深入浅出：图解DeepSeek技术与大模型基础原理

好书推荐
1

图解DeepSeek技术，无数学也能懂DeepSeek-R1核心原理，助你轻松入门大模型！

原文标题：弄懂这些，大模型就算是入门了！

原文作者：图灵编辑部

冷月清谈：

随着AI能力从“能说”进化到“能想”，许多人对职业前景感到焦虑。为了帮助大家直观理解大模型技术，一本名为《图解 DeepSeek 技术》的新书应运而生。该书由大模型专家Jay和Maarten撰写，旨在无需深奥数学知识的情况下，解析当下热门的DeepSeek-R1技术。

本书的核心亮点包括：深入浅出地讲解推理大模型与普通大模型的区别，以及“测试时计算”（test-time compute）的关键性。它还会详细阐述DeepSeek-R1背后的Transformer架构和GRPO训练方法，并披露DeepSeek开源的五个核心代码库，这些库支撑着其在线服务。

这本书采用图解方式，将抽象概念可视化，并以循序渐进的乐高式搭建方法，帮助读者构建完整的知识体系。其目标受众广泛，无论是工程师、产品经理，还是对AI好奇的学生和职场人士都可从中受益。本书旨在让读者比身边人更懂大模型，从而在面试、方案撰写或产品落地中更具优势，有效降低大模型技术的理解门槛。

怜星夜思：

1、文章里提到推理大模型比普通大模型强。大家觉得这个“推理”能力到底指什么？在实际应用中，强推理能力能带来哪些具体好处？
2、文章提到了『test-time compute』（测试时计算）很关键，大家对这个有什么理解？它为什么对大模型性能和应用这么重要？
3、除了本文提到的DeepSeek-R1，大家最近还关注了哪些值得一提的大模型或相关的开源项目？有什么特别的亮点想分享吗？

原文内容

左右滑动查看更多图片

当 AI 的能力从能说进化到能想，很多人开始焦虑：是不是连专业知识型的工作也要被替代？

一本书帮你解决大模型时代的焦虑，直观理解当下最火的 DeepSeek 技术，不需要高深的数学，也能看懂它是怎么工作的。

📖 《图解 DeepSeek 技术》 由大模型领域知名专家 Jay & Maarten 联合撰写。他们已经帮助超多读者用图示理解复杂的 AI 概念，这次更是直接把 DeepSeek-R1 拆给你看。

🔥 这本书为啥这么受欢迎：

✔️ 推理大模型到底比普通大模型强在哪里；
✔️ 什么是 test-time compute（测试时计算），为什么很关键；
✔️ DeepSeek-R1 背后的 Transformer 架构和训练方法（包括 GRPO）；
✔️ 以及 DeepSeek 在开源周放出的 5 个核心代码库，其中包含了支撑其在线服务的核心系统。
这本书都会带你一一了解。

✨ 为什么值得看？

✔️ 图解讲解：抽象概念 → 可视化，一眼看懂；
✔️ 循序渐进：每一章都像搭乐高，帮你拼出完整知识架构；
✔️ 受众广泛：无论你是工程师、产品经理，还是单纯好奇的学生/职场人，这本书都适合你。

⭐️ 这本书不会把你变成大模型专家，但一定能让你比身边大多数人更懂它，无论是面试、写方案，还是落地产品。

2

我最近一直在关注Meta的Llama 3，尤其是它开放了8B和70B版本，感觉在多语言能力和通用性上又有了很大提升。社区里也有很多基于Llama 3微调的模型涌现，性能很不错。另外，像Mistral系列的Small和Medium模型我也觉得非常实用，特别是在中小规模部署和成本控制方面，它们表现出了惊人的效率。这些模型让更多开发者有机会参与到大模型的创新中，这是最让人兴奋的地方。

3

我个人比较偏爱一些能直接落地到工作流中的模型和工具。除了DeepSeek，最近关注到了Google的Gemma系列，它在某些场景下表现出非常好的轻量级性能，适合在边缘设备或资源受限的环境中运行。还有一些基于RAG（检索增强生成）的开源框架，比如LangChain和LlamaIndex，它们虽然不是大模型本身，但极大地拓展了大模型的应用边界，能让模型更好地利用私有数据，这对我日常工作启发很大。

4

在预训练阶段，模型需要投入大量的计算资源以学习广泛的知识和模式。而『test-time compute』（测试时计算）则更多指的是模型在推理阶段，也就是实际应用中，为了生成响应所消耗的计算资源。它之所以关键，在于模型的最终部署成本、响应速度和能耗都直接受其影响。比如，一些先进的推理策略，如多步推理、思维链（CoT）或自修正（self-correction），虽然能显著提升模型输出质量，但往往也增加了每次推理的计算量。因此，如何在保证效果的同时优化test-time compute，是衡量模型实用性和经济性的重要指标，尤其在对实时性要求高或大规模部署的场景下。

5

害，除了DeepSeek-R1，我不是在关注GPT-4 Turbo嘛，就是那种，虽然知道它不是开源的，但用起来就是‘真香’的感觉！不过说真的，国内像通义千问、文心一言也都在快速迭代，尤其是它们结合中文语境的优化，有时候还真能给我点惊喜。开源项目的话，我就是跟着大佬们跑，哪个火就看看哪个，毕竟‘站在巨人的肩膀上’更容易理解大模型世界嘛！:joy:

6

我觉得吧，就好像一个学霸和一个背书特别溜的人。普通大模型可能把书背得很熟，你问啥它都能给你从书里找出一句话来。但推理大模型呢，它能把各种知识点串起来，给你分析出个所以然。比如你想让它帮你规划个复杂的旅行路线，它不光能给你列景点，还能考虑交通、时间、个人偏好，甚至帮你预判可能遇到的问题。这就是推理能力带来的高级体验，不光是‘告诉你’，还能‘帮你思考’。

7

关于推理大模型和普通大模型的区别，我理解推理能力强的模型，其核心在于能够更好地理解上下文、进行逻辑链条的组织和复杂问题的分解。这意味着它们不仅仅是基于概率生成文本，而是能在给定的信息中进行更深层次的‘思考’，比如执行多步推理、数学计算、代码生成中的错误定位等。实际应用中，这种优势体现在需要高精度、可靠性强的场景，例如辅助决策系统、智能编程助手、法律或医学文本分析，能大幅提高产出质量和效率。

8

这不就是我们平时用AI工具时，感觉它‘慢不慢’或者‘卡不卡’的底层原因嘛！你想让它帮你写个剧本，它磨叽半天，那背后的test-time compute肯定高。如果它能瞬间给你一个精彩的草稿，说明人家优化得好。对我们用户来说，这意味着更流畅的体验和更快的响应速度；对开发者来说，就是实打实的运营成本啊！所以当然关键了！

9

我理解的test-time compute，就是大模型‘答题’的时候，CPU和GPU要干多少活。你想啊，一个大模型如果每次回答都要‘冥思苦想’半天，那用户体验肯定不好，而且电费也会蹭蹭往上涨。所以，如果一个模型在测试时能用更少的计算资源，但又能给出高质量的答案，那它就厉害了。这就好比一个医生，看病的时候脑子转得飞快，诊断又准又快，而不是每次都得把你全身检查一遍。