DeepSeek V3

Коротко

Эволюция V3-линии:

Почему V3-линия важна:

• она объясняет current DeepSeek API лучше, чем старое деление V3 vs R1;
• original V3 стал одним из самых заметных MoE-релизов open ecosystem;
• V3-line показывает, как general model превращается в agent/reasoning product layer;
• economics DeepSeek остаются unusually aggressive даже на current API.

1. Как сейчас правильно понимать DeepSeek V3

Старый обзор слишком жёстко привязывал всё к original DeepSeek-V3 декабря 2024. Но practical framing в 2026 другая: V3 важен прежде всего как backbone line, из которой вырос current DeepSeek API.

Для практики полезнее делить так:

• original DeepSeek-V3 как архитектурный и research baseline;
• V3-0324 как сильный post-training refresh;
• V3.1 как переход к hybrid reasoning;
• V3.2 как current product line;
• V3.2-Speciale как более тяжёлый reasoning-first variant.

2. Original DeepSeek-V3: почему релиз был важен

По official repo и launch post DeepSeek-V3 дал:

• 671B total params;
• 37B activated params;
• 128K context;
• 14.8T training tokens;
• 2.788M H800 GPU hours total training budget.

Официальный репозиторий отдельно подчёркивает несколько ключевых технических идей:

• Multi-head Latent Attention (MLA);
• auxiliary-loss-free strategy for load balancing;
• Multi-Token Prediction (MTP);
• large-scale FP8 training.

Это был не просто ещё один большой open model release. Это был один из сильнейших сигналов, что MoE + efficient training stack могут дать frontier-adjacent результаты без гипермасштабного бюджета big tech.

Что особенно важно из архитектуры

MLA

DeepSeek прямо пишет, что для efficient inference и cost-effective training линия использует MLA и DeepSeekMoE. Практически это означает, что модель проектировалась не только под benchmark score, но и под реальную экономику инференса.

Auxiliary-loss-free balancing

В official repo это вынесено как один из центральных technical claims. Для MoE-систем это важно, потому что load balancing обычно портит качество; DeepSeek сделал это частью своей отличительной engineering-story.

MTP

Репозиторий отдельно отмечает multi-token prediction objective. Для статьи это важно не как academic trivia, а как часть общего narrative: V3-line строилась не только на raw size, но и на inference-aware optimization.

3. V3-0324: почему это был реальный скачок

Эта версия важнее, чем выглядела в старых обзорах.

По official DeepSeek-V3-0324 release:

• MMLU-Pro: 75.9 -> 81.2
• GPQA: 59.1 -> 68.4
• AIME: 39.6 -> 59.4
• LiveCodeBench: 39.2 -> 49.2

Кроме бенчмарков DeepSeek отдельно выделяет:

• improved front-end web development;
• improved Chinese writing;
• improved search/report behavior;
• improved function calling.

Это важно, потому что V3-0324 показывает: DeepSeek наращивал линию не только через research benchmarks, но и через product-facing capabilities.

4. V3.1 и V3.2: переход к hybrid reasoning

Здесь старая статья устарела сильнее всего.

V3.1

По official changelog:

• deepseek-chat и deepseek-reasoner были upgraded to DeepSeek-V3.1;
• deepseek-chat corresponded to non-thinking mode;
• deepseek-reasoner corresponded to thinking mode;
• ключевой claim: hybrid reasoning architecture внутри одной модели.

Это уже меняет product logic DeepSeek: reasoning становится не «отдельной research-моделью», а режимом внутри общей линии.

V3.2-Exp

Official release подаёт V3.2-Exp как experimental step в этой же линии. Она важна как переходный слой к более зрелому V3.2.

V3.2

По official DeepSeek-V3.2 Release:

• V3.2 is the official successor to V3.2-Exp;
• модель уже live on App, Web & API;
• V3.2 позиционируется как reasoning-first model built for agents;
• это первая модель DeepSeek, где thinking directly integrated into tool use;
• tool use поддерживается и в thinking, и в non-thinking modes.

Это намного сильнее, чем старый текст про «general model V3 против reasoning model R1». В current framing DeepSeek уже строит unified agent/reasoning stack внутри V3-линии.

5. Что current API actually означает

Это главный practical takeaway статьи.

Current pricing page прямо говорит:

• deepseek-chat = DeepSeek-V3.2 (Non-thinking Mode)
• deepseek-reasoner = DeepSeek-V3.2 (Thinking Mode)
• 128K context limit у обеих
• 8K max output у deepseek-chat
• 64K max output у deepseek-reasoner
• current pricing одинакова для обеих по token table:
  • cache hit input: $0.028 / 1M
  • cache miss input: $0.28 / 1M
  • output: $0.42 / 1M

Это означает:

• current deepseek-chat уже нельзя объяснять как «старый V3 API alias»;
• current deepseek-reasoner уже нельзя объяснять как «просто R1 в облаке»;
• и оба current product aliases лучше читать как две operational lanes одной V3.2 линии.

6. Лицензии и self-hosting: важный нюанс

Здесь старый текст тоже был слишком грубым.

Для original DeepSeek-V3 official GitHub repo указывает:

• code license: MIT
• model license: Model Agreement
• commercial use supported

Для DeepSeek-V3-0324 Hugging Face repo уже указывает MIT.

Практический вывод: для V3-family нельзя механически писать одну фразу «всё MIT» без уточнения checkpoint. Если проект enterprise-grade, проверяйте лицензию именно того релиза, который реально разворачиваете.

7. Когда выбирать DeepSeek V3, а когда нет

Выбирайте V3-line, если вам нужно

• очень дешёвый current managed API;
• strong general-purpose base with optional thinking;
• reasoning + tool use в одной семейной линии;
• изучать современную MoE/MLA-economics архитектуру;
• строить cost-sensitive agent stack.

Смотрите альтернативы, если вам нужно

• максимально простая enterprise/legal path;
• strongest global multilingual polish by default;
• consumer-first product layer без оглядки на vendor-specific operational nuances.

Нам нужен дешёвый hosted model layer для agent workflows с tool use. С чего начинать у DeepSeek?

8. Для разработчика

Минимальный decision framework

Что помнить

1. Не смешивайте original DeepSeek-V3 с current deepseek-chat.
2. Не переносите старые сравнения V3 vs R1 на current API без оговорок.
3. Для pricing current API ориентируйтесь на official pricing page, а не на старые статьи или provider mirrors.
4. Для self-hosting V3-family проверяйте licensing конкретного checkpoint, а не только бренда DeepSeek-V3.

Current API quick start

from openai import OpenAI

client = OpenAI(
    api_key="YOUR_DEEPSEEK_API_KEY",
    base_url="https://api.deepseek.com"
)

response = client.chat.completions.create(
    model="deepseek-chat",
    messages=[
        {"role": "user", "content": "Сделай краткий architecture review этого backend design."}
    ]
)

print(response.choices[0].message.content)

Thinking lane

from openai import OpenAI

client = OpenAI(
    api_key="YOUR_DEEPSEEK_API_KEY",
    base_url="https://api.deepseek.com"
)

response = client.chat.completions.create(
    model="deepseek-reasoner",
    messages=[
        {"role": "user", "content": "Разбери алгоритмические trade-offs этой migration strategy."}
    ]
)

print(response.choices[0].message.content)

Если нужен старый V3-family checkpoint локально

Для original DeepSeek-V3 repo рекомендует экосистему вроде SGLang, LMDeploy, TensorRT-LLM, vLLM и LightLLM, включая FP8/BF16 deployment.

Проверьте себя