DeepSeek-V3

Un modelo de lenguaje Mixture-of-Experts con 671B parámetros.

Selección NacionalProductividadProcesamiento del Lenguaje NaturalAprendizaje Profundo

DeepSeek-V3 es un potente modelo de lenguaje Mixture-of-Experts (MoE) con un total de 671B parámetros, activando 37B parámetros por cada solicitud. Emplea la arquitectura Multi-head Latent Attention (MLA) y DeepSeekMoE, probadas con éxito en DeepSeek-V2. Además, DeepSeek-V3 implementa por primera vez una estrategia de balanceo de carga sin pérdida auxiliar y un objetivo de entrenamiento de predicción de múltiples tokens para lograr un rendimiento superior. DeepSeek-V3 se preentrenó en 14,8 billones de tokens de alta calidad, seguido de un ajuste fino supervisado y una fase de aprendizaje por refuerzo para aprovechar al máximo sus capacidades. Las evaluaciones integrales muestran que DeepSeek-V3 supera a otros modelos de código abierto y alcanza un rendimiento comparable al de los modelos propietarios líderes. A pesar de su excelente rendimiento, el entrenamiento completo de DeepSeek-V3 solo requirió 2.788M de horas de GPU H800, y el proceso de entrenamiento fue muy estable.

Noticias de IA

IA Diario

Cronología de la IA

Últimos Casos

Colección de Imágenes

Colección de Videos

Colección de Audio

Colección de Contenido

Últimos Tutoriales

Ranking de Productos de IA

Ranking de Crecimiento de Tráfico de IA

Ranking de Descenso de Tráfico de IA

Ranking Semanal de IA

Estados Unidos

China

India

Brasil

Generación de Imágenes

Asistente Personal

Generación de Personajes

Generación de Videos

Ranking de Proyectos de IA

Ranking de Crecimiento de Proyectos de IA

Ranking de Desarrolladores de IA

Ranking de Organizaciones de IA

Deepseek

TTS

LLM

ChatGPT

Visión General

DeepSeek-V3

DeepSeek-V3 Situación del tráfico más reciente

DeepSeek-V3 Tendencia de visitas

DeepSeek-V3 Distribución geográfica de las visitas

DeepSeek-V3 Fuentes de tráfico

DeepSeek-V3 Alternativas

DeepSeek-V3 — Un modelo de lenguaje Mixture-of-Experts con 671B parámetros.

Hun Yuan T1 — Modelo de inferencia profunda líder en la industria, optimizado para las preferencias humanas.

FlexHeadFA — Mecanismo de atención preciso, rápido y eficiente en cuanto a memoria.

FlashMLA — FlashMLA es un núcleo de decodificación MLA eficiente optimizado para GPU Hopper, ideal para servicios de secuencias de longitud variable.

VLM-R1 — VLM-R1 es un modelo de lenguaje visual reforzado estable y versátil, enfocado en tareas de comprensión visual.

Detección de Compatibilidad de Modelos DeepSeek — Detecta si un dispositivo puede ejecutar modelos DeepSeek de diferentes escalas, ofreciendo una predicción de compatibilidad.

Preentrenamiento de modelos de lenguaje recurrentes a gran escala — Código de preentrenamiento para modelos de lenguaje recurrentes profundos a gran escala, compatible con la ejecución en 4096 GPU AMD.

node-DeepResearch — Busca y lee páginas web continuamente hasta encontrar la respuesta (o hasta agotar el presupuesto de tokens).

Tülu 3 405B — Tülu 3 405B es un modelo de lenguaje abierto de gran escala, cuyo rendimiento se ha mejorado mediante aprendizaje por refuerzo.

Open R1 — Este es un proyecto de reproducción de un modelo DeepSeek-R1 completamente abierto, diseñado para ayudar a los desarrolladores a reproducir y construir modelos basados en R1.

Janus-Pro-1B — Janus-Pro-1B es un marco autorregresivo unificado de comprensión y generación multimodal.

Tarsier — Tarsier es un modelo de lenguaje de video a gran escala desarrollado por ByteDance para generar descripciones de video de alta calidad.

VideoLLaMA3 — VideoLLaMA3 es un modelo base multimodal de vanguardia, especializado en la comprensión de imágenes y videos.

MiniMax-01 — Potente modelo de lenguaje con 4560 mil millones de parámetros totales, capaz de procesar contextos de hasta 4 millones de tokens.

Llama-3.1-70B-Instruct-AWQ-INT4 — Modelo de generación de texto con 70 mil millones de parámetros

DRT-o1 — Modelo de traducción automática neuronal basado en cadenas de razonamiento largas para optimizar la traducción.

mwp_ReFT — Marco de ajuste fino de modelos basado en el aprendizaje por refuerzo profundo

Florence-VL — Herramienta de mejora de modelos de lenguaje visual, que combina un codificador visual generativo y una técnica de fusión de profundidad y amplitud.

PaliGemma 2 — PaliGemma 2 es un potente modelo de lenguaje visual, fácil de ajustar.

LLaMA-Mesh — Unificación de modelos de lenguaje y generación de mallas 3D

Demostración de TTS MaskGCT — Demostración de texto a voz (TTS) basada en el modelo MaskGCT

mPLUG-DocOwl 1.5 — Modelo de aprendizaje de estructura unificada para la comprensión de documentos sin OCR

F5-TTS — Modelo de síntesis de texto a voz (TTS) de alta calidad basado en aprendizaje profundo

Llama 3.2 3b Voice — Herramienta de síntesis de voz basada en el modelo Llama.

Aixploria — Directorio de herramientas de IA, descubre las mejores herramientas de IA

RWKV — Arquitectura de modelo grande de nueva generación, que supera a Transformer.

llama3-desde-cero — Implementación del modelo Llama3 desde cero

RAGFlow — Motor de RAG (Generación Aumentada por Recuperación) de código abierto basado en una comprensión profunda de documentos.

llava-llama-3-8b-v1_1 — Modelo LLaVA optimizado por XTuner, que combina el procesamiento de imágenes y texto.

nasa-smd-ibm-st — Mejora las técnicas de lenguaje natural para la recuperación de información y la búsqueda inteligente en el ámbito de las misiones científicas de la NASA.