نمایش مبدأ برای دیپ‌سیک

{{Short description|شرکت هوش مصنوعی چینی}} {{Infobox company | name =  | native_name = {{lang|zh-CN|杭州深度求索人工智能基础技术研究有限公司}} | logo = DeepSeek_logo.svg | type = [[شرکت خصوصی]] | foundation = {{start date and age|2023|05}} | location = [[هانگژو]]، [[ژجیانگ]]، چین | founder = {{Unbulleted list | [[لیانگ ونفنگ]]}} | key_people = {{Unbulleted list | لیانگ ونفنگ (مدیر عامل)}} | owner = [[های-فلایر]] | num_employees = | industry = [[فناوری اطلاعات]] | parent = | subsid = | homepage = {{Official URL}} | footnotes = }}

'''دیپ‌سیک''' {{به انگلیسی|DeepSeek}}({{Lang-zh|c=|p=Shēndù Qiúsuǒ|s=深度求索}}) یک [[صنعت هوش مصنوعی در چین (انگلیسی)|شرکت هوش مصنوعی]] چینی است که [[مدل‌های زبانی بزرگ]] [[نرم‌افزار آزاد و متن‌باز|متن‌باز]] را توسعه می‌دهد. دفتر اصلی این شرکت در [[هانگژو]]، [[ژجیانگ]] مستقر است و مالکیت و تأمین مالی آن منحصراً برعهده شرکت [[های-فلایر]]'''''{{یادچپ|High-Flyer}}''''' است که یک [[صندوق پوشش ریسک]] چینی است و یکی از بنیان‌گذاران آن، [[لیانگ ونفنگ]]، در سال ۲۰۲۳ این شرکت را تأسیس کرده و خودش نیز به‌عنوان [[مدیر عامل|مدیرعامل]] فعالیت می‌کند.

دیپ‌سیک قادر است وظایف استدلالی را به خوبی [[چت‌جی‌پی‌تی]]<ref>{{Cite journal|last=Gibney|first=Elizabeth|date=January 23, 2025|title=China’s cheap, open AI model DeepSeek thrills scientists|url=https://www.nature.com/articles/d41586-025-00229-6|journal=[[نیچر|Nature]]|language=en|doi=10.1038/d41586-025-00229-6|issn=1476-4687}}</ref> انجام دهد، با این حال طبق مقاله ارائه شده خود شرکت، هزینه توسعه آن به مراتب و منابع مصرفی‌اش نیز کمتر بوده است.<ref>{{Cite web|last1=Hoskins|first1=Peter|last2=Rahman-Jones|first2=Imran|date=January 27, 2025|title=DeepSeek Chinese AI chatbot sparks market turmoil for rivals|url=https://www.bbc.com/news/articles/c0qw7z2v1pgo|access-date=2025-01-27|website=[[بی‌بی‌سی]]|language=en-GB}}</ref><ref name=":8">{{Cite news|last=Metz|first=Cade|last2=Tobin|first2=Meaghan|date=2025-01-23|title=How Chinese A.I. Start-Up DeepSeek Is Competing With Silicon Valley Giants|url=https://www.nytimes.com/2025/01/23/technology/deepseek-china-ai-chips.html?smid=fb-nytimes&smtyp=cur&fbclid=IwY2xjawIEynFleHRuA2FlbQIxMQABHZYKXN7GJpUyNRsaGEDQVadxRBarp-aBp1GhiuRe3B57Ehe6HYv7oiK78Q_aem_KTeDgqjV_-R80owNNWOBCQ|access-date=2025-01-27|work=[[نیویورک تایمز]]|language=en-US|issn=0362-4331}}</ref><ref>{{cite web|last=Cosgrove|first=Emma|date=January 27, 2025|title=DeepSeek's cheaper models and weaker chips call into question trillions in AI infrastructure spending|url=https://www.businessinsider.com/explaining-deepseek-chinese-models-efficiency-scaring-markets-2025-1|website=[[بیزنس اینسایدر]]}}</ref> این مدل هوش مصنوعی در شرایطی توسط دیپ‌سیک توسعه یافت که [[ایالات متحده آمریکا]] برای محدود کردن توانایی چین در توسعه سامانه‌های هوش مصنوعی پیشرفته، بر روی تراشه‌های [[انویدیا]] تحریم‌هایی اعمال کرده بود.<ref>{{Cite web|last=Saran|first=Cliff|date=December 10, 2024|title=Nvidia investigation signals widening of US and China chip war|Computer Weekly|url=https://www.computerweekly.com/news/366616907/Nvidia-investigation-signals-widening-of-US-and-China-chip-war|website=[[Computer Weekly (انگلیسی)|Computer Weekly]]|access-date=January 27, 2025}}</ref><ref>{{Cite web|last=Sherman|first=Natalie|date=December 9, 2024|title=Nvidia targeted by China in new chip war probe|url=https://www.bbc.com/news/articles/cx2vkd90mk8o|website=[[بی‌بی‌سی]]|access-date=January 27, 2025}}</ref> در ۱۰ ژانویه ۲۰۲۵، این شرکت نخستین [[چت‌بات]] رایگان خود را منتشر کرد که تا ۲۷ ژانویه در [[اپ استور (آی‌اواس)|اپ استور]] سیستم عامل iOS ایالات متحده جایگزین چت‌جی‌پی‌تی شد و تبدیل به پردانلودترین اپ رایگان گردید،<ref name="auto">{{Cite news|last=Metz|first=Cade|date=2025-01-27|title=What is DeepSeek? And How Is It Upending A.I. ?|url=https://www.nytimes.com/2025/01/27/technology/what-is-deepseek-china-ai.html|access-date=2025-01-27|work=[[نیویورک تایمز]]|language=en-US|issn=0362-4331}}</ref> و باعث شد ارزش سهام انویدیا ۱۸٪ افت کند.<ref>{{Cite web|url=https://www.cnbc.com/2025/01/27/chinas-deepseek-ai-tops-chatgpt-app-store-what-you-should-know.html|title=China's DeepSeek AI dethrones ChatGPT on App Store: Here's what you should know|first=Hayden|last=Field|date=27 January 2025|website=CNBC}}</ref><ref>{{Cite web|url=https://www.cbsnews.com/news/what-is-deepseek-ai-china-stock-nvidia-nvda-asml/|title=What is DeepSeek, and why is it causing Nvidia and other stocks to slump? - CBS News|date=27 January 2025|website=www.cbsnews.com}}</ref><ref>{{Cite web|url=https://nypost.com/2025/01/27/business/nvidia-stock-set-for-record-wipeout-on-deepseek-fears-ceo-jensen-huangs-net-worth-tanks/|title=Nvidia stock suffers record wipeout on DeepSeek fears -- as CEO Jensen Huang's net worth tanks|first=Thomas|last=Barrabi|date=27 January 2025}}</ref>

دیپ‌سیک [[چت‌بات]] [[هوش مصنوعی مولد]] خود را [[نرم‌افزار آزاد و متن‌باز|متن‌باز]] کرده است. بدین معنی که کد آن برای استفاده، اصلاح و مشاهده در دسترس قرار دارد و همچنین دسترسی به کد منبع و اسناد طراحی به‌منظور ساخت و توسعه مهیا است.<ref name="auto1">{{Cite web|url=https://www.forbes.com/sites/luisromero/2025/01/27/chatgpt-deepseek-or-llama-metas-lecun-says-open-source-is-the-key/|title=ChatGPT, DeepSeek, Or Llama? Meta’s LeCun Says Open-Source Is The Key|first=Luis E.|last=Romero|website=Forbes}}</ref> این شرکت پژوهشگران جوان هوش مصنوعی را از برترین دانشگاه‌های چین جذب می‌کند،<ref name="auto"/> و حتی افرادی را در خارج از حوزه [[علوم رایانه|علوم رایان]]<nowiki/>ه استخدام می‌کند تا دانش و توانایی مدل‌هایش در حوزه‌های گوناگون گسترش یابد.<ref name=":8"/>

== تاریخچه ==
در ۲ نوامبر ۲۰۲۳، دیپ‌سیک اولین مدل خود با نام دیپ‌سیک کدر'''''{{یادچپ|DeepSeek Coder}}''''' را معرفی کرد که برای استفاده تجاری رایگان و به‌طور کامل متن‌باز بود.<ref>{{Cite web |date=28 August 2024 |title=Inside DeepSeek Models |url=https://www.turingpost.com/p/deepseek |access-date=28 December 2024 |website=Turing Post}}</ref>

در ۲۹ نوامبر ۲۰۲۳، دیپ‌سیک مدل زبانی بزرگ خود با نام دیپ‌سیک اِل‌اِل‌ام را راه‌اندازی کرد که تا ۶۷ میلیارد پارامتر مقیاس‌پذیری داشت. این مدل برای رقابت با دیگر مدل‌های زبانی بزرگ آن زمان توسعه یافت و عملکردی نزدیک به GPT-۴ داشت. البته، این مدل با چالش‌هایی در زمینه کارایی محاسباتی و مقیاس‌پذیری روبرو بود. نسخه‌ای چت‌محور از این مدل نیز با نام دیپ‌سیک چت'''''{{یادچپ|DeepSeek Chat}}''''' منتشر شد.<ref>{{Cite web |last=Sharma |first=Shubham |date=1 December 2023 |title=Meet DeepSeek Chat, China's latest ChatGPT rival with a 67B model |url=https://venturebeat.com/ai/meet-deepseek-chat-chinas-latest-chatgpt-rival-with-a-67b-model/ |access-date=28 December 2024 |website=VentureBeat}}</ref>

در ۹ می ۲۰۲۴، دیپ‌سیک-V2 معرفی شد. [[فایننشال تایمز]] گزارش داد که این مدل در مقایسه با رقبا ارزان‌تر بود و هزینه آن ۲ یوان برای هر میلیون [[توکن]] خروجی تعیین شده بود. رهبران آزمایشگاه تایگر [[دانشگاه واترلو]]، دیپ‌سیک-V2 را در رتبهٔ هفتم در رده‌بندی مدل‌های زبانی بزرگ قرار دادند.<ref>title=The Chinese quant fund-turned-AI pioneer |url=https://www.ft.com/content/357f3c68-b866-4c2e-b678-0d075051a260</ref>

