欧博会员官网DeepSeek网页版：全流程智能服务，重塑企

欧博会员官网DeepSeek网页版：全流程智能服务，重塑企业知识生产力工具形态

DeepSeek系列模型借由持续不断的技术突破, 于开源大模型范畴树立起了性能以及成本效益的双重标杆, 特别是在金融等垂直领域, 它的专业场景适配能力正在重塑着行业智能化转型的价值标准, 为产业升级给予高性价比解决方案。

DeepSeek网页版构建起了智能服务体系, 该体系覆盖知识管理全流程, 用户借助自然语言交互能达成多模态智能问答, 能实现跨格式文档解析, 能进行学术资源智能检索, 能开展可视化思维建构, 还能实现自动化办公输出, 其创新交互范式正重塑企业级知识生产力工具的应用形态。

DeepSeek API 作为网页版的功能进阶形态, 具备更高的灵活性, 还拥有更高的可拓展性, 能给开发者进而给企业用户提供更具工程价值的接入方案。

适用本地部署的用户是那类处理敏感数据的人, 以及需要满足定制化需求因而有定制化需求的人, 或者是需合规性保障所以有合规性保障需求的人, 但此部署对于配置条件是有着一定要求的。

CherryStudio是一个全能AI助手平台, 它集合了多模型对话功能, 还有知识库管理功能, 也具备AI绘画功能, 并且有翻译等功能, 它能够支持本地部署大模型, 还能支持多方API的调用。

风险因素方面, 研究是基于历史的情况, 其存在不能起到有效作用以及出现偏差的风险, 大语言模型的输出有着产生幻觉以及随性自然出现不同情况的问题, 不同模型的性能具备有所不同的差异, 产品功能存在随着时间推移而受到限制的状况。

01

DeepSeek开源模型兼具高性能与高性价比

1.兼具高性能, 具备高性价比, DeepSeek开源模型引发了市场关注。

近日, DeepSeek引发了市场的大量关注, 这关注是因其开源模型而来的, 其性能表现是和国际顶尖模型相对照着有同样表现的, 并且通过做技术创新以及做成本控制, DeepSeek成为了当前最具性价比的AI大模型当中的一个, 它是特别适合像金融这类垂直领域的。

性能与海外处于领军地位的闭源模型实现对齐, 在2024年12月, DeepSeek-V3的首个版本上线, 并且同时进行开源, DeepSeek-V3在多项评测当中所取得的成绩, 超过了Qwen2.5-72B以及Llama-3.1-405B等其他开源模型, 而且在性能方面和世界顶尖的闭源模型GPT-4o以及Claude-3.5-Sonnet不相上下, 在2025年1月, DeepSeek-R1正式发布, 并且同步开源模型权重。DeepSeek-R1在进行后训练阶段时, 大规模使用了增强学习技术。在仅仅只有少量标注数据的情形下 , 极大程度提升了模型推理能力。在数学任务方面 , 在代码任务方面 ，在自然语言推理任务方面 , 其性能与OpenAI o1正式版不相上下。

超高性价比有着极大可能重新塑造行业竞争方面的格局, 按照技术文档当中所讲述的情况来看, DeepSeek-V3进行训练的时候只是运用了278.8万H800 GPU小时, 依据每小时2美元的租赁价格来进行计算推测, DeepSeek-V3的训练仅仅动用了557.6万美金。DeepSeek-V3模型API服务, 其定价呢, 是每百万输入tokens, 如果缓存命中的话为0.5元, 要是缓存未命中则为2元, 而每百万输出tokens是8元, 该模型的性能与价格比, 相较于GPT-4o以及Claude-3.5-Sonnet等模型, 优势是比较大的。对了, DeepSeek-R1模型API服务价格远远低于其他o1类推理模型。靠着它显著的性价比优势, DeepSeek有希望引领行业竞争走向新的格局。

