DeepSeek 升級 V3 模型：改用寬鬆的 MIT 協議，程式設計效能微漲

DeepSeek-V3 迎來了一次低調升級。這是一個總引數 6710 億、啟用引數約 370 億的開源通用大語言模型，能用來生成程式碼、解答數學題以及處理各類通用文本任務。

這次更新最直接的變化在於許可證。DeepSeek 放棄了此前的自定義開源協議，全面切換為業內最寬鬆的 MIT 協議。開發者和企業現在可以幾乎毫無限制地將它用於商業專案、閉源修改或整合到自家產品中。

效能微漲，微調來自 R1

這次升級由軟體開發者 Simon Willison 最先發現並報道。DeepSeek 官方並未大張旗鼓發公告，甚至模型倉庫的說明檔案一度完全留白。

據 VentureBeat 注意到的一則測試，新版模型在生成 Python 與 Bash 程式碼的基準測試中拿到了約 60% 的分數，相比原版提升了數個百分點。

這套提升主要得益於後續訓練。DeepSeek 工程師利用旗艦推理模型 DeepSeek-R1 的生成資料對 V3 進行了微調，從而改善了輸出質量。

不過，它在邏輯測試上依然落後於專攻推理的 DeepSeek-R1，得分也低於同樣針對推理做過最佳化的 Qwen-32B。它的定位依然是通用底座，而非純推理特化模型。

硬體要求與本地執行實測

因為採用了混合專家架構，DeepSeek-V3 雖然體量達到 6710 億引數，但處理任務時只啟用約 370 億引數。這讓它的基礎設施開銷遠低於傳統全啟用模型，推理成本也明顯低於 R1。

蘋果公司機器學習研究團隊的研究科學家 Awni Hannun 在本地進行了實測。他在一臺售價 9499 美元的高配 Mac Studio 上成功跑起了新版 V3。

在採用 4 位（4-bit）量化技術後，模型在 Mac Studio 上的輸出速度大約能達到每秒 20 個 token。量化雖然會稍微犧牲一點點精度，但大幅降低了視訊記憶體佔用和延遲。

普通開發者如果想嘗試，可以在開源社群獲取權重。不過要想在本地順暢部署，一臺擁有超大統一記憶體的高配 Mac Studio 或多張資料中心顯示卡依然是硬性門檻。

為什麼重要

我們認為，這次更新最值得看好的不是微漲的程式碼分數，而是換用 MIT 協議這一步。此前自定義開源協議多少讓大企業在法務合規上有所顧忌，換成 MIT 後，商用顧慮被徹底掃清，任何人都能拿它當作商業底層來魔改。

如果你正在尋找一個高性價比、無版權包袱的開源通用底模，現在就可以把它納入選型。但如果你需要的是極致的長思維鏈推理，專攻推理的 R1 依然是更好的選擇。