در نوامبر ۲۰۲۴، دیپ‌سیک R1-Lite منتشر شد که برای انجام وظایفی مانند استنتاج منطقی، استدلال [[ریاضی]] و [[حل مسئله|حل مسئل]]<nowiki/>ه در زمان واقعی طراحی شده بود. دیپ‌سیک ادعا کرد که این مدل در معیارهایی مانند شعر، AIME و ریاضیات، عملکرد بهتری نسبت به OpenAI o۱ دارد. با این حال، [[وال استریت ژورنال]] گزارش داد که وقتی از ۱۵ مسئله از نسخه ۲۰۲۴ AIME استفاده شد، OpenAI o۱ سریع‌تر از دیپ‌سیک R۱ به راه‌حل‌ها رسید.<ref>{{Cite web |last=Huang |first=Raffaele |date=24 December 2024 |title=Don't Look Now, but China's AI Is Catching Up Fast |url=https://www.wsj.com/tech/ai/china-ai-advances-us-chips-7838fd20 |access-date=28 December 2024 |website=The Wall Street Journal</ref>

در دسامبر ۲۰۲۴، دیپ‌سیک-V3 معرفی شد. این مدل با ۶۷۱ میلیارد پارامتر و در مدت حدود ۵۵ روز با هزینه ۵٫۵۸ میلیون دلار آموزش داده شد و از منابع بسیار کم‌تری نسبت به رقبا استفاده کرد. این مدل بر روی مجموعه‌داده‌ای شامل ۱۴٫۸ تریلیون توکن آموزش دید. تست‌های معیار نشان داد که عملکرد آن از [[لاما]] ۳ و Qwen 2.5 بهتر است و با [[چت‌جی‌پی‌تی]] ۴-o و [[کلود]] ۳٫۵ برابری می‌کند.

بهینه‌سازی دیپ‌سیک در استفاده از منابع محدود، محدودیت‌های احتمالی تحریم‌های آمریکا بر توسعه [[هوش مصنوعی]] چین را نشان داد. هزینه کلی آموزش این مدل ۵٫۵۸ میلیون دلار بود و حدود دو ماه طول کشید.

این مدل یک ترکیب با [[ترنسفورمر]] است که شامل ۲۵۶ متخصص مسیردهی شده و ۱ متخصص مشترک می‌باشد. هر توکن ۳۷ میلیارد پارامتر را فعال می‌کند.

== تاریخچه ==
در فوریه ۲۰۱۶، [[های-فلایر]] توسط لیانگ ونفنگ و دو نفر دیگر که فارغ التحصیلان [[دانشگاه ججیانگ]] بودن بنیان‌گذاری شد. او از زمان [[بحران مالی ۲۰۰۸–۲۰۰۷]]، هم‌زمان با تحصیل در [[دانشگاه ججیانگ]]، در حال معامله سهام بود.<ref name=":6">{{Cite web |last=Chen |first=Caiwei |date=2025-01-24 |title=How a top Chinese AI model overcame US sanctions |url=https://www.technologyreview.com/2025/01/24/1110526/china-deepseek-top-ai-despite-sanctions/ |url-status=live |archive-url=https://web.archive.org/web/20250125180427/https://www.technologyreview.com/2025/01/24/1110526/china-deepseek-top-ai-despite-sanctions/ |archive-date=25 January 2025 |access-date= |website=MIT Technology Review |language=en}}</ref> تا سال ۲۰۱۹ او شرکت های-فلایر را به یک صندوق پوشش ریسک متمرکز بر توسعه و استفاده از الگوریتم‌های معاملاتی هوش مصنوعی تبدیل کرد.

تا سال ۲۰۲۱ های-فلایر منحصراً از هوش مصنوعی در معاملات استفاده می‌کرد.<ref name=":0">{{Cite web |last=Ottinger |first=Lily |date=9 December 2024 |title=Deepseek: From Hedge Fund to Frontier Model Maker |url=https://www.chinatalk.media/p/deepseek-from-hedge-fund-to-frontier |access-date=28 December 2024 |website=ChinaTalk |language=en |archive-date=28 December 2024 |archive-url=https://web.archive.org/web/20241228030725/https://www.chinatalk.media/p/deepseek-from-hedge-fund-to-frontier |url-status=live}}</ref> دیپ‌سیک، [[چت‌بات]] [[هوش مصنوعی مولد]] خود را متن‌باز کرد و کد آن به‌صورت آزاد برای استفاده، اصلاح و مشاهده در دسترس عموم قرار داد. این شامل دسترسی و استفاده از کد منبع و همچنین اسناد طراحی نیز می‌شود.<ref name="auto1"/>

طبق گزارش [[36Kr (انگلیسی)|36Kr]]، لیانگ پیش از اعمال محدودیت‌های دولت ایالات متحده برای تراشه‌های هوش مصنوعی در چین، حدود ده‌هزار [[آمپر (ریزمعماری)|انویدیا A۱00]] تهیه کرده بود.<ref name=":0"/> برخی برآوردها نشان می‌دهد ممکن است تعداد آن به ۵۰ هزار هم برسد.<ref name=":6"/>

در آوریل ۲۰۲۳، های-فلایر یک آزمایشگاه [[هوش عمومی مصنوعی]] ایجاد کرد که روی پژوهش و توسعه ابزارهای هوش مصنوعی جدا از کسب‌وکار مالی های-فلایر متمرکز بود.<ref>{{Cite web |last=Yu |first=Xu |date=17 April 2023 |title=[Exclusive] Chinese Quant Hedge Fund High-Flyer Won't Use AGI to Trade Stocks, MD Says |url=https://www.yicaiglobal.com/news/exclusive-chinese-quant-fund-high-flyer-will-not-use-agi-to-trade-stocks-managing-director-says |access-date=28 December 2024 |website=Yicai Global |language=en |archive-date=31 December 2023 |archive-url=https://web.archive.org/web/20231231030712/https://www.yicaiglobal.com/news/exclusive-chinese-quant-fund-high-flyer-will-not-use-agi-to-trade-stocks-managing-director-says |url-status=live}}</ref><ref name="scmp 1 January 2025">{{cite web|last1=Jiang|first1=Ben|last2=Perezi|first2=Bien|date=1 January 2025|title=Meet DeepSeek: the Chinese start-up that is changing how AI models are trained|url=https://www.scmp.com/tech/tech-trends/article/3293050/meet-deepseek-chinese-start-changing-how-ai-models-are-trained|website=South China Morning Post|language=en|access-date=1 January 2025|archive-date=22 January 2025|archive-url=https://web.archive.org/web/20250122160046/https://www.scmp.com/tech/tech-trends/article/3293050/meet-deepseek-chinese-start-changing-how-ai-models-are-trained|url-status=live}}</ref>

در مه ۲۰۲۳، با همکاری یک سرمایه‌گذار جدید، یعنی های-فلایر، این آزمایشگاه به شرکتی مستقل تبدیل شد به نام دیپ‌سیک.<ref name=":0"/><ref name=":2">{{Cite news |last1=McMorrow |first1=Ryan |last2=Olcott |first2=Eleanor |date=9 June 2024 |title=The Chinese quant fund-turned-AI pioneer |url=https://www.ft.com/content/357f3c68-b866-4c2e-b678-0d075051a260 |url-status=live |archive-url=https://web.archive.org/web/20240717030903/https://www.ft.com/content/357f3c68-b866-4c2e-b678-0d075051a260 |archive-date=17 July 2024 |access-date=28 December 2024 |work=Financial Times}}</ref><ref name="scmp 1 January 2025"/> شرکت‌های [[سرمایه‌گذاری خطرپذیر]] تمایل چندانی برای تأمین مالی از خود نشان نمی‌دادند، چرا که به نظر نمی‌رسید دیپ‌سیک بتواند در زمان کوتاهی [[خروج (سرمایه‌گذاری)|خروج]] سرمایه را مهیا کند.<ref name=":0"/>

پس از عرضه DeepSeek-V2 در مه ۲۰۲۴ که عملکرد قدرتمندی را با هزینه اندک ارائه می‌داد، دیپ‌سیک به‌عنوان عامل آغاز [[جنگ قیمت|جنگ قیمتی]] در بازار مدل‌های هوش مصنوعی چین شناخته شد. خیلی زود از آن با عنوان «[[پیندودو|پین‌دودوی]] هوش مصنوعی» یاد شد و سایر غول‌های فناوری از جمله[[بایت‌دنس]]، [[تنسنت]]، [[بایدو]] و [[گروه علی‌بابا|علی‌بابا]] به‌منظور رقابت با این شرکت، قیمت مدل‌های هوش مصنوعی خود را کاهش دادند. باوجود هزینه اندکی که دیپ‌سیک از مشتریان دریافت می‌کرد، همچنان سودآور بود، در حالی که رقبای آن زیان‌ده بودند.<ref name=":3">{{Cite web|last=Schneider|first=Jordan|date=27 November 2024|title=Deepseek: The Quiet Giant Leading China's AI Race|url=https://www.chinatalk.media/p/deepseek-ceo-interview-with-chinas|access-date=28 December 2024|website=ChinaTalk}}</ref>

دیپ‌سیک صرفاً بر پژوهش متمرکز است و برنامه مشخصی برای تجاری‌سازی ندارد؛<ref name=":3"/> این موضوع همچنین به فناوری دیپ‌سیک اجازه می‌دهد از سخت‌گیرانه‌ترین مقررات چین در زمینه هوش مصنوعی، مانند قوانین مربوط به کنترل محتوای ارائه‌شده به مصرف‌کنندگان، تا حدی معاف بماند.<ref name=":8"/>

دیپ‌سیک ترجیح می‌دهد که استخدام‌ها مواکداً بر توانمندی فنی باشد، نه صرفاً سابقه کاری. در نتیجه بیشتر استخدام‌ها یا از دانش‌آموختگان جدید دانشگاه‌ها هستند یا توسعه‌دهندگانی با سابقه کمتر در حوزه هوش مصنوعی.<ref name="scmp 1 January 2025"/><ref name=":8"/> همچنین این شرکت افرادی را بدون پیشینه علمی در علوم رایانه جذب می‌کند تا توانایی فناوری آن در درک موضوعات و حوزه‌های دانشی دیگر افزایش یابد و بتواند مثلاً شعر بسراید یا در [[آزمون یکپارچه سراسری برای پذیرش در دانشگاه‌ها و کالج‌های عمومی چین|کنکور سخت دانشگاه‌های چین]] عملکرد خوبی نشان دهد.<ref name=":8"/>