模型不断持续更新, 能力全方位全面进阶, 在2025年3月的时候, DeepSeek-V3-0324被发布出来, 依据DeepSeek官网所提供的信息, 模型能力在多个关键的方面都有了一定程度的提升。(1)推理任务表现得以提高, 新版V3模型借鉴了 DeepSeek - R1模型训练期间所运用的强化学习技术, 从而在推理类任务上的表现水平大幅提升, 于数学、和代码类相关评测集上取得了超过GPT - 4.5的得分成绩；前端开发能力得到增强, 在HTML等代码前端任务里, 新版V3模型生成的代码可用性更高, 视觉效果也更为美观、富有设计感；中文写作实现升级, 于中文写作任务层面, 新版V3模型基于R1的写作水平做了进一步优化, 同时特别提升了中长篇文本创作的内容质量；中文搜索能力获得优化, 新版V3模型能够在联网搜索场景下, 针对报告生成类指令输出内容更为详实准确、排版更为清晰美观的结果。并且, 新版的模型于工具调用、角色扮演以及问答闲聊这些方面, 也有着一定程度的能力增强。要是并非复杂的推理任务, 那么建议采用新版本的V3模型。

1.2, DeepSeek-V3, 多重技术亮点, 达到性能突破，实现性价比突破, 达成双重突破。

DeepSeek模型具备如此高的性能以及高性价比, 其重要原因在于, 有着优化的模型架构设计, 还有多Token预测目标, 以及FP8混合精度训练等技术亮点。

DeepSeek-V3采用Multi-Head Latent Attention（MLA）技术, 以及DeepSeekMoE技术, 基于Transformer框架, 目的是实现高效推理与经济训练。

多头部潜在注意力（MLA）, 于注意力机制里, DeepSeek-V3运用MLA架构, 目的在于优化Transformer模型里多头注意力机制的效率欧博会员官网DeepSeek网页版：全流程智能服务，重塑企业知识生产力工具形态，特别是在推理阶段的内存占用以及计算复杂度方面。MLA借助低秩联合压缩键值等技术大幅减少了内存占用以及计算开销, 与此同时维持了与标准MHA相近的性能。

对于DeepSeekMoE, 在其前馈神经网络层当中, DeepSeek-V3运用的是DeepSeekMoE架构。和传统MoE架构相对比情况而言, DeepSeekMoE所使用的是更细粒度的专家, 并且还把一些专家隔离成共享专家情况。为了能够在负载均衡以及模型性能这两者之间获取到更好的平衡状况, DeepSeek开创了一种无辅助损失负载均衡策略情况, 借助动态路由调整跟偏差项机制情况, 达成了专家负载的高效均衡状况。

DeepSeek为DeepSeek-V3研究并设定了多Token预测 , 也就是MTP（Multi-Token Prediction）目标 , 此目标把预测范围拓展到每个位置的多个未来Token。一方面 , MTP目标使得训练信号致密 , 并且有可能提高数据效率。另一方面 , MTP或许能让模型预先规划其表示形式 , 从而更好地预测未来Token。

预训练时, 为能有效扩展FP8格式的动态范围, DeepSeek引入了一种细粒度量化策略, 此为FP8混合精度训练。另外, 为进一步减少MoE训练里的内存以及通信开销, DeepSeek在FP8中缓存并分派激活, 同时于BF16中存储低精度优化器状态, 这也是那种训练方式。值得留意的是, 和BF16基线相比较, DeepSeek的已进行FP8训练的模型的相对损失误差始终是低于0.25%的, 而这一水平远在训练随机性的可接受范围之内, 属于该训练的情况。

1.这是一个推理模型叫3 DeepSeek-R1, 它是基于很强大的DeepSeek-V3而来的。

由DeepSeek第一代推理模型DeepSeek-R1-Zero所构成的, 以及由DeepSeek-R1模型所构成的, 它们的训练依据, 乃是基于DeepSeek-V3-base模型而形成的。

需加以留意的是，DeepSeek - R1 - Zero模型凭借大规模强化学习（RL）冲破传统技术框架, 未曾经历监督微调（SFT）阶段便呈现出强大的推理能力。DeepSeekR1 - Zero展现出诸如自我验证、反思以及生成长思维链（Chain - of - Thought, CoT）的能力, 这标志着研究领域的某个重要的里程碑。需加以留意的是, 这属于第一项验证LLMs推理能力能够纯粹借助RL激励达成, 而无需SFT的开放性研究。

为了处理可读性欠佳以及语言紊乱等状况, 并且进而增快推理效能, 同样依据DeepSeek-V3-base模型, DeepSeek团队融合多阶段强化学习以及监督微调, 最终培育出强大的DeepSeek-R1模型。

