3月24日晚，国内知名大模型平台DeepSeek悄然发布了V3模型的最新版本0324。与以往不同的是，此次发布异常低调，既未在国内公众号上宣传，也未在海外社交平台造势，而是直接将模型上传至HuggingFace平台，供用户下载使用。

据国外用户反馈，V3-0324的最大亮点在于其强大的代码生成能力。仅需简单的文本提示，模型便能快速生成网站和App的开发代码，其表现甚至可以媲美当前全球顶尖的闭源代码模型Claude 3.7 Sonnet的思维链版本。

与Claude 3.7 Sonnet相比，V3-0324不仅开源免费，还具备更高的推理效率，为用户提供了更具性价比的选择。这一发布无疑为开发者社区带来了新的工具和可能性。

开源地址：https://huggingface.co/deepseek-ai/DeepSeek-V3-0324/tree/main

有用户反馈，最新版本的V3模型展现出了令人惊叹的解题能力。在测试中，它仅用不到一分钟的时间便成功破解了一道复杂的密码谜题，展现出极高的效率。相比之下，Sonnet 3.7耗时约五分钟却未能完成同一任务。这一对比进一步凸显了V3在推理速度和问题解决能力上的显著优势。

中国在科技领域的崛起，得益于其庞大的人才储备和日益增强的创新实力。这一巨人的觉醒，不仅为中国自身的发展注入了强劲动力，也为全球科技进步带来了更多可能性。作为旁观者，我对此并不感到担忧，反而期待从中受益，见证更多卓越科技成果的诞生。

有网友推测，此次发布的DeepSeek V3很可能是对去年年底版本的一次迭代更新，类似于OpenAI对其模型的持续优化，而非完全重新设计。这种渐进式的改进方式在行业中并不罕见，正如GPT-4也经历了多次迭代但并未改变核心编号。

在实际应用中，DeepSeek V3相较于R1在创意写作任务中表现更为出色，其显著优势在于更快的处理速度。这种高效性使得用户能够迅速进行多次迭代，从而提升创作效率。至于模型可能产生的“幻觉”或准确性不足的问题，这并非不可克服的挑战，因为最终文本仍需经过人类的编辑和审核，以确保内容的质量和准确性。

DeepSeek的影响凸显了一个重要的技术转变。

有用户对V3-0324进行了快速评测，结果令人印象深刻：模型一次性生成了超过800行代码，成功开发了一个完整的网站，且全程未出现任何错务。作为一款免费开源的工具，V3-0324不仅展现了卓越的性能，还以惊人的速度完成任务。

这一表现再次证明了开源模型的强大潜力，它们正在为整个行业树立新的标杆。同时，开源技术的崛起也在无形中向大型科技公司施压，促使它们以更低的成本开发更优质的模型，从而推动整个领域的进步。这样的良性竞争无疑为技术创新和用户带来了更多可能性。

您的浏览器不支持 video 标签

最新版本的V3模型展现了其强大的编程能力，仅凭一条简单的提示便成功生成了一个现代化的登录页面。提示词为：“用HTML/CSS/JS编写一个现代化的登录页面，并将所有内容整合到一个文件中！”模型出色地完成了任务，将代码无缝融合，无需额外修改。

值得注意的是，DeepSeek-V3在编程能力上已经与Claude 3.7 Sonnet比肩，甚至在某些方面更具优势。作为一款无限制且完全免费的开源模型，它为用户提供了与顶尖商业模型相媲美的性能，同时降低了使用门槛，进一步推动了技术普惠。这一成就不仅体现了开源模型的潜力，也为开发者提供了更高效、更便捷的工具选择。

您的浏览器不支持 video 标签

我向最新版本的DeepSeek V3模型提出了一个挑战：仅用一个HTML/JS脚本，构建出最精美且复杂的动画效果。模型不负众望，成功生成了一个融合了丰富视觉效果和流畅动态的脚本，将所有功能整合在一个文件中，无需额外修改。

该网友进一步表示，他们正与未来进行交流，并对V3的编程能力感到非常满意。

V3简单介绍

V3作为一个庞大的专家混合模型（MoE），具备6710亿个参数，其中370亿参数在运算过程中处于活跃状态。与传统的大型密集神经网络模型不同，后者在处理每个输入标记时都需要激活所有参数，这无疑消耗了巨大的计算资源。

在专家混合模型的传统架构中，专家之间的负载均衡问题尤为突出。一旦出现负载不均，便可能导致类似交通堵塞的路由崩溃现象，进而阻碍数据在模型中的顺畅流通，严重影响计算效能。

为应对传统专家混合模型中负载不均衡的挑战，通常采用辅助损失来调节负载。然而，这种方法存在潜在缺陷：过高的辅助损失可能对模型性能造成不利影响，犹如为缓解交通压力而施加过多管制，反而降低了整体通行效率。

DeepSeek在V3的设计中突破了常规，提出了一种无需辅助损失的负载均衡策略，创新性地引入了“偏差项”概念。在模型训练阶段，每个专家均被赋予一个偏差项，该偏差项会被整合至亲和力评分中，用以决定top-K路由的选择。

模型实时监控每一批训练数据中专家的负载状况。若某专家负载过高，类似桥梁承载过量车辆的情形，便相应调低其偏差项；若负载过低，则提高偏差项。这种动态调节机制使V3在训练过程中能够有效平衡专家负载，相较于单纯依赖辅助损失的模型，其性能获得了显著提升。

此外，V3还引入了节点受限的路由机制，以降低通信成本。在大规模分布式训练中，跨节点通信的开销往往成为性能瓶颈。通过限制每个输入最多只能被发送至预设数量的节点，V3显著减少了跨节点通信的流量，从而提升了训练效率。

这种路由机制不仅削减了通信开销，还使得模型在维持高效计算与通信重叠的同时，能够扩展到更多的节点和专家，进一步增强了模型的可扩展性和训练效能。

根据国际开源评测平台kcores-llm-arena的最新测试结果，V3-0324在代码能力评估中取得了328.3分的优异成绩，超越了普通版Claude 3.7 Sonnet的322.3分，并与思维链版本的334.8分表现相当接近。这一数据充分展示了V3在编程任务中的卓越实力。

·

我们相信人工智能为普通人提供了一种“增强工具”，并致力于分享全方位的AI知识。在这里，您可以找到最新的AI科普文章、工具评测、提升效率的秘籍以及行业洞察。

欢迎关注“福大大架构师每日一题”，让AI助力您的未来发展。

·