DeepSeek

20 августа 2026 · ~13 мин чтения

DeepSeek

DeepSeek — китайская ИИ-компания из Ханчжоу и одноимённое семейство больших
языковых моделей с открытыми весами. Прославилась тем, что в январе 2025 года
показала качество уровня лучших западных моделей при затратах на обучение
в разы меньше — и обрушила за один день капитализацию Nvidia на рекордные
в истории биржи ~600 миллиардов долларов.

История

История DeepSeek начинается не с ИИ-стартапа, а с хедж-фонда. В середине
2010-х в Ханчжоу работал квантовый фонд High-Flyer (по-китайски «Хуаньфан») —
«квантовый» здесь значит quantitative (торгующий по математическим моделям,
а не по интуиции трейдеров). Его сооснователь Лян Вэньфэн (Liang Wenfeng),
инженер по образованию, годами закупал видеокарты Nvidia для торговых
алгоритмов — по разным оценкам, к моменту введения американских экспортных
ограничений 2022 года у фонда скопилось порядка 10 тысяч ускорителей A100.
Это важная деталь: у будущей ИИ-компании уже было главное и самое дефицитное —
вычислительный кластер.

В июле 2023 года Лян выделил ИИ-направление в отдельную компанию — DeepSeek.
Декларируемая цель звучала необычно для Китая тех лет: не быстрые коммерческие
продукты, а фундаментальные исследования и AGI (искусственный интеллект
общего назначения). Вехи дальше:

• Ноябрь 2023 — DeepSeek Coder, первая заметная модель для генерации кода,
  с открытыми весами. Следом — DeepSeek LLM 67B, конкурент Llama 2.
• Май 2024 — DeepSeek-V2. Архитектура MoE (Mixture of Experts, «смесь
  экспертов») на 236 миллиардов параметров, из которых на каждый токен работает
  только ~21 миллиард. Модель оказалась настолько дешёвой в эксплуатации, что
  развязала ценовую войну на китайском рынке ИИ-API — местные гиганты (Alibaba,
  Baidu, Tencent) были вынуждены резать цены следом.
• Декабрь 2024 — DeepSeek-V3: 671 миллиард параметров (активных ~37 млрд).
  В техническом отчёте компания заявила, что финальный прогон обучения занял
  2,788 миллиона GPU-часов на «урезанных» под экспортные ограничения картах
  H800 — примерно 5,6 миллиона долларов по аренде. Цифра стала мемом: у западных
  флагманов бюджеты обучения оценивались в сотни миллионов. Важно: это стоимость
  только финального прогона, без экспериментов, зарплат и самого кластера.
• 20 января 2025 — DeepSeek-R1, «рассуждающая» (reasoning) модель уровня
  OpenAI o1, выложенная под свободной лицензией MIT. Через неделю приложение
  DeepSeek стало №1 в американском App Store, а 27 января акции Nvidia упали
  примерно на 17% — минус ~590 миллиардов долларов капитализации за день,
  крупнейшая дневная потеря стоимости одной компании в истории фондового рынка
  США. Этот эпизод так и называют — «DeepSeek moment».
• 2025 — обновления R1 (майский R1-0528), V3.1 (гибрид «думающего» и
  быстрого режимов, август 2025), экспериментальная V3.2 с разреженным
  вниманием (sparse attention) и очередным снижением цен. Что вышло позже —
  точно не знаю, проверь на официальном сайте deepseek.com.

Статус сегодня: частная компания, финансируется High-Flyer, CEO — Лян Вэньфэн.
Флагманские веса публикуются открыто на Hugging Face.

Что это такое

DeepSeek — это одновременно три вещи, и их полезно различать.

Во-первых, компания — исследовательская лаборатория с необычной для отрасли
экономикой: её содержит хедж-фонд, поэтому ей не нужно срочно «отбиваться»
подписками и рекламой. Отсюда стратегия открытых весов: модели выкладываются
целиком, зарабатывает компания на API и репутации.

Во-вторых, семейство моделей. Основная линейка V (V2, V3, V3.1…) — модели
общего назначения, линейка R (R1) — «рассуждающие»: перед ответом модель
генерирует длинную цепочку размышлений (chain-of-thought), что резко улучшает
математику, код и многошаговую логику. Плюс специализированные: Coder, Math,
VL (мультимодальная, с картинками).

В-третьих, сервис: чат chat.deepseek.com (бесплатный), мобильное приложение
и API для разработчиков, совместимый по формату с API OpenAI — в большинстве
случаев достаточно поменять адрес сервера и ключ.