DeepSeek-R1有一个蒸馏模型, 它表明小模型展现出强大的特性。DeepSeek团队利用DeepSeek-R1生成的推理数据, 针对几种在研究领域广泛运用的密集模型采取了微调方式。仅仅依据监督微调, 也就是SFT这种手段, 且蒸馏方法下, 小模型的推理能力得到显著提升。

02

网页对话实现智能服务体系

2.1 网页版DeepSeek访问渠道丰富

凭借其卓越的语义理解本领, DeepSeek能够搭建优良的长思维链条, 产出连贯、自然且具备逻辑性的文字。

包括 DeepSeek 官网以及官方 APP 之外, 用户能够借助第三方平台渠道去体验 DeepSeek 模型。

依赖DeepSeek超强的自然语言处理本领, 用户借由对话交互就能达成不同场景当中的智能协作生态。

2.2 DeepSeek官网实现智能问答与文档解析功能

经DeepSeek开展新闻跟舆情分析、文本综述等同类型工作: 凭DeepSeek官方对话网页（https://chat.deepseek.com/）, 借由实时监测社交媒体、新闻平台等, 迅速采集相关文本数据, 用以开展新闻以及舆情分析。在官网对话框下方存在着两个可选项呢, 其分别所代表的意义是这样的: 其一, 要是选中了“深度思考(R1)”, 那么所对应的就是DeepSeek - R1模型, 可是要是没有选中“深度思考(R1)”的话, 其他要不然就是DeepSeek - V3模型；其二, 一旦选中“联网搜索”这一选项, 那么就可以获取到时效性较为突出的网络信息。

运用DeepSeek开展文件处理工作, DeepSeek官网具备支持多种文件类型的能力, 能够针对上传的文件予以处理, 文件上传的限制是单个 文件不超过100MB, 一次最多50个文件。

因受用户量激增, 以及算力需求也激等因素的不良干扰, DeepSeek官网, 在过去的那段时间之内, 多次出现了性能方面的异常事件, API的情况也是如此。

2.3 秘塔AI实现学术资源智能检索

秘塔AI（网址: https://metaso.cn/）嵌入了具备深度思考功能的DeepSeek-R1, 它不仅能够限定搜索范围, 像学术方面的中英文库以及中文库这种, 还能够给出详实的来源, 以此降低源于大模型生成的幻觉, 用户能够依据自身需求去选择“简洁/深入/研究”模式。

通过秘塔AI去搜索有关相关标的研报信息, 选择DeepSeek-R1模型, 依据用户自身需求挑选不同模式, 在给出相应回答之际, 秘塔AI会给出详情的信息来源, 给出相关事件, 给出相关组织。

在文件处理方面，秘塔AI网页目前仅支持图片上传。

2.4 纳米AI实现可视化思维建构

纳米AI, 其网址为https://www.n.cn/ , 它属于360旗下所拥有的AI助手产品, 并且嵌入了DeepSeek-R1-联网671B模型。

经由网页的对话, 纳米AI不但能够给出对话解答, 并且还能够针对原文挑选各异风格予以改写。

纳米AI在给出回答之际生成思维导图, 并且针对回答原文或者思维导图当中的任何一个节点, 借助鼠标点击, 能够生成更进一步的答案。

2.5 腾讯元宝擅长公众号内容调用

对于腾讯元宝（https://yuanbao.tencent.com/chat/）而言, 它嵌入了DeepSeek-R1模型, 并且腾讯元宝能够借助微信进行登录, 使用起来比较便利ams.66abg66.net，还支持对多种文件展开上传处理, 然而在使用期间, 我们察觉到腾讯元宝同微信公众号文章关联紧密, 其回答所参考的资料大多是公众号方面的内容。

2.6 DeepSeek结合Kimi+实现自动化办公输出

一级标题: 关于借助DeepSeek开展金融投研PPT大纲, 二级标题: 一、当前金融情况概述描述辅助部分, 二级标题: 二、DeepSeek特性关联金融投研详述, 二级标题: 三、运用DeepSeek于金融投研的具体方式讲述, 二级标题: 四、结合DeepSeek的金融投研成果呈现, 二级标题: 五、结论：DeepSeek对金融投研的重要作用强调。