== تاریخچه انتشار محصولات ==
=== دیپ‌سیک ال‌ال‌ام''{{یادچپ|DeepSeek LLM}}'' {{anchor|DeepSeek LLM}} ===
در ۲ نوامبر ۲۰۲۳، دیپ‌سیک نخستین سری مدل خود با نام {{abbr|دیپ‌سیک کدر|DeepSeek Coder}} '''''{{یادچپ|DeepSeek Coder}}''''' را منتشر کرد که رایگان و در دسترس پژوهشگران و کاربران تجاری قرار گرفت. کد مدل تحت [[پروانه ام‌آی‌تی]] متن‌باز شد و برای خودِ مدل نیز، پروانه جداگانه‌ای به نام «مجوز دیپ‌سیک» در زمینه «استفاده آزاد و مسئولانه» اضافه شد.<ref>{{Cite web |title=DeepSeek-Coder/LICENSE-MODEL at main · deepseek-ai/DeepSeek-Coder |url=https://github.com/deepseek-ai/DeepSeek-Coder/blob/main/LICENSE-MODEL |url-status=live |archive-url=https://web.archive.org/web/20250122195853/https://github.com/deepseek-ai/deepseek-coder/blob/main/LICENSE-MODEL |archive-date=22 January 2025 |access-date=2025-01-24 |website=GitHub |language=en}}</ref>

این مدل‌ها دارای همان معماری دیپ‌سیک ال‌ال‌ام هستند. این سری شامل ۸ مدل است: ۴ مدل پیش‌آموزش‌شده (<code>Base</code>) و ۴ مدل [[تنظیم دقیق (یادگیری ماشین)|تنظیم دقیق دستوری]] (<code>Instruct</code>) که همگی با طول متن'''''{{یادچپ|Context length: The length of token array (not words)}}''''' 16k ارائه شده‌اند. مراحل آموزشی چنین بوده است:<ref name=":1">{{Citation |last=Guo |first=Daya |title=DeepSeek-Coder: When the Large Language Model Meets Programming -- The Rise of Code Intelligence |date=2024-01-26 |url=https://arxiv.org/abs/2401.14196 |publisher=arXiv |doi=10.48550/arXiv.2401.14196 |id=arXiv:2401.14196 |last2=Zhu |first2=Qihao |last3=Yang |first3=Dejian |last4=Xie |first4=Zhenda |last5=Dong |first5=Kai |last6=Zhang |first6=Wentao |last7=Chen |first7=Guanting |last8=Bi |first8=Xiao |last9=Wu |first9=Y.}}</ref><ref>{{Cite web |title=DeepSeek Coder |url=https://deepseekcoder.github.io/ |access-date=2025-01-27 |website=deepseekcoder.github.io}}</ref><ref>{{Citation |title=deepseek-ai/DeepSeek-Coder |date=2025-01-27 |url=https://github.com/deepseek-ai/deepseek-coder/ |access-date=2025-01-27 |publisher=DeepSeek}}</ref>
# پیش‌آموزش: ۱٫۸ تریلیون توکن (۸۷٪ کد منبع، ۱۰٪ متن انگلیسی مرتبط با کد (مستندات مارک‌داون گیت‌هاب و [[استک اکسچنج|Stack Exchange]]) و ۳٪ متن چینی نامرتبط با کد).
# پیش‌آموزش با طول متن بلند: ۲۰۰ میلیارد توکن. این مرحله طول متن را از ۴k به ۱۶k گسترش داد و مدل‌های <code>Base</code> تولید شدند.
# [[مدل زبانی استدلالی#تنظیم دقیق نظارت‌شده|تنظیم دقیق نظارت‌شده]]'''''{{یادچپ| Supervised finetuning (SFT)}}''''' (SFT): ۲ میلیارد توکن داده دستوری. این مرحله مدل‌های <code>Instruct</code> را تولید کرد.

این مدل‌ها روی خوشه‌ای از [[واحد پردازش گرافیکی|جی‌پی‌یوهای]] A۱00 و H۸00 انویدیا آموزش دیده‌اند که با [[اینفینی‌باند]]، [[NVLink|ان‌وی لینگ]]، و [[NVSwitch|ان‌وی سوئیچ]] به هم متصل شده بودند.<ref name=":1"/>
{| class="wikitable sortable"
|+مشخصات کدگذار دیپ‌سیک<ref name=":1"/><ref>{{Cite web |title=deepseek-ai/deepseek-coder-5.7bmqa-base · Hugging Face |url=https://huggingface.co/deepseek-ai/deepseek-coder-5.7bmqa-base |access-date=2025-01-27 |website=huggingface.co}}</ref>
|-
! {{abbr|Params|Parameters}}. !! <math>n_{\text{layers}}</math> !! <math>d_{\text{model}}</math>
!<math>d_{\text{intermediate}}</math>!! <math>n_{\text{heads}}</math> !! <math>n_{\text{kv-heads}} </math>
|-
| ۱.3B || ۲۴ || ۲۰۴۸
|۵۵۰۴|| ۱۶ || ۱۶
|-
|5.7B
|۳۲
|۴۰۹۶
|۱۱۰۰۸
|۳۲
|۱
|-
| 6.7B || ۳۲ || ۴۰۹۶
|۱۱۰۰۸|| ۳۲ || ۳۲
|-
| 33B || ۶۲ || ۷۱۶۸
|۱۹۲۰۰|| ۵۶ ||۷
|}
<sup>توجه کنید که تعداد سرها با تعداد سرهای KV برابر نیست (به‌دلیل GQA) در مدل‌های ۵٫۶ میلیاردی و ۳۳ میلیاردی</sup>

در ۲۹ نوامبر ۲۰۲۳، دیپ‌سیک سری مدل‌های دیپ‌سیک ال‌ال‌ام را با اندازه‌های ۷ میلیارد و ۶۷ میلیارد پارامتر در قالب <code>Base</code> و <code>[[چت‌بات|Chat]]</code> (بدون <code>Instruct</code>) عرضه کرد. هدف آن رقابت با سایر مدل‌های ال‌ال‌ام موجود در زمان خود بود. در مقاله معرفی محصول، ادعا شد که دیپ‌سیک در آزمون‌ها از بیشتر مدل‌های متن‌باز موجود در آن زمان، به‌ویژه لاما۲، عملکرد بهتری دارد.<ref name=":9">{{Citation |last=DeepSeek-AI |title=DeepSeek LLM: Scaling Open-Source Language Models with Longtermism |date=2024-01-05 |url=https://arxiv.org/abs/2401.02954 |publisher=arXiv |doi=10.48550/arXiv.2401.02954 |id=arXiv:2401.02954 |last2=Bi |first2=Xiao |last3=Chen |first3=Deli |last4=Chen |first4=Guanting |last5=Chen |first5=Shanhuang |last6=Dai |first6=Damai |last7=Deng |first7=Chengqi |last8=Ding |first8=Honghui |last9=Dong |first9=Kai}}</ref> مشابه دیپ‌سیک کدر، کد این مدل‌ها تحت [[پروانه ام‌آی‌تی]] بوده و خود مدل شامل مجوز پروانه دیپ‌سیک است.<ref>{{Citation |title=deepseek-ai/DeepSeek-LLM |date=2025-01-27 |url=https://github.com/deepseek-ai/DeepSeek-LLM |access-date=2025-01-27 |publisher=DeepSeek}}</ref>

معماری دیپ‌سیک ال‌ال‌ام عملاً مشابه سری [[لاما (مدل زبانی)|لاما]] است: [[ترنسفورمر (یادگیری عمیق)#رمزگشا|ترنسفورمر رمزگشا-محور]] [[ترنسفورمر (یادگیری عمیق)#pre-LN|pre-LN]] با استفاده از [[نرمال‌سازی لایه با جذر میانگین مربعات|RMSNorm]] به‌عنوان روش نرمال‌سازی، تابع [[مکانیزم دروازه ای#SwiGLU|SwiGLU]] در [[شبکه عصبی پیشخور|پیشخور]]، [[ترنسفورمر (یادگیری عمیق)#دگرنمایی موقعیت چرخشی|دگرنمایی موقعیت چرخشی]]'''''{{یادچپ|rotary positional embedding}}''''' ({{abbr|RoPE|rotary positional embedding}})، و [[grouped-query attention]] (GQA). هر دو مدل دارای اندازه واژگان ۱۰۲۴۰۰ و ([[کدگذاری جفت‌بایت#بی‌پی‌ای در سطح بایت|BPE در سطح بایت]]) طول متن ۴۰۹۶ هستند. آموزش آن‌ها بر روی ۲ تریلیون توکن متنی انگلیسی و چینی (با حذف تکرار) از [[خزنده عمومی]]'''''{{یادچپ|Common Crawl}}''''' صورت گرفت.<ref name=":9"/>

{| class="wikitable sortable"
|+مشخصات کدگذار دیپ‌سیک<ref name=":9"/>
|-
! {{abbr|Params|پارامترها}}. !! <math>n_{\text{layers}}</math> !! <math>d_{\text{model}}</math>
!<math>d_{\text{intermediate}}</math>!! <math>n_{\text{heads}}</math> !! <math>n_{\text{kv-heads}} </math>
|-
| 7B || ۳۰ || ۴۰۹۶
|۱۱۰۰۸|| ۳۲ || ۳۲
|-
| 67B || ۹۵ || ۸۱۹۲
|۲۲۰۱۶|| ۶۴ || ۸
|}

<sup>در مدل ۶۷ میلیاردی نیز به‌دلیل GQA، تعداد سرها با تعداد سرهای KV یکسان نیست.</sup>

نسخه‌های <code>Chat</code> این دو مدل <code>Base</code> هم‌زمان عرضه شدند که با تنظیم دقیق نظارت‌شده و سپس [[یادگیری تقویتی از بازخورد انسانی#بهینه‌سازی ترجیح مستقیم[ج]|بهینه‌سازی خط‌مشی مستقیم]] {{اختصاری|DPO}} از <code>Base</code> به‌دست آمده‌اند.<ref name=":9"/>

در آوریل ۲۰۲۴، سه مدل {{abbr|دیپ‌سیک مَث|DeepSeek-Math}} '''''{{یادچپ|DeepSeek-Math}}''''' عرضه شد که در ریاضیات تخصص داشتند: <code>Base</code>، <code>Instruct</code> و <code>RL</code>.