Ключевые различия с соседями по рынку:

• DeepSeek vs OpenAI/Anthropic: у западных флагманов веса закрыты — модель
  можно арендовать, но не забрать. Веса DeepSeek открыты: скачивай и запускай
  на своём железе, если оно есть (для полной V3 нужен серьёзный кластер).
• DeepSeek vs Llama (Meta): обе линейки открытые, но лицензия DeepSeek
  (MIT у R1/V3) свободнее, чем условия Llama, а по качеству топовые DeepSeek
  дольше держались вровень с закрытыми флагманами.
• DeepSeek vs Qwen (Alibaba): главный внутрикитайский конкурент. Qwen берёт
  широтой линейки (от крошечных до огромных, много размеров), DeepSeek —
  агрессивной ценой и исследовательскими прорывами.
• Открытые веса ≠ open source: открыт результат обучения (веса), но не
  обучающие данные и не весь код пайплайна. Это важная терминологическая
  тонкость — «опенсорсной» модель называют с натяжкой.

Аналогии из жизни

Лоукостер (Ryanair, «Победа»). Та же перевозка из точки А в точку Б, что и
у классической авиакомпании, но в разы дешевле — за счёт беспощадной
оптимизации каждой статьи расходов: один тип самолётов, быстрые развороты,
никакого бесплатного багажа. DeepSeek так же выжал стоимость из каждого этапа:
MoE вместо «плотной» модели, обучение в формате FP8, дешёвые ночные тарифы на
инференс. Где ломается: у лоукостера дешевизна честно оплачена комфортом —
ты это чувствуешь сразу. У DeepSeek качество на многих задачах не хуже
дорогих конкурентов; скидка оплачена не качеством ответов, а вещами, которые
видно не сразу: юрисдикцией данных, цензурными ограничениями, меньшими
гарантиями стабильности API.

Дженерик-лекарство. Аптечный аналог брендового препарата за 10% цены:
действующее вещество то же, эффект тот же. Похоже на «GPT-качество за копейки».
Где ломается: дженерик — это законная копия чужой формулы после истечения
патента. DeepSeek ничью формулу не копировал — он сам изобрёл несколько
приёмов (MLA, GRPO), которые потом стала изучать вся отрасль. Аналогия
несправедливо принижает инженерный вклад.

Штатное расписание больницы (для MoE). В больнице сотни врачей-специалистов,
но на твой конкретный случай зовут двух-трёх профильных, а не весь штат сразу.
Так же MoE-модель: из 671 миллиарда параметров на каждое слово «выходят на
смену» только ~37 миллиардов — маршрутизатор решает, какие «эксперты» нужны.
Где ломается: врачи, которые сегодня не понадобились, могут уйти домой.
А все «эксперты» модели обязаны постоянно сидеть в памяти видеокарт — экономится
вычисление, но не память. Поэтому дешёвая в работе модель всё равно требует
дорогого железа для запуска.

Как это работает

Разберём путь от нажатия Enter до ответа — и почему это стоит дёшево.

Шаг 1. Токенизация. Твой текст режется на токены (кусочки слов). Дальше
всё происходит с числовыми представлениями этих кусочков.

Шаг 2. Маршрутизация (MoE). Классическая «плотная» (dense) модель прогоняет
каждый токен через все свои параметры. DeepSeek-V3 устроена иначе: в каждом
слое стоит маршрутизатор (router), который для каждого токена выбирает
несколько «экспертов» — небольших специализированных подсетей — из сотен
доступных. Работают только выбранные. Итог: модель «знает» на 671 миллиард
параметров, а «думает» на каждый токен всего ~37 миллиардами. Расход
вычислений — как у модели в 18 раз меньше.

Шаг 3. Внимание с компрессией (MLA). Механизм внимания (attention) требует
держать в памяти «кэш» всех предыдущих токенов разговора — на длинных диалогах
это гигабайты. Изобретение DeepSeek — Multi-head Latent Attention: кэш
сжимается в компактное латентное (скрытое, промежуточное) представление и
разворачивается на лету. Память под кэш падает на порядок, значит на ту же
видеокарту влезает больше параллельных пользователей — прямая экономия.

Шаг 4. Генерация. Токены выдаются по одному, каждый следующий — с учётом
всех предыдущих. В «рассуждающем» режиме (R1, V3.1-thinking) модель сначала
пишет скрытую цепочку рассуждений и только потом — финальный ответ. Платишь
за токены размышлений тоже, но качество на сложных задачах заметно выше.