访问探索 Kimi+（https://kimi.moonshot.cn/kimiplus-square），点击PPT助手，将复制内容粘贴至对话框，Kimi+生成PPT内容，点击一键生成PPT并选择模板生成，我们可以获得相应的PPT。

网页版DeepSeek对于直接的用户交互更为倾向, 它适合那些有着轻量级需求的个人用户, 这类用户的使用成本是比较低的。DeepSeek开源模型给第三方平台嵌入大模型带来了便利, 而且网页版DeepSeek的访问渠道正日益丰富。

03

DeepSeek API实现智能中枢构建

3.1 DeepSeek模型可选API丰富

不同于网页版DeepSeek, DeepSeek API具备更高灵活性, 拓展性更为强大, 成本相对而言较高, 更适宜开发者或者企业用户。于借助API接口直接调用大模型这个进程当中, 用户按照自身需求对参数作出不同置设。

除了DeepSeek官网所提供的API之外, 字节旗下的火山引擎, 还有腾讯云, 以及阿里云百炼, 还有硅基流动, 另外国家超算平台也都提供了DeepSeek R1接口。

参考DeepSeek官网给出的信息来看, DeepSeek-V3跟DeepSeek-R1的上下文长度是64K, 其最大输出长度为8K, 要是没有去指定max_tokens的话，默认的最大输出长度是4K。DeepSeek API的temperature参数默认设定为1.0, 用户能够依据自身的需求来对温度予以设置。

3.2 以火山引擎为例使用Deepseek API

前往火山方舟 - 火山引擎那个网址（https://console.volcengine.com/ark）, 登记注册之后达成实名制验证。于左侧的中模型推理那儿挑选在线推理, 去创建推理接入点（头一回要开通模型）；点击确认接入随后展开API调用（初次得创建API Key）。

通过点击, 推理接入点操作区的体验, 能让我们得到, 与DeepSeek网页版类似的对话页面, 并且, 支持多种文件上传。

3.3, 将DeepSeek API接入Excel, 再接入Python。

依靠火山引擎API key , 仰仗模型ID , 用户能够选用python , 或者采用Excel VBA , 借此前去访问Deepseek , 进而达成相关功能。

通过运用火山引擎应用（Bot）API的联网插件达成联网功能, 以零代码的方式创建应用, 开启联网内容插件, 可供选择的联网资源类型涵盖联网资源、头条资源、抖音资源、墨迹天气, 当中联网资源每月的免费额度为2万次。

04

DeepSeek 本地部署条件与功能

4.1 DeepSeek本地部署GPU估算

本地进行大模型的部署, 有着能保证数据的隐私以及安全, 可满足灵活的定制化方面的需求, 能够避免持续不断地付费, 可减少网络传输时出现的延迟, 即是离线状态依旧能够使用等诸多优势。本地部署是比较适合于处理敏感数据, 有着需要去满足定制化需求, 或者是需要合规性保障的那些用户, 不过呢, 针对配置条件是需要满足一定要求的。推荐借助Ollama来开展本地大模型的部署工作, 它支持一键安装且能够进行模型管理, 还提供命令行以及WebUI界面, 是适合进行快速部署的。

由Ollama所提供的Deepseek - R1属于量化版本, 它借助降低数值精度的方式, 来削减模型的存储空间, 以及运行时所需的资源。

我们通过参数数量、位宽与参数使用字节来估算模型运行的显存：

其中，P为参数数量，Q为参数位宽，4B为每个参数使用字节。

4.2 通过Ollama进行DeepSeek本地部署

去下载并进行安装Ollama, 其对应网站为（https://ollama.com/download）, 它默认情况下会被安装在C盘那里, 而且能够借助“OllamaSetup.exe /DIR=D:\Ollama”这样的指令将其安装在其他被指定好的位置。

安装Ollama的要求是, 系统为Win10以上, 空间要4GB以上, 安装Ollama之后, 还需要额外空间来存储大型语言模型, 这些模型大小从几十GB到几百GB不等。

于Ollama官网（https://ollama.com）那儿搜索对应的大模型, 像deepseek-r1这般的, 能够获取一系列的模型, 依据模型大小、本地条件这类诸般因素来挑选相应模型以作本地部署。