مراحل آموزشی آن‌ها به این ترتیب بود:<ref>{{Citation |last=Shao |first=Zhihong |title=DeepSeekMath: Pushing the Limits of Mathematical Reasoning in Open Language Models |date=2024-04-27 |url=https://arxiv.org/abs/2402.03300 |publisher=arXiv |doi=10.48550/arXiv.2402.03300 |id=arXiv:2402.03300 |last2=Wang |first2=Peiyi |last3=Zhu |first3=Qihao |last4=Xu |first4=Runxin |last5=Song |first5=Junxiao |last6=Bi |first6=Xiao |last7=Zhang |first7=Haowei |last8=Zhang |first8=Mingchuan |last9=Li |first9=Y. K.}}</ref>
# آغاز با مدل پیش‌آموزش‌شده DeepSeek-Coder-Base-v۱٫۵ با ۷ میلیارد پارامتر.
# پیش‌آموزش بیشتر با استفاده از ۵۰۰ میلیارد توکن (۶٪ «مجموعه دیپ‌سیک ریاضی»، ۴٪ «[[استک جبری]]»، ۱۰٪ داده‌های [[آرکایو (وبسایت)|آرکایو]]، ۲۰٪ کد گیت‌هاب، ۱۰٪ [[خزنده عمومی]]). خروجی این مرحله مدل <code>Base</code> بود.
# آموزش یک مدل پیروی از دستورها با تنظیم دقیق نظارت‌شده روی ۷۷۶ هزار مسئله ریاضی به‌همراه راه‌حل‌های گام‌به‌گام (همراه با ابزار). خروجی این مرحله مدل <code>Instruct</code> بود.

[[یادگیری تقویتی]]: مدل پاداش توسط یک «مدل پاداش فرایندی» در روش Math-Shepherd از <code>Base</code> آموزش دید.<ref>{{Citation |last=Wang |first=Peiyi |title=Math-Shepherd: Verify and Reinforce LLMs Step-by-step without Human Annotations |date=2024-02-19 |url=https://arxiv.org/abs/2312.08935 |publisher=arXiv |doi=10.48550/arXiv.2312.08935 |id=arXiv:2312.08935 |last2=Li |first2=Lei |last3=Shao |first3=Zhihong |last4=Xu |first4=R. X. |last5=Dai |first5=Damai |last6=Li |first6=Yifei |last7=Chen |first7=Deli |last8=Wu |first8=Y. |last9=Sui |first9=Zhifang}}</ref> سپس با استفاده از همین مدل پاداش، مدل <code>Instruct</code> با روش [[Group Relative Policy Optimization (انگلیسی)|جی‌آرپی‌او]]'''''{{یادچپ| group relative policy optimization (GRPO)}}''''' بر مجموعه‌ای از ۱۴۴هزار پرسش ریاضی آموزش دید و مدل <code>RL</code> شکل گرفت.

=== V2 ===
در ماه مه ۲۰۲۴، آن‌ها سری <code>DeepSeek-V2</code> را منتشر کردند. این سری شامل ۴ مدل است: ۲ مدل پایه (<code>DeepSeek-V2</code>، <code>DeepSeek-V2-Lite</code>) و ۲ چت‌بات (<code>-Chat</code>). دو مدل بزرگ‌تر به‌صورت زیر آموزش داده شدند:
# پیش‌آموزش بر روی مجموعه داده‌ای با ۸٫۱ تریلیون توکن، که در آن تعداد توکن‌های چینی ۱۲٪ بیشتر از توکن‌های انگلیسی است.
# افزایش طول متن از ۴ هزار به ۱۲۸ هزار با استفاده از YaRN. این منجر به مدل <code>DeepSeek-V2</code> شد.
# تنظیم دقیق نظارت‌شده با ۱٫۲ میلیون نمونه برای کمک‌رسانی و ۰٫۳ میلیون برای ایمنی. این منجر به <code>DeepSeek-V2-Chat (SFT)</code> شد که منتشر نشد.
# یادگیری تقویتی (RL) با استفاده از [[Group Relative Policy Optimization (انگلیسی)|جی‌آرپی‌او]] در دو مرحله.
## مرحله اول برای حل مسائل ریاضی و کدنویسی آموزش داده شد. در این مرحله از یک مدل پاداش استفاده شد که بر اساس بازخورد کامپایلر (برای کدنویسی) و برچسب‌های واقعی (برای ریاضی) آموزش دیده بود.
## مرحله دوم برای کمک‌رسانی، ایمنی و پیروی از قوانین آموزش داده شد. در این مرحله از ۳ مدل پاداش استفاده شد. مدل‌های پاداش کمک‌رسانی و ایمنی بر اساس داده‌های ترجیح انسانی آموزش دیده بودند. مدل پاداش مبتنی بر قوانین به‌صورت دستی برنامه‌ریزی شده بود. همه مدل‌های پاداش آموزش‌دیده از <code>DeepSeek-V2-Chat(SFT)</code> ادامه داده شدند. این منجر به نسخه منتشرشده <code>DeepSeek-V2-Chat</code> شد.

متخصصان این شرکت یادگیری تقویتی دو مرحله‌ای را انتخاب کردند، زیرا دریافتند که RL بر روی داده‌های استدلالی دارای «ویژگی‌های منحصربه‌فردی» است که با RL بر روی داده‌های عمومی متفاوت است. به‌عنوان مثال، RL بر روی استدلال می‌تواند با تعداد بیشتری از مراحل آموزش بهبود یابد.

دو مدل <code>V2-Lite</code> کوچک‌تر بودند و به‌طور مشابه آموزش داده شدند، با این حال، مدل <code>DeepSeek-V2-Lite-Chat</code> تنها تحت پردازش {{abbr|تنظیم دقیق نظارت‌شده|SFT}} قرار گرفت و نه RL. در ادامه، نسخه Lite را برای کمک به "تحقیقات و توسعه بیشتر در مورد MLA و DeepSeekMoE" آموزش دادند.

از نظر معماری، مدل‌های V2 نسبت به سری قبلی ال‌ال‌ام دیپ‌سیک تغییر قابل‌توجهی یافته بودند. آن‌ها مکانیزم توجه استاندارد را با یک تقریب رتبه پایین به نام [[توجه نهفته چندسری|توجه نهفته چندسری (MLA)]] تغییر دادند و از [[ترکیب متخصصان|ترکیب متخصصان (MoE)]] که قبلاً در ژانویه منتشر شده بود، استفاده کردند. در مقایسه با MoE استاندارد با دروازه‌گذاری پراکنده، این مدل‌های مشتق شده دارای یک "متخصص مشترک" هستند که همیشه مورد پرسش قرار می‌گیرند و دیگر "متخصصان مسیردهی‌شده"، که ممکن است همیشه مورد پرسش قرار نگیرند.
{| class="wikitable sortable"
|+ ویژگی‌های DeepSeek V2
! نام
! پارامترها
! پارامترهای فعال!! <math>n_{\text{layers}}</math>!! طول بافت
! <math>n_{\text{shared experts}}</math>!! <math>n_{\text{routed experts}}</math>
|-
| V2-Lite
| ۱۵٫۷ میلیارد
| ۲٫۴ میلیارد || ۲۷ || ۳۲ هزار
| ۲
|۶۴
|-
| V2
| ۲۳۶ میلیارد
| ۲۱ میلیارد || ۶۰ || ۱۲۸ هزار
| ۲
|۱۰۸
|}
[[فایننشال تایمز]] گزارش داد که این مدل در مقایسه با همتایان خود ارزان‌تر است و قیمت آن ۲ یوان برای هر میلیون توکن خروجی است. آزمایشگاه تایگر [[دانشگاه واترلو]] دیپ‌سیک-V2 را در رتبه هفتم در رتبه‌بندی LLM خود قرار داد.

در ژوئن ۲۰۲۴، آن‌ها ۴ مدل در سری <code>DeepSeek-Coder-V2</code> منتشر کردند:
* <code>V2-Base</code>
* <code>V2-Lite-Base</code>
* <code>V2-Instruct</code>
* <code>V2-Lite-Instruct</code>.

این مدل‌ها به‌صورت زیر آموزش داده شده‌اند:
# مدل‌های <code>Base</code> از نقاط بازرسی میانی مربوط پس از پیش‌آموزش بر روی ۴٫۲ تریلیون توکن (نه نسخه در پایان پیش‌آموزش)، مقداردهی اولیه شدند، سپس بر روی ۶ تریلیون توکن دیگر پیش‌آموزش داده شدند، سپس طول متن به ۱۲۸ هزار افزایش یافت. این منجر به تولید مدل‌های <code>Base</code> شد.
# <code>DeepSeek-Coder</code> و <code>DeepSeek-Math</code> برای تولید ۲۰ هزار داده دستورالعمل مرتبط با کد و ۳۰ هزار داده دستورالعمل مرتبط با ریاضی استفاده شدند، سپس با یک مجموعه داده دستورالعمل ۳۰۰ میلیون توکنی ترکیب شدند. این مدل‌ها برای {{abbr|تنظیم دقیق نظارت‌شده|SFT}} استفاده شدند.
# RL با جی‌آرپی‌او. پاداش برای مسائل ریاضی با مقایسه با برچسب واقعی محاسبه شد. پاداش برای مسائل کد توسط یک مدل پاداش تولید شد که برای پیش‌بینی اینکه آیا یک برنامه تست‌های واحد را پاس می‌کند یا خیر، آموزش دیده بود.

<code>DeepSeek-V2.5</code> در سپتامبر منتشر شد و در دسامبر به‌روزرسانی شد. این مدل از ترکیب <code>DeepSeek-V2-Chat</code> و <code>DeepSeek-Coder-V2-Instruct</code> ساخته شد.

