国金证券2025年2月发布的DeepSeek专题报告指出，DeepSeek-V3/R1系列模型的突破标志着国产大模型技术迈入全球领先行列。V3正式训练成本仅557.6万美元，约为GPT-4预算的1/20；R1在数学、代码、自然语言推理等任务上性能比肩OpenAI o1正式版，但API定价仅为其1/30-1/50。模型架构创新（MLA/FP8/DualPipe）实现了训练成本的极致压缩，Janus-Pro多模态框架在图像生成和理解领域双双超越主流选手。
V3：671B参数仅557万美元训练成本，性价比最优
DeepSeek-V3采用MoE架构，总参数671B（每个token激活37B），在14.8T token上完成预训练。正式训练成本仅557.6万美元（含预训练532.8万、上下文扩展23.8万、后训练1万），约为GPT-4预算6300万美元的1/20，远低于Llama 3.1 405B约5800万美元的训练成本。
性能方面，V3在知识类任务（MMLU达88.5分、MMLU-Pro 75.9分、GPQA 59.1分）接近Claude-3.5-Sonnet-1022；长文本测评、代码生成、数学方面平均表现超过其他模型；中文能力与Qwen2.5-72B相近。API定价为每百万输入tokens 0.1元（缓存命中）/1元（缓存未命中），每百万输出2元，在性能-成本坐标系中处于最优范围。
R1：纯强化学习复现o1推理，成本降一个数量级
DeepSeek-R1是继OpenAI o1之后推理的第二个里程碑。在V3基础模型上通过SFT微调+大规模强化学习训练：SFT阶段使用中间推理模型生成的60万个长思维链推理示例（推理能力已与o1相近）+20万个非推理训练样本，并引入数千条冷启动数据提升可读性；强化学习阶段引入实用性奖励模型和安全性奖励模型，确保输出有效性与安全伦理。
R1在AIME 2024达79.8%（超o1-1217的74.4%）、MATH-500达97.3%（与o1相当）、Codeforces Elo评分2029（超96.3%人类参与者）。API定价为每百万输入tokens 1元（缓存命中）/4元（缓存未命中），每百万输出16元，而OpenAI o1为每百万输入约109元、输出约436元，价差达30-50倍。R1还蒸馏了6个开源小模型（32B/70B在多项能力上对标o1-mini），7B小模型在MATH-500达92.8%。
技术创新的四重压缩：MLA+FP8+DualPipe+负载均衡
DeepSeek通过四重技术创新实现训练成本极致压缩。模型压缩层面：MLA通过Key/Value低秩压缩减少训练内存20-30%，Query低秩压缩降低激活内存占用；FP8混合精度训练在8/16/32位间切换，计算速度提升一倍，精度损失<0.25%。并行计算层面：DualPipe算法减少50%流水线气泡，通信开销隐藏于计算过程中；无辅助损失负载均衡提升训练稳定性，跨节点通信优化支持大规模部署。系统效率的提升使V3生成吐字速度从20TPS提升至60TPS（+200%）。
Janus-Pro：多模态统一的“双头”创新
Janus-Pro是统一多模态理解与生成框架（1.5B和7B），通过双头编码器分别负责理解和创作，成功突破训练瓶颈。规避ImageNet不真实问题，直接使用真实文生图数据训练，训练时间减少40%、生成质量提升35%。在图像生成基准测试中优于DALL-E 3和Stable Diffusion 3 Medium；多模态理解MMBench评分超过此前最佳水平。JanusFlow-1.3B参数量仅1.3B，在视觉理解和生成任务上均超过同规模统一多模态模型。DeepSeek从纯文本大模型向多模态延伸的速度和效果均超预期。
表：DeepSeek模型关键性能与成本对比| 模型 | 训练成本 | 推理成本（输出/百万tokens） | 核心性能 |
|---|
| DeepSeek-V3 | 557.6万美元 | 2元 | MMLU 88.5，对齐GPT-4o |
| DeepSeek-R1 | 基于V3微调 | 16元 | AIME 79.8%，比肩o1 |
| GPT-4o | 约6300万美元 | 约109元 | 行业标杆 |
| Claude 3.5 Sonnet | 3000-5000万美元 | 约100元 | 代码能力强 |