先说模型下载, 就拿deepseek - r1:14b模型来说, 要复制模型右侧代码, 比如说ollama run deepseek - r1:14b, 在ollama运行状况下, 粘贴到cmd里去部署指定模型。要是没更新系统变量, 模型会下载到默认位置, 像“C:\Users\XXX\.ollama\models”, 不然就下载到指定位置。

若以deepseek - r1:14b这个模型来举例, 其运行期间在ollama运行的情景下, 与拉取模型的操作是一样的, 就比如说执行ollama run deepseek - r1:14b这样的指令。于此时粘贴在CMD里能够直接和部署模式的它进行对话。能够看得见, 本地去部署它是存在思考进程的, 然而相较于671B版本而言, 它不够“机灵”, 并且还没办法联网。

4.3 利用浏览器插件实现联网、构建本地知识库

于Edge扩展商店之中, 搜索Page Assist, 而后点击获取, 进而安装Page Assist扩展, 此为添加Page Assist浏览器插件的步骤。

凭借Page Assist插件, 能够达成如同豆包插件那般的网页互动功能, 并且, 在此基础上又能够对该插件布设联网方面功能以及开展构建本地知识库这一操作。

05

利用交互应用软件构建知识库

5.1 Cherry Studio的使用方式

Cherry Studio（https://docs.cherry-ai.com/cherrystudio/download） 是一款集多模型对话、知识库管理、AI绘画、翻译等功能于一体的全能AI助手平台，支持本地部署模型与多平台API的调用。

5.2 Cherry Studio嵌入模型配置

建立知识库之前, 我们要对嵌入模型予以配置, 配置的方式存在本地部署以及外部API这两种情况。

用Ollama去部署嵌入模型bge - m3, 或者nomic - embed - text模型。其下载方式跟前面所说的模型是一样的: 去搜索对应的模型, 把右侧的代码复制下来用以下载模型。借助Ollama部署的模型, 要在模型服务当中把Ollama打开, 点击下方的管理, 去查找嵌入模型, 找到所需的模型然后添加。

获取通过了Jina AI网站的嵌入模型的Api key , 你需要访问Jina AI官方网站, 这个网站是https://jina.ai/ , 然后不用进行注册, 就能够直接去复制Api key , 进而得到免费的tokens嗯。之后在模型服务里把Jina打开, 在这儿粘贴上Api key , 这样就能获得对应的Jina模型。

5.3 Cherry Studio构建本地知识库

创设知识库之际要选定嵌入模型, 于Cherry Studio左侧的工具栏那儿, 摁击知识库图标, 便可进入到管理页面, 点击添加去创建知识库, 填写知识库的名称并添加上嵌入模型, 如此就能完成创建。

若存在对于数据隐私方面的要求, 那么建议去使用本地嵌入数据库, 以及本地大语言模型。

CherryStudio能够支持通过多种方式把文件添加到知识库之中, 这些方式涵盖了文件拖拽, 文件夹目录, 网址链接, 站点地图, 纯文本笔记 ；其所支持的文件格式包含pdf, docx, pptx, xlsx, txt, md, mdx等等。在文件添加以后系统会自行展开向量化处理, 当显示呈现为完成状态时（绿色）, 这就意味着向量化已然完成。

文档被添加进Cherry Studio知识库后, 文件会被切成若干片段, 嵌入模型去处理这些片段；用户用大模型进行问答时, 查询与问题相关的文本片段, 进而一并交给大语言模型来处理, 知识库文件的处理流程就是如此。

经过本地构建Cherry Studio知识库测试可知, 该知识库选项支持一至三十个文档, 当文档数量较少时, 知识库具有相对较好的表现。

知识库创建完成之后, 用户能够借助知识库下方“搜索知识库”来开展查询, 还能够于对话工具栏挑选出所需之知识库, 输入相关问题进而获取依靠知识库生成形成的相应回复。

风险因素：研究基于历史情况deepseek网页版，存在失效及偏差风险；大语言模型输出存在幻觉与随机性www.abg8877.net，不同模型性能具有差异，产品功能具有时效性局限。

这篇文章, 来源于名为《深度学习揭秘系列之四: DeepSeek 大模型怎样对投研予以助力? 》的报告。

报告时间：2025年4月23日

发布报告机构：信达证券研究开发中心

报告的作者是于明明, 其编号为S1500521070001, 还有孙石, 其编号为S1500523080010。

分析师声明