=== V3 ===
در دسامبر ۲۰۲۴، شرکت دیپ‌سیک یک مدل پایه <code>DeepSeek-V3-Base</code> و یک مدل چت <code>DeepSeek-V3</code> منتشر کرد. معماری مدل اساساً همانند نسخه V2 است. این مدل‌ها به این شکل آموزش داده شدند:<ref name=":5">{{Citation |last1=DeepSeek-AI |title=DeepSeek-V3 Technical Report |date=27 December 2024 |arxiv=2412.19437 |last2=Liu |first2=Aixin |last3=Feng |first3=Bei |last4=Xue |first4=Bing |last5=Wang |first5=Bingxuan |last6=Wu |first6=Bochao |last7=Lu |first7=Chengda |last8=Zhao |first8=Chenggang |last9=Deng |first9=Chengqi}}</ref>
# پیش‌آموزش بر روی ۱۴٫۸ تریلیون توکن از یک پیکره چندزبانه، عمدتاً انگلیسی و چینی. نسبت محتوای ریاضی و برنامه‌نویسی در این مجموعه بیشتر از دیتاست پیش‌آموزش نسخه V2 بود.
# افزایش طول متن در دو مرحله از ۴هزار به ۳۲هزار و سپس به ۱۲۸هزار با استفاده از <code>YaRN</code>.<ref name=":۱۰"/> این کار منجر به تولید <code>DeepSeek-V3-Base</code> شد.
# آموزش [[مدل زبانی استدلالی#تنظیم دقیق نظارت‌شده|تنظیم دقیق نظارت‌شده]] به مدت ۲ دوره'''''{{یادچپ|epoch}}''''' بر روی ۱٫۵ میلیون نمونه داده استدلالی (ریاضی، برنامه‌نویسی، منطق) و غیر استدلالی (نوشتار خلاقانه، نقش‌آفرینی، پرسش‌وپاسخ ساده). داده‌های استدلالی توسط «مدل‌های متخصص» '''''{{یادچپ|expert models}}'''''تولید شد. داده‌های غیر استدلالی توسط <code>DeepSeek-V2.5</code> ایجاد و سپس توسط انسان‌ها بازبینی شد.
#* «مدل‌های متخصص» با شروع از یک مدل پایه نامشخص، و سپس آموزش نظارت‌شده بر داده‌هایی با قالب <code><مسئله، پاسخ اصلی></code> و داده‌های مصنوعی با قالب <code><پرسش از سیستم، مسئله، پاسخ R1></code> تولیدشده توسط مدل داخلی <code>DeepSeek-R1</code> ساخته شدند. در اعلان سیستمی، به <code>R1</code> دستور داده می‌شد در حین تفکر، بازخورد و بررسی داشته باشد. سپس مدل‌های متخصص با استفاده از RL و تابع پاداش نامشخصی تقویت شدند.
#* هر مدل متخصص فقط برای تولید داده‌های مصنوعی استدلالی در یک حوزه مشخص (ریاضی، برنامه‌نویسی، منطق) آموزش دیده بود.
#* از مدل‌های متخصص به‌جای خودِ <code>R1</code> استفاده شد، زیرا خروجی <code>R1</code> دچار «زیاده‌اندیشی، قالب‌بندی ضعیف و طول متن خروجی بیش‌ازحد» می‌شد.
# {{abbr|مدل‌های پاداش مبتنی بر مدل|Model-based reward models}}'''''{{یادچپ|Model-based reward models}}''''' با شروع از یک {{abbr|نقطه بازرسی|Checkpoint}}'''''{{یادچپ|Checkpoint}}''''' آموزش نظارت‌شده <code>V3</code> و سپس تنظیم دقیق روی داده‌های {{abbr|ترجیح انسانی|Human preference}}'''''{{یادچپ|Human preference}}''''' حاوی هر دو پاداش نهایی و زنجیره تفکر منجر به آن پاداش، ساخته شدند. مدل پاداش برای پرسش‌هایی با پاسخ عینی اما آزاد و همچنین برای پرسش‌هایی بدون پاسخ عینی (مانند نوشتار خلاقانه) سیگنال پاداش تولید می‌کرد.
# یک نقطه بازرسی آموزش نظارت‌شده از <code>V3</code> با استفاده از روش جی‌آرپی‌او و بهره‌گیری از هر دو مدل پاداش و {{abbr|پاداش مبتنی بر قواعد|rule-based reward}}'''''{{یادچپ|rule-based reward}}''''' آموزش دید. پاداش مبتنی بر قواعد برای مسائل ریاضی از طریق پاسخ نهایی (درون یک کادر)، و برای مسائل برنامه‌نویسی از طریق {{abbr|[[آزمون واحد]]|unit test}} محاسبه می‌شد. این روند منجر به تولید <code>DeepSeek-V3</code> شد.

{| class="wikitable sortable"
|+ویژگی‌های DeepSeek V3<ref name=":5"/><ref>{{Cite web |date=26 December 2024 |title=config.json · deepseek-ai/DeepSeek-V3 at main |url=https://huggingface.co/deepseek-ai/DeepSeek-V3/blob/main/config.json |access-date=28 January 2025 |website=huggingface.co}}</ref>
|-
! Name
! {{abbr|Params|Parameters}}
! Active {{abbr|params|Parameters}} !! <math>n_{\text{layers}}</math> !! Context length
! <math>n_{\text{shared experts}}</math> !! <math>n_{\text{routed experts}}</math>
|-
| V3
| 671B
|37B|| ۶۱ || 128K
|۱|| ۲۵۶
|}
برای دستیابی به کارایی بالاتر، مهندسی در سطح پایین را به‌شکل گسترده انجام شد. آنها از [[محاسبات با دقت‌های ناهمگون]] استفاده کردند. بخش زیادی از مرحله {{abbr|روبه‌جلو (پیشخور)|forward pass}} بجای قالب استاندارد [[قالب ممیز شناور تک‌دقته|۳۲ بیتی]]، از [[محاسبات ممیز شناور|اعداد ممیز شناور ۸ بیتی]] با قالب 5E2M (توان ۵ بیتی و {{abbr|[[ضریب علمی]]|Matissa}} ۲ بیتی) انجام شد، که نیازمند توابع ویژه [[زیربرنامه خبر خطی پایه#مرحله ۳|GEMM]] (ضرب ماتریس عمومی) برای عمل جمع با دقت بالا بود. از یک قالب شناور ۱۲ بیتی (E5M6) سفارشی تنها برای ورودی لایه‌های خطی پس از ماژول‌های توجه استفاده کردند. {{abbr|وضعیت‌های بهینه‌ساز|Optimizer states}}'''''{{یادچپ|Optimizer states}}''''' در قالب ۱۶ بیتی ([[قالب ممیز شناور Bfloat16|BF16]]) نگهداری می‌شد. برای به حداقل رساندن زمان نهفتگی در ارتباط بین پردازنده‌های گرافیکی، آن‌ها هم‌پوشانی گسترده‌ای میان محاسبه و ارتباط ایجاد کردند. برای نمونه، تنها برای ارتباط بین جی‌پی‌یوها، ۲۰ [[واحد پردازش گرافیکی#Streaming Multiprocessor|پردازنده چندجریانی]] از میان ۱۳۲ واحد موجود در H800 به این امر اختصاص داده شد. همچنین با تغییر مکرر (هر ۱۰ دقیقه) جای دقیق هر [[ترکیب متخصصان|متخصص]] در ماشین‌ها، از تمرکز پرس‌وجو بر برخی ماشین‌ها کاستند، و هزینه‌های کمکی توزیع بار را به [[تابع هزینه]] آموزشی افزودند و از سایر تکنیک‌های متعادل‌سازی بار بهره گرفتند.<ref name=":5"/>

پس از آموزش، این مدل روی خوشه‌های H800 مستقر شد. درون هر خوشه، H800ها از طریق NVLink به هم متصل شدند و خود خوشه‌ها از طریق InfiniBand به هم وصل شوند.<ref name=":5"/>
{| class="wikitable"
|+ هزینه آموزش مدل دیپ‌سیک-V3<ref name=":5"/>
! مرحله
! هزینه (در هر هزار ساعت-GPU)
! هزینه (بر حسب میلیون دلار آمریکا)
|-
| پیش‌آموزش
| ۲٬۶۶۴
| ۵٫۳۲۸
|-
| افزایش طول متن
| ۱۱۹
| ۰٫۲۴
|-
| تنظیم دقیق
| ۵
| ۰٫۰۱
|-
| کل هزینه
| ۲٬۷۸۸
| ۵٫۵۷۶
|}

آزمون‌های بنچمارک نشان می‌دهد که دیپ‌سیک-V3 از [[لاما (مدل زبانی)#لاما-۳٫۱|لاما]] نسخه ۳٫۱ و [[کوئن (مدل زبانی)|کوئن]] نسخه ۲٫۵ پیشی می‌گیرد و در حد [[جی‌پی‌تی ۴او]] و [[کلود (مدل زبانی)|کلود]] نسخه ۳٫۵ سونت عمل می‌کند.<ref name="scmp 1 January 2025"/><ref>{{Cite web |last=Jiang |first=Ben |date=27 December 2024 |title=Chinese start-up DeepSeek's new AI model outperforms Meta, OpenAI products |url=https://www.scmp.com/tech/tech-trends/article/3292507/chinese-start-deepseek-launches-ai-model-outperforms-meta-openai-products |access-date=28 December 2024 |website=South China Morning Post |language=en |archive-date=27 December 2024 |archive-url=https://web.archive.org/web/20241227191529/https://www.scmp.com/tech/tech-trends/article/3292507/chinese-start-deepseek-launches-ai-model-outperforms-meta-openai-products |url-status=live}}</ref><ref>{{Cite web |last=Sharma |first=Shubham |date=26 December 2024 |title=DeepSeek-V3, ultra-large open-source AI, outperforms Llama and Qwen on launch |url=https://venturebeat.com/ai/deepseek-v3-ultra-large-open-source-ai-outperforms-llama-and-qwen-on-launch/ |access-date=28 December 2024 |website=VentureBeat |language=en-US |archive-date=27 December 2024 |archive-url=https://web.archive.org/web/20241227195503/https://venturebeat.com/ai/deepseek-v3-ultra-large-open-source-ai-outperforms-llama-and-qwen-on-launch/ |url-status=live}}</ref><ref>{{cite web |last1=Wiggers |first1=Kyle |title=DeepSeek's new AI model appears to be one of the best 'open' challengers yet |url=https://techcrunch.com/2024/12/26/deepseeks-new-ai-model-appears-to-be-one-of-the-best-open-challengers-yet/ |website=TechCrunch |date=26 December 2024 |access-date=31 December 2024 |archive-date=2 January 2025 |archive-url=https://web.archive.org/web/20250102103526/https://techcrunch.com/2024/12/26/deepseeks-new-ai-model-appears-to-be-one-of-the-best-open-challengers-yet/ |url-status=live}}</ref>

