實(shí)證結(jié)果表明，DeepSeek MoE 2B的性能與GShard 2.9B相當(dāng)，而后者專家參數(shù)量和計(jì)算量均為前者的1.5倍。擴(kuò)展至16B參數(shù)規(guī)模時(shí)，DeepSeek MoE的性能與LLaMA2 7B相當(dāng)，而計(jì)算量?jī)H需后者的約40%。在145B參數(shù)規(guī)模的初步實(shí)驗(yàn)中，DeepSeek MoE較GShard展現(xiàn)出顯著優(yōu)勢(shì)，性能媲美DeepSeek 67B，而計(jì)算量?jī)H需后者的28.5%。

采用FP8精度訓(xùn)練，節(jié)省計(jì)算單元占用，進(jìn)而節(jié)省算力資源。低數(shù)據(jù)精度訓(xùn)練是降低訓(xùn)練成本的較有前景的方向之一。通常的大模型訓(xùn)練會(huì)采用BF16或FP32/TF32精度作為數(shù)據(jù)計(jì)算和存儲(chǔ)的格式，相比之下，F(xiàn)P8占用的數(shù)據(jù)位寬僅為FP32的1/4，F(xiàn)P16的1/2，可以有力地提升計(jì)算速度，降低對(duì)存儲(chǔ)的消耗。DeepSeek團(tuán)隊(duì)在訓(xùn)練DeepSeek-V3時(shí)，采用的是混合精度框架，大部分密集計(jì)算操作都以FP8格式進(jìn)行，而少數(shù)關(guān)鍵操作則策略性地保留其原始數(shù)據(jù)格式，以平衡訓(xùn)練效率和數(shù)值穩(wěn)定性。

采用MTP方法，多token預(yù)測(cè)提高模型訓(xùn)練效率。Meta發(fā)布的論文《Better & Faster Large Language Models via Multi-token Prediction》提出了讓大模型一次性預(yù)測(cè)多個(gè)token，并依據(jù)多個(gè)token計(jì)算損失的方法。在訓(xùn)練中使用MTP技術(shù)主要會(huì)通過增加給定數(shù)據(jù)量下獲得的訓(xùn)練信號(hào)密度和改變傳統(tǒng)模型的計(jì)算模式來(lái)降低模型的訓(xùn)練成本。

后訓(xùn)練階段引入GRPO算法，拋棄MCTS等傳統(tǒng)方法，優(yōu)化算力開銷。DeepSeek團(tuán)隊(duì)首次提出了GRPO的概念并將其應(yīng)用于強(qiáng)化學(xué)習(xí)過程中，指出應(yīng)用了GRPO技術(shù)的強(qiáng)化學(xué)習(xí)對(duì)于強(qiáng)化LLMs的數(shù)學(xué)推理能力非常有效。在訓(xùn)練R1-Zero的過程中，DeepSeek團(tuán)隊(duì)完全依賴于應(yīng)用了GRPO技術(shù)的強(qiáng)化學(xué)習(xí)。

硬件工程化創(chuàng)新方面，隨著大模型不斷發(fā)展，全球各團(tuán)隊(duì)面臨模型參數(shù)越來(lái)越大、數(shù)據(jù)量越來(lái)越多的問題。單臺(tái)計(jì)算設(shè)備難以獨(dú)自滿足大模型的要求，使用多臺(tái)設(shè)備同時(shí)運(yùn)算的“分布式并行”策略成為主流選擇。DeepSeek團(tuán)隊(duì)在硬件工程優(yōu)化中使用了PTX代碼，顯著提升了CUDA程序的可移植性，便于優(yōu)化和精確控制硬件調(diào)度。