反思模式融入到DeepSeek-V3中，并显著提高了其推理性能。同时，我们也保持对DeepSeek-V3输出风格和长度的控制。

模型效果