=== R1 ===
در تاریخ ۲۰ نوامبر ۲۰۲۴، مدل  <code>DeepSeek-R1-Lite-Preview</code> از طریق [[واسط برنامه‌نویسی کاربردی]] دیپ‌سیک در دسترس قرار گرفت.<ref>{{Cite web |title=News {{!}} DeepSeek-R1-Lite Release 2024/11/20: 🚀 DeepSeek-R1-Lite-Preview is now live: unleashing supercharged reasoning power! |url=https://api-docs.deepseek.com/news/news1120 |access-date=28 January 2025 |website=DeepSeek API Docs |language=en}}</ref> این مدل برای استنتاج منطقی، استدلال ریاضی و حل مسائل در زمان واقعی آموزش داده شده بود. شرکت دیپ‌سیک ادعا کرد که این مدل در آزمون‌های معیاری مانند [[آزمون ریاضی دعوتی آمریکا]] (AIME) و MATH عملکرد بهتری نسبت به مدل OpenAI o1 داشته است.<ref>{{Cite web |last=Franzen |first=Carl |date=20 November 2024 |title=DeepSeek's first reasoning model R1-Lite-Preview turns heads, beating OpenAI o1 performance |url=https://venturebeat.com/ai/deepseeks-first-reasoning-model-r1-lite-preview-turns-heads-beating-openai-o1-performance/ |url-status=live |archive-url=https://web.archive.org/web/20241122010413/https://venturebeat.com/ai/deepseeks-first-reasoning-model-r1-lite-preview-turns-heads-beating-openai-o1-performance/ |archive-date=22 November 2024 |access-date=28 December 2024 |website=VentureBeat |language=en-US}}</ref> با این حال، نشریه ''[[وال‌استریت ژورنال|وال استریت ژورنال]]'' گزارش داد که هنگام بررسی ۱۵ مسئله از نسخه ۲۰۲۴ آزمون AIME، مدل o1 سریع‌تر از <code>DeepSeek-R1-Lite-Preview</code> به پاسخ صحیح رسید.<ref>{{Cite web |last=Huang |first=Raffaele |date=24 December 2024 |title=Don't Look Now, but China's AI Is Catching Up Fast |url=https://www.wsj.com/tech/ai/china-ai-advances-us-chips-7838fd20 |url-status=live |archive-url=https://web.archive.org/web/20241227183842/https://www.wsj.com/tech/ai/china-ai-advances-us-chips-7838fd20 |archive-date=27 December 2024 |access-date=28 December 2024 |website=The Wall Street Journal |language=en-US}}</ref>

در تاریخ ۲۰ ژانویه ۲۰۲۵، دو مدل <code>DeepSeek-R1</code>  و <code>DeepSeek-R1-Zero</code> منتشر شدند.<ref>{{Cite web |title=Release DeepSeek-R1 · deepseek-ai/DeepSeek-R1@23807ce |url=https://github.com/deepseek-ai/DeepSeek-R1/commit/23807ced51627276434655dd9f27725354818974 |access-date=21 January 2025 |website=GitHub |language=en |archive-date=21 January 2025 |archive-url=https://web.archive.org/web/20250121104009/https://github.com/deepseek-ai/DeepSeek-R1/commit/23807ced51627276434655dd9f27725354818974 |url-status=live}}</ref> هر دو مدل ادامه آموزش بر روی <code>DeepSeek-V3-Base</code> بودند و از همان معماری بهره می‌برند. علاوه بر این، شرکت دیپ‌سیک مدل‌های <code>DeepSeek-R1-Distill</code> را نیز منتشر کرد که برخلاف مدل‌های اصلی، از V3-Base اولیه‌سازی نشده‌اند، بلکه از مدل‌های با وزن بازمانند [[لاما (مدل زبانی)#لاما-۳٫۱|لاما]] و [[Qwen|کوئن]] اولیه‌سازی شده و سپس با داده‌های مصنوعی تولیدشده توسط R1 [[تنظیم دقیق (یادگیری ماشین)|تنظیم دقیق]] شده‌اند.<ref name=":4">{{Citation |last1=DeepSeek-AI |title=DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning |date=22 January 2025 |arxiv=2501.12948 |last2=Guo |first2=Daya |last3=Yang |first3=Dejian |last4=Zhang |first4=Haowei |last5=Song |first5=Junxiao |last6=Zhang |first6=Ruoyu |last7=Xu |first7=Runxin |last8=Zhu |first8=Qihao |last9=Ma |first9=Shirong}}</ref>

{{Quote box | title = قالب ورودی برای DeepSeek-R1-Zero | quote = مکالمه‌ای بین کاربر و دستیار. کاربر یک پرسش مطرح می‌کند و دستیار آن را حل می‌کند. ابتدا، دستیار فرایند استدلال را در ذهن خود بررسی کرده و سپس پاسخ را ارائه می‌دهد. فرایند استدلال و پاسخ درون برچسب‌های<think> 
و <answer> </answer> قرار می‌گیرند، به این صورت:<think> فرایند استدلال در اینجا 
<answer> پاسخ در اینجا </answer> کاربر: <prompt> دستیار: | source = – مقدار <prompt> در طول آموزش با سوالات استدلالی خاص جایگزین می‌شود. | align = right | width = 350px}}

مدل <code>DeepSeek-R1-Zero</code> به‌طور انحصاری با استفاده از تقویت یادگیری با استفاده از {{abbr|[[جی‌آرپی‌او - آر اِل]]|GRPO RL}}'''''{{یادچپ|GRPO RL}}''''' آموزش داده شد و از {{abbr|تنظیم دقیق نظارت‌شده|SFT}} استفاده نکرد. برخلاف نسخه‌های قبلی، این مدل از پاداش مبتنی بر مدل استفاده نکرده و تمام تابع‌های پاداش به‌صورت قانون‌محور بودند. دو نوع اصلی از پاداش‌ها وجود داشت (سایر انواع مشخص نشده‌اند):پاداش دقت و پاداش قالب‌بندی (فرمت).

پاداش دقت بررسی می‌کرد آیا پاسخ ارائه‌شده در جعبه پاسخ صحیح است (برای مسائل ریاضی) یا آیا کد نوشته‌شده آزمون‌ها را با موفقیت پشت سر گذاشته است (برای برنامه‌نویسی).

پاداش قالب‌بندی که بررسی می‌کرد آیا مدل فرایند فکری خود را درون برچسب‌های
! ink | ...
قرار داده است یا خیر.<ref name=":4"/>

از آنجا که مدل <code>DeepSeek-R1-Zero</code> در خوانایی و انسجام زبانی مشکلاتی داشت، مدل R1 برای برطرف کردن این مشکلات و بهبود استدلال آموزش داده شد:<ref name=":4"/>
# اجرای {{abbr|تنظیم دقیق نظارت‌شده|SFT}} بر روی مدل <code>DeepSeek-V3-Base</code> با استفاده از هزاران دادهٔ «آغاز سرد» که همگی در قالب استاندارد <code>|special_token|<reasoning_process>|special_token|summary></code> بودند.
# به‌کارگیری فرایند تقویت یادگیری مشابه با R1-Zero، اما همراه با پاداش انسجام زبانی برای تشویق پاسخ‌دهی به‌صورت تک‌زبانه. این فرایند یک مدل داخلی تولید کرد که منتشر نشد.
# تولید ۶۰۰ هزار نمونه دادهٔ استدلالی مصنوعی از مدل داخلی، با نمونه‌گیری رد شده (rejection sampling) (یعنی اگر پاسخ نهایی استدلال اشتباه بود، نمونه حذف می‌شد). همچنین، ۲۰۰ هزار دادهٔ غیر استدلالی (مانند نگارش، پرسش و پاسخ دانش‌محور، خودشناسی، و ترجمه) با استفاده از دیپ‌سیک-V3 تولید شد.
# {{abbr|تنظیم دقیق نظارت‌شده|SFT}} مدل <code>DeepSeek-V3-Base</code> بر روی ۸۰۰ هزار نمونه داده مصنوعی برای ۲ دوره.
# تقویت یادگیری (GRPO RL) با استفاده از پاداش قانون‌محور (برای وظایف استدلالی) و پاداش مبتنی بر مدل (برای وظایف غیر استدلالی، مفید بودن و بی‌ضرر بودن). این فرایند مدل DeepSeek-R1 را تولید کرد.
{{abbr|مدل‌های تقطیرشده|Distilled}}'''''{{یادچپ|Distilled}}''''' با SFT بر روی ۸۰۰ هزار دادهٔ مصنوعی تولیدشده از دیپ‌سیک-R1، مشابه مرحله ۳ فوق، آموزش داده شدند. این مدل‌ها برخلاف مدل اصلی، با تقویت یادگیری (RL) آموزش داده نشدند.<ref name=":4"/>