Как это обучали — три этапа:

1. Претрейнинг: модель читает триллионы токенов текста (у V3 — 14,8 трлн)
   и учится предсказывать следующий токен. DeepSeek делал это в формате FP8
   (8-битные числа вместо обычных 16-битных) — вдвое меньше памяти и трафика
   между картами, одна из причин дешевизны.
2. SFT (supervised fine-tuning): дообучение на примерах «вопрос — хороший
   ответ», модель учится быть ассистентом.
3. RL (обучение с подкреплением): модель решает задачи, за верные ответы
   получает «награду». Для R1 использовали собственный алгоритм GRPO (Group
   Relative Policy Optimization) — и показали знаменитый результат R1-Zero:
   способность к рассуждению у модели «выросла» из чистого RL, почти без
   человеческих примеров. Это был главный научный вклад январского релиза.

Где встречается в обычной жизни

• Приложение и чат DeepSeek. Бесплатный ассистент без жёстких лимитов —
  именно поэтому в январе 2025 приложение возглавило App Store в десятках
  стран: людям впервые дали «уровень GPT» бесплатно и без подписки.
• Внутри других приложений. Из-за дешёвого API DeepSeek встраивают в
  переводчики, «умные» заметочники, чат-ботов поддержки — пользователь видит
  «ИИ-функцию», не зная, чья модель отвечает.
• Китайские сервисы и техника. Модели DeepSeek интегрировали десятки
  китайских компаний — от автопроизводителей до телекома; если пользуешься
  китайским гаджетом с ИИ-ассистентом, шанс встретить DeepSeek высок.
• Локальные ассистенты энтузиастов. Дистиллированные (уменьшенные путём
  переноса знаний от большой модели к малой) версии R1 люди запускают на
  обычных ПК через Ollama или LM Studio — «свой ChatGPT без интернета».
• Школьные и студенческие лайфхаки. Бесплатность плюс сильная математика
  сделали DeepSeek популярным решателем домашек — со всеми вытекающими.

Где встречается в IT и бизнесе

• Снижение стоимости LLM-конвейеров. Классический ход: прототип строят на
  дорогой модели, потом массовые однотипные задачи (классификация, извлечение
  данных, скоринг) переводят на DeepSeek — счёт за API падает в разы. Нужно,
  когда объём запросов большой, а задача формализуемая.
• Валидация и разметка данных. Прогнать сотни тысяч записей через LLM
  для оценки «спам/не спам», «лид/мусор» — по ценам западных флагманов больно,
  по ценам DeepSeek — приемлемо.
• Эталонные сравнения (A/B моделей). Из-за дешевизны DeepSeek часто ставят
  «вторым мнением» рядом с основной моделью — расхождения вердиктов
  подсвечивают спорные случаи. Ровно такой сценарий был у меня вчера.
• Self-hosted развёртывания. Компании с жёсткими требованиями к данным
  (медицина, финансы, госсектор дружественных юрисдикций) разворачивают
  открытые веса на своём железе — данные не покидают контур.
• Исследования и обучение. Открытые веса плюс подробные технические
  отчёты — готовый учебный материал; университеты и лаборатории строят на
  DeepSeek собственные эксперименты, не сжигая бюджеты на обучение с нуля.

Кто пользуется

• Разработчики через агрегаторы: на OpenRouter (маркетплейс LLM-API)
  модели DeepSeek стабильно в топах по объёму трафика — их выбирают за
  соотношение цена/качество.
• Китайские корпорации: интеграции анонсировали Tencent (в WeChat),
  автопроизводители (BYD и другие), телеком-операторы, производители
  смартфонов. Масштабы — сотни миллионов конечных пользователей.
• Облачные платформы: Microsoft Azure, Amazon Bedrock и Nvidia NIM добавили
  R1 в свои каталоги моделей уже через недели после релиза — редкий случай для
  китайской модели.
• Энтузиасты локального запуска: дистилляты R1 (7B, 14B, 32B, 70B) — из
  самых скачиваемых моделей на Hugging Face; счёт загрузок шёл на миллионы
  в первые месяцы.
• Точных публичных цифр по выручке и MAU у компании нет — она частная и
  непрозрачная; оценки аудитории приложения в начале 2025 колебались в районе
  десятков миллионов пользователей в месяц.