== ارزیابی و واکنش‌ها ==
دیپ‌سیک نسخه [[دستیار مجازی|دستیار هوش مصنوعی]] خود را منتشر کرد که از مدل V3 به‌عنوان یک [[چت‌بات]] برای [[آی‌اواس]] و [[اندروید]] بهره می‌برد. تا ۲۷ ژانویهٔ ۲۰۲۵، این اپلیکیشن در [[اپ استور (آی‌اواس)|اَپ‌استور]] ایالات متحده از چت‌جی‌پی‌تی پیشی گرفت و بالاترین امتیاز را در میان اپلیکیشن‌های رایگان کسب کرد. گفته می‌شود چت‌بات آن بر اساس آزمون‌های مرجع مورد استفاده شرکت‌های هوش مصنوعی آمریکایی می‌تواند در حد سایر چت‌بات‌های موجود در بازار به پرسش‌ها پاسخ دهد، مسائل منطقی را حل کند و برنامه‌های کامپیوتری بنویسد.<ref name=":8"/>

<code>DeepSeek-V3</code> در مقایسه با همتایان خود به‌طور قابل‌توجهی از منابع کمتری استفاده می‌کند. برای نمونه، در حالی که شرکت‌های پیشروی هوش مصنوعی جهان، چت‌بات‌هایشان را در [[ابررایانه]]‌ها با استفاده از نزدیک به ۱۶٬۰۰۰ [[واحد پردازش گرافیکی]] یا حتی بیشتر آموزش می‌دهند، دیپ‌سیک ادعا می‌کند تنها حدود ۲٬۰۰۰ GPU شامل چیپ سری H800 از [[انویدیا]] را به کار گرفته است.{{citation needed| date=January 2025| reason=contains uncited material}} این مدل در حدود ۵۵ روز با هزینه ۵٫۵۸ میلیون دلار آمریکا<ref name=":5"/> آموزش داده شد که تقریباً ۱۰ برابر کمتر از رقمی است که غول فناوری آمریکایی [[متا پلتفرمز|متا]] صرف ساخت جدیدترین فناوری هوش مصنوعی‌اش کرده است.<ref name=":8"/>

عملکرد رقابتی دیپ‌سیک با هزینه نسبتاً پایین، به عنوان عاملی که ممکن است سلطه جهانی مدل‌های هوش مصنوعی آمریکایی را به چالش بکشد، شناخته شده است.<ref>{{cite news |date=27 January 2025 |title=Chinese AI startup DeepSeek overtakes ChatGPT on Apple App Store |url=https://www.reuters.com/technology/artificial-intelligence/chinese-ai-startup-deepseek-overtakes-chatgpt-apple-app-store-2025-01-27/|access-date=27 January 2025 |work=Reuters}}</ref> نشریات و رسانه‌های مختلف، نظیر ''[[هیل (روزنامه)|هیل]]'' و ''[[گاردین]]''، انتشار این چت‌بات را «[[بحران اسپوتنیک|لحظه اسپوتنیک]]» برای هوش مصنوعی آمریکا توصیف کردند.<ref>{{Cite news |last=Wade |first=David |date=6 December 2024 |title=American AI has reached its Sputnik moment |url=https://thehill.com/opinion/technology/5024271-ai-sputnik-moment-china-challenge/ |url-status=live |archive-url=https://web.archive.org/web/20241208215538/https://thehill.com/opinion/technology/5024271-ai-sputnik-moment-china-challenge/ |archive-date=8 December 2024 |access-date=25 January 2025 |work=The Hill |language=en-US}}</ref><ref name=":11">{{Cite web |last1=Milmo |first1=Dan |last2=Hawkins |first2=Amy |last3=Booth |first3=Robert |last4=Kollewe |first4=Julia |date=28 January 2025 |title='Sputnik moment': $1tn wiped off US stocks after Chinese firm unveils AI chatbot |url=https://www.theguardian.com/business/2025/jan/27/tech-shares-asia-europe-fall-china-ai-deepseek |via=The Guardian}}</ref> گفته می‌شود عملکرد مدل <code>R1</code> این شرکت، در کارهایی مانند ریاضیات، کدنویسی و استدلال زبان طبیعی، «هم‌سطح با» یکی از جدیدترین مدل‌های [[اوپن‌ای‌آی]] است<ref name="auto2"/> و به نقل از دیگر مفسران، سرمایه‌گذار خطرپذیر سیلیکون‌ولی آمریکا، [[مارک آندرسن]] هم <code>R1</code> را «لحظه اسپوتنیک هوش مصنوعی» توصیف کرده است.<ref name="auto2"/>
بنیان‌گذار دیپ‌سیک، لیانگ ونفِنگ، با مدیرعامل [[سم آلتمن]] در [[اوپن‌ای‌آی]] مقایسه شده است. [[سی‌ان‌ان]] او را سم آلتمن چین و مبلّغ هوش مصنوعی خوانده است.<ref>{{Cite web |last=Goldman |first=David |date=2025-01-27 |title=What is DeepSeek, the Chinese AI startup that shook the tech world? {{!}} CNN Business |url=https://www.cnn.com/2025/01/27/tech/deepseek-ai-explainer/index.html |access-date=2025-01-29 |website=CNN |language=en}}</ref>[[File:Deepseek login error.png|thumb|خطای ورود به حساب کاربری که دیپ‌سیک در ۲۸ ژانویه ۲۰۲۵ پس از یک حمله سایبری نشان داد]] بهینه‌سازی منابع محدود در دیپ‌سیک، محدودیت‌های بالقوه تحریم‌های آمریکا علیه توسعه هوش مصنوعی چین را برجسته کرده است که شامل محدودیت‌های صادراتی بر تراشه‌های پیشرفته هوش مصنوعی به چین می‌شود.<ref name="scmp 1 January 2025"/><ref>{{Cite web |last=Shilov |first=Anton |date=27 December 2024 |title=Chinese AI company's AI model breakthrough highlights limits of US sanctions |url=https://www.tomshardware.com/tech-industry/artificial-intelligence/chinese-ai-company-says-breakthroughs-enabled-creating-a-leading-edge-ai-model-with-11x-less-compute-deepseeks-optimizations-highlight-limits-of-us-sanctions |url-status=live |archive-url=https://web.archive.org/web/20241228014832/https://www.tomshardware.com/tech-industry/artificial-intelligence/chinese-ai-company-says-breakthroughs-enabled-creating-a-leading-edge-ai-model-with-11x-less-compute-deepseeks-optimizations-highlight-limits-of-us-sanctions |archive-date=28 December 2024 |access-date=28 December 2024 |website=Tom's Hardware |language=en}}</ref> موفقیت مدل‌های هوش مصنوعی این شرکت به‌دنبال آن «آشفتگی در بازار»<ref>{{Cite web |title=DeepSeek updates – Chinese AI chatbot sparks US market turmoil, wiping $500bn off Nvidia |url=https://www.bbc.co.uk/news/live/cjr85l2e4l4t |access-date=27 January 2025 |website=BBC News |language=en-GB}}</ref> به وجود آورد و باعث سقوط سهام شرکت‌های بزرگ فناوری در ۲۷ ژانویه شد: سهام انویدیا تا حدود ۱۷–۱۸٪ افت کرد<ref>{{cite news |last1=Nazareth |first1=Rita |date=26 January 2025 |title=Stock Rout Gets Ugly as Nvidia Extends Loss to 17%: Markets Wrap |url=https://www.bloomberg.com/news/articles/2025-01-26/asia-eyes-cautious-open-as-tariffs-remain-in-focus-markets-wrap |access-date=27 January 2025 |work=Bloomberg}}</ref> و سهام رقیبش [[برودکام]] نیز به همین سرنوشت دچار شد. دیگر شرکت‌های فناوری نیز سقوط کردند، از جمله [[مایکروسافت]] (۲٫۵٪ کاهش)، شرکت مادر [[گوگل]] یعنی [[شرکت آلفابت|آلفابت]] (بیش از ۴٪ کاهش) و سازنده هلندی تجهیزات تراشه [[ای‌اس‌ام‌ال هلدینگ|ای‌اس‌ام‌ال]] (بیش از ۷٪ کاهش).<ref name="auto2">{{Cite web |date=27 January 2025 |title=DeepSeek Chinese AI chatbot sparks market turmoil for rivals |url=https://www.bbc.com/news/articles/c0qw7z2v1pgo |access-date=27 January 2025 |website=www.bbc.com |language=en-GB}}</ref> فروش گسترده سهام شرکت‌های فناوری در [[نزدک]]، که با انتشار مدل <code>R1</code> آغاز شد، منجر به زیان بی‌سابقه در حدود ۵۹۳ میلیارد دلار از [[ارزش بازار]] شرکت‌های فعال در حوزه هوش مصنوعی و سخت‌افزار کامپیوتر شد؛<ref>{{cite web |last1=Carew |first1=Sinéad |last2=Cooper |first2=Amanda |last3=Banerjee |first3=Ankur |date=27 January 2025 |title=DeepSeek sparks global AI selloff, Nvidia losses about $593 billion of value |url=https://www.reuters.com/technology/chinas-deepseek-sets-off-ai-market-rout-2025-01-27/ |publisher=Reuters}}</ref> تا ۲۸ ژانویه، مجموعاً حدود یک تریلیون دلار از ارزش سهام شرکت‌های آمریکایی کاسته شد.<ref name=":11"/>
چهره‌های برجسته حوزه هوش مصنوعی در آمریکا نسبت به موفقیت و عملکرد دیپ‌سیک واکنش‌های متفاوتی نشان دادند.<ref name=DSCI_1>{{cite magazine| first1=Ben| last1=Sherry| title=DeepSeek, Calling It 'Impressive' but Staying Skeptical| url=https://www.inc.com/ben-sherry/ai-leaders-in-the-u-s-react-to-deepseek-calling-it-impressive-but-staying-skeptical/91140125| website=[[اینک._(مجله)|Inc.]]| date=28 January 2025| access-date=29 January 2025}}</ref> مدیرعامل مایکروسافت، [[ساتیا نادلا]]، و سم آلتمن (مدیرعامل اوپن‌ای‌آی) — که شرکت‌هایشان در «[[Stargate LLC|پروژه استارگیت]]» مورد پشتیبانی دولت آمریکا برای توسعه زیرساخت هوش مصنوعی این کشور مشارکت دارند — هر دو دیپ‌سیک را «فوق‌العاده چشمگیر» خواندند.<ref>{{Cite web |author1=Kevin Okemwa |date=2025-01-28 |title=Microsoft CEO Satya Nadella touts DeepSeek's open-source AI as "super impressive": "We should take the developments out of China very, very seriously" |url=https://www.windowscentral.com/software-apps/microsoft-ceo-satya-nadella-touts-deepseeks-open-source-ai-as-super-impressive |access-date=2025-01-28 |website=Windows Central |language=en}}</ref><ref>{{cite news |last1=Nazzaro |first1=Miranda |date=28 January 2025 |title=OpenAI's Sam Altman calls DeepSeek model 'impressive' |url=https://thehill.com/policy/technology/5110258-openai-rival-deepseek-ai-model/ |access-date=28 January 2025 |work=The Hill}}</ref> رئیس‌جمهور آمریکا، دونالد ترامپ، که پروژه استارگیت را اعلام کرده بود، دیپ‌سیک را زنگ بیدارباش<ref>{{Cite news |last1=Dou |first1=Eva |last2=Gregg |first2=Aaron |last3=Zakrzewski |first3=Cat |last4=Tiku |first4=Nitasha |last5=Najmabadi |first5=Shannon |date=28 January 2025 |title=Trump calls China's DeepSeek AI app a 'wake-up call' after tech stocks slide |url=https://www.washingtonpost.com/business/2025/01/27/deep-seek-ai-markets-nvidia/ |access-date=28 January 2025 |newspaper=The Washington Post}}</ref> و تحولی مثبت توصیف کرد.<ref>{{Cite web |last=Habeshian |first=Sareen |date=28 January 2025 |title=Johnson bashes China on AI, Trump calls DeepSeek development "positive" |url=https://www.axios.com/2025/01/28/trump-mike-johnson-china-deepseek-ai |website=Axios}}</ref><ref name=":11"/><ref name="Hoskins RJ2">{{Cite web |last1=Hoskins |first1=Peter |last2=Rahman-Jones |first2=Imran |date=27 January 2025 |title=Nvidia shares sink as Chinese AI app spooks markets |url=https://www.bbc.com/news/articles/c0qw7z2v1pgo |access-date=28 January 2025 |website=[[بی‌بی‌سی]] |language=en-GB}}</ref><ref>{{Cite web |last1=Karaian |first1=Jason |last2=Rennison |first2=Joe |date=27 January 2025 |title=China's A.I. Advances Spook Big Tech Investors on Wall Street |url=https://www.nytimes.com/2025/01/27/business/us-stock-market-deepseek-ai-sp500-nvidia.html |via=NYTimes.com}}</ref> دیگر رهبران این حوزه، از جمله مدیرعامل [[Scale AI]] الکساندر وانگ، یکی از بنیان‌گذاران و مدیرعامل [[آنتروپیک]] داریو آمودی، و [[ایلان ماسک]] نسبت به عملکرد این اپلیکیشن یا پایداری موفقیتش ابراز تردید کردند.<ref name=DSCI_1/><ref>{{Cite web |last=Sharma |first=Manoj |date=2025-01-06 |title=Musk dismisses, Altman applauds: What leaders say on DeepSeek's disruption |url=https://www.fortuneindia.com/technology/musk-dismisses-sam-altman-applauds-heres-what-leaders-say-on-deepseeks-ai-disruption/120194 |access-date=2025-01-28 |website=Fortune India |language=en}}</ref><ref>{{Cite web |date=2025-01-28 |title=Elon Musk 'questions' DeepSeek's claims, suggests massive Nvidia GPU infrastructure |url=https://www.financialexpress.com/business/investing-abroad-deepseek-sparks-debate-did-it-build-cutting-edge-ai-for-6-million-3728638/ |access-date=2025-01-28 |website=Financialexpress |language=en}}</ref> شرکت‌های مختلفی از جمله [[سرویس‌های وب آمازون]]، [[تویوتا]] و [[استرایپ]] درصدد استفاده از این مدل در برنامه‌های خود هستند.<ref>{{Cite web |last=Kim |first=Eugene |title=Big AWS customers, including Stripe and Toyota, are hounding the cloud giant for access to DeepSeek AI models |url=https://www.businessinsider.com/aws-deepseek-customer-cloud-access-bedrock-stripe-toyota-cisco-workday-2025-1 |website=Business Insider}}</ref>

در ۲۷ ژانویه، دیپ‌سیک به دنبال گزارش یک حمله سایبری که باعث کندی سرورها و سرویس‌هایش شد، ثبت‌نام کاربران جدید را صرفاً به شماره تلفن‌های داخل سرزمین اصلی چین، ایمیل و ورود از طریق گوگل محدود کرد.<ref name="Guardian">{{cite news |last1=Kerr |first1=Dara |title=DeepSeek hit with 'large-scale' cyber-attack after AI chatbot tops app stores |url=https://www.theguardian.com/technology/2025/jan/27/deepseek-cyberattack-ai |access-date=28 January 2025 |work=The Guardian |date=27 January 2025}}</ref><ref>{{Cite web|url=https://www.businessinsider.com/deepseek-issues-account-registration-limited-china-phone-numbers-malicious-attack-2025-1|title=DeepSeek temporarily limited new sign-ups, citing 'large-scale malicious attacks'|first1=Steven|last1=Tweedie| first2=Ana|last2=Altchek|website=Business Insider}}</ref>

== سانسور ==
{{See also|سانسور در چین}} برخی منابع مشاهده کرده‌اند که نسخه رسمی API مدل R۱ دارای مکانیسم‌های [[سانسور در چین|سانسور]] در موضوعات حساس، به‌ویژه موضوعاتی که برای دولت [[جمهوری خلق چین]] حساسیت دارند، است. برای نمونه، مدل از پاسخ‌دادن دربارهٔ [[اعتراضات میدان تیان‌آن‌من|اعتراضات میدان تیان‌آن‌من ۱۹۸۹]]، [[اویغورها|آزار اویغورها]] یا [[حقوق بشر در جمهوری خلق چین (انگلیسی)|نقض حقوق بشر در چین]] امتناع می‌کند.<ref>{{Cite news |last=Field |first=Matthew |last2=Titcomb |first2=James |date=2025-01-27 |title=Chinese AI has sparked a $1 trillion panic – and it doesn’t care about free speech |url=https://www.telegraph.co.uk/business/2025/01/27/chinese-deepseek-ai-has-sparked-a-1-trillion-panic/ |access-date=2025-01-27 |work=[[تلگراف (انگلیسی)|The Daily Telegraph]] |language=en-GB |issn=0307-1235}}</ref><ref name=":7"/> گاهی هوش مصنوعی در ابتدا پاسخی تولید می‌کند، اما اندکی بعد آن را پاک کرده و با پیامی نظیر «متأسفم، این فراتر از حیطه فعلی من است. بیایید دربارهٔ چیز دیگری صحبت کنیم.» جایگزین می‌کند.<ref name=":7">{{Cite web |last=Steinschaden |first=Jakob |date=2025-01-27 |title=DeepSeek: This is what live censorship looks like in the Chinese AI chatbot |url=https://www.trendingtopics.eu/deepseek-this-is-what-live-censorship-looks-like-in-the-chinese-ai-chatbot/ |access-date=2025-01-27 |website=Trending Topics |language=en}}</ref> محدودیت‌ها و مکانیسم‌های سانسور در نسخه متن‌باز مدل R۱ فقط تا حدی قابل حذف هستند و به‌محض تماس با «[[ارزش‌های اصلی سوسیالیستی|ارزش‌های سوسیالیستی پایه]]» تعیین‌شده توسط [[اداره فضای مجازی چین|نهادهای ناظر اینترنتی چین]] یا مثلاً مطرح‌شدن [[جایگاه سیاسی تایوان|وضعیت سیاسی تایوان]]، گفت‌وگو متوقف می‌شود.<ref>{{Cite news |last= |date=2025-01-26 |title=The Guardian view on a global AI race: geopolitics, innovation and the rise of chaos |url=https://www.theguardian.com/commentisfree/2025/jan/26/the-guardian-view-on-a-global-ai-race-geopolitics-innovation-and-the-rise-of-chaos |access-date=2025-01-27 |work=[[گاردین (انگلیسی)|The Guardian]] |language=en-GB |issn=0261-3077}}</ref> در آزمونی توسط [[ان‌بی‌سی نیوز (انگلیسی)|ان‌بی‌سی نیوز]]، R۱ دربارهٔ تایوان (جزیره‌ای با حاکمیت مستقل دموکراتیک) گفت که «تایوان بخشی جدایی‌ناپذیر از قلمرو چین است» و افزود: «ما قاطعانه با هر نوع فعالیت تجزیه‌طلبانه «استقلال تایوان» مخالفیم و متعهد به تحقق کامل اتحاد مجدد میهن از راه‌های مسالمت‌آمیز هستیم.»<ref>{{Cite web |date=2025-01-27 |title=Chinese AI DeepSeek jolts Silicon Valley, giving the AI race its 'Sputnik moment' |url=https://www.nbcnews.com/tech/tech-news/china-ai-assistant-deepseek-rcna189385 |access-date=2025-01-27 |website=NBC News |language=en}}</ref>

== یادداشت‌ها ==
<references group="persian-alpha" responsive="0"/>

== پانویس ==
 {{پانویس}}

== جستارهای وابسته ==
{{Commons category}}
* {{Official website}}
* [https://huggingface.co/collections/Presidentlin/deepseek-papers-674c536aa6acddd9bc98c2ac مجموعه مقالات دیپ‌سیک در Hugging Face]
* {{GitHub|deepseek-ai}}
* [[صنعت هوش مصنوعی در چین (انگلیسی)|صنعت هوش مصنوعی در چین]]
* [[اوپن‌ای‌آی]]

{{Generative AI chatbots}}

{{هوش مصنوعی مولد}}
[[رده:تجزیه‌کننده زبان طبیعی]]
[[رده:ترنسفورمرهای تولیدگر از پیش آموزش‌دیده]]
[[رده:چت‌بات]]
[[رده:دستیارهای مجازی]]
[[رده:شرکت‌های فناوری بنیان‌گذاری‌شده در ۲۰۲۳ (میلادی)]]
[[رده:کاربردهای هوش مصنوعی]]
[[رده:نرم‌افزارهای ۲۰۲۳ (میلادی)]]
[[رده:هوش مصنوعی زایا]]
[[رده:یادگیری بی‌نظارت]]