Альтернативы и конкуренты

• OpenAI (GPT/o-серия). Плюсы: самая широкая экосистема, мультимодальность,
  надёжный enterprise-API. Минусы: закрытые веса, цены на флагманы в разы выше.
• Anthropic Claude. Плюсы: сильнейшие модели для кода и длинных документов,
  аккуратность в следовании инструкциям. Минусы: закрытые веса, премиальный
  ценник.
• Qwen (Alibaba). Плюсы: огромная линейка открытых моделей всех размеров,
  сильная мультиязычность. Минусы: та же китайская юрисдикция у API; бренд
  менее «громкий» на Западе.
• Llama (Meta). Плюсы: зрелая экосистема инструментов для локального
  запуска, американская юрисдикция. Минусы: лицензия с ограничениями, флагманы
  последних поколений отставали от топов рынка.

Когда НЕ стоит использовать

• Персональные и чувствительные данные через официальные API/приложение —
  потому что серверы и юрисдикция — КНР, политика обработки данных
  непрозрачна, а регуляторы ряда стран (Италия, Южная Корея, Австралия — для
  госустройств) уже вводили запреты. Для таких данных — только self-hosted
  вариант или другая модель.
• Задачи, где ответ касается политически чувствительных для Китая тем —
  потому что модель обучена уходить от них или отвечать в русле официальной
  позиции; для аналитики, медиа и исследований это систематическое искажение.
• Критичный продакшен без запасного варианта — потому что API DeepSeek
  переживал длительные деградации под наплывом пользователей (январь–февраль
  2025 — хрестоматийный случай), а SLA-гарантии слабее, чем у гиперскейлеров.
  Нужен фолбэк на вторую модель.

Связанные понятия

• MoE (Mixture of Experts) — архитектура «много экспертов, работают
  избранные»; разбирали её отдельной статьёй 18 июня.
• Дистилляция (knowledge distillation) — перенос способностей большой
  модели в маленькую через обучение на её ответах.
• Инференс (inference) — этап работы обученной модели (в отличие от
  обучения); именно его стоимость DeepSeek радикально снизил.
• Open weights — публикация весов модели без обучающих данных и пайплайна;
  «открытая модель» ≠ «open source» в строгом смысле.
• RLHF / RL — обучение с подкреплением (по человеческим оценкам или
  проверяемым наградам); фундамент «рассуждающих» моделей.
• Контекстное окно — сколько токенов модель видит за раз; у DeepSeek
  типично 64–128 тысяч, меньше, чем у некоторых западных флагманов.

Литература и источники

• Технический отчёт «DeepSeek-V3 Technical Report» (2024, en) — на arXiv.org;
  главный первоисточник по архитектуре и стоимости обучения.
• Статья «DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via
  Reinforcement Learning» (2025, en) — тоже arXiv; про R1-Zero и GRPO.
• Wikipedia (en): статья «DeepSeek» — хроника компании и «DeepSeek moment»,
  https://en.wikipedia.org/wiki/DeepSeek
• Официальная документация API — api-docs.deepseek.com (актуальные цены и
  лимиты; цифры из статей быстро устаревают).
• Интервью Лян Вэньфэна изданию 36Kr в переводе (en) — искать в Google по
  запросу «Liang Wenfeng interview translation deepseek 36kr»; редкий взгляд
  на мотивацию основателя.
• Разбор экономики MoE-моделей — искать «why is deepseek so cheap MLA MoE
  explained»; хороших разборов много, выбирай свежие.

Где встретилось у меня

Вчера сверял эталонный прогон Claude Opus с историческими вердиктами DeepSeek
во внутреннем конвейере валидации лидов: два набора оценок по одним и тем же
данным, разбор всех расхождений и итоговый отчёт. Попутно всплыл поучительный
режим отказа — часть записей вообще осталась без вердикта из-за ошибки оплаты
на стороне API-агрегатора, и конвейер молча пропустил их как «чистые»
(fail-open) — отдельный урок про то, что дешёвый API тоже требует контроля
ошибок.

Краткое резюме

• DeepSeek — китайская лаборатория (Ханчжоу, с 2023, на деньги хедж-фонда
  High-Flyer), делающая модели уровня западных флагманов с открытыми весами.
• Главный прорыв — цена: MoE + MLA + FP8 снизили стоимость обучения и
  инференса на порядок; январь 2025 («DeepSeek moment») переоценил всю
  экономику отрасли и стоил Nvidia рекордных ~590 млрд долларов за день.
• R1 доказала, что способность рассуждать выращивается чистым обучением
  с подкреплением — научный вклад, а не только удешевление.
• Сильные стороны: цена, открытые веса (MIT), математика и код; слабые:
  юрисдикция данных, цензура, стабильность API.
• Практический паттерн: массовые формализуемые задачи — на дешёвой модели,
  спорные случаи и эталоны — на дорогой, и обязательно контроль ошибок API.