★ FEATURED ARTICLE 简介DeepSeek爆火详细报告以演示文稿格式完整呈现2024年5月至2025年2月期间DeepSeek从第二代模型开源、第三代模型突破到推理模型发布、应用登顶苹果商店的爆火时间线。内容从爆火原因、价格成本优势与技术创新点切入系统分析当前大模型面临的问题、中美科技领袖的不同评价并延伸到全球各人工智能公司的优劣势与发展预测涉及技术、商业与国际竞争多个维度适合作技术研究、产品策略或投资分析的入门参考。压缩包仅包含一个演示文稿文件包体约10.63MB内含清晰时间线、名人观点摘录与分析框架可直接用于内部汇报或专题学习。已有64人浏览学习对希望快速理解DeepSeek现象级爆发逻辑与产业影响的人而言具备较高的概览价值可作为进一步查阅原始资料与展开专题研究的基础。1. 从一份钉在群里的 PPT 说起DeepSeek 爆火报告到底该怎么写很多技术群最近都流传过一份名为《DeepSeek 爆火详细报告.pptx》的文档。如果只是把它当新闻回顾拿“榜单第几、开源当天下载多少”撑满二十页那这份报告的价值就大打折扣了。真正值得写进 PPT 的是“DeepSeek 为什么能爆火、它做对了哪些技术选择、这个方向能不能被团队复用”这一整条判断链。这篇笔记不聊新闻就聊怎么把这份报告做成一份能推动决策的技术文档读者是技术负责人和评估落地的工程师——他们想知道的不是热搜而是训练方法、成本结构、工程边界和踩坑点。2. 给报告搭骨架先把 DeepSeek 背后的四个技术支点讲透2.1 不要在封面页就谈“爆火”先给读者一个技术锚点我见过不少复盘报告的第一页就是“x 天登顶榜单”“全网刷屏”这种开头适合媒体不适合技术团队。做技术向报告第一页应该回答的是“这个模型为什么值得注意”而不是“它多火”。一个可用的开场是在封面页放三行字第一行写模型定位第二行写训练方法上的变化第三行写工程成本上的变化。比如“推理能力显著的对话模型”“训练方法从纯预训练转向强化学习驱动”“训练与推理成本压到主流方案数量级以下”。这三行就是整份报告的技术锚点后续所有页面都围绕它们展开。技术锚点的作用是给读者一个“认知坐标系”。很多人看完热搜只知道“它很厉害”但说不清厉害在哪个维度。是对话体验好是数学代码推理强还是部署成本低这三者的归因路径完全不同。如果报告开篇不把这个坐标系立起来后面的技术细节读者是接不住的。我习惯在写完封面页之后先列一张“读者会问的三个问题”清单分别是它强在哪、它为什么能强、我能不能复现。整份 PPT 的章节顺序就按这三个问题来排。2.2 推理能力不是刷榜刷出来的强化学习这条线要讲清报告里最容易被写砸的一段是把“推理能力强”归因于“模型大、数据多”。这个归因不能算错但漏掉了最关键的变化DeepSeek 的推理版本不是靠堆预训练堆出来的而是靠强化学习把“长思维链”训出来的。传统对话模型的训练目标是被预测下一个 token模型在数学、代码这类需要多步推导的任务上很容易“想得太短”一步得出答案错了就错了。强化学习阶段的目标是让模型学会生成一长串中间步骤——先理解问题再尝试多条路径最后收敛到答案。这条能力是训练目标换出来的不是网络结构突然变强了。这里要介绍一个在报告里压轴的训练方法名GRPOGroup Relative Policy Optimization组相对策略优化。它是 PPO 的一个变体。PPO 需要单独训练一个价值模型来估计每个 token 的收益这个价值模型本身就很吃显存GRPO 的思路是不要价值模型让模型针对同一个问题并行生成多个回答用这组回答的相对优劣当作奖励信号。这样做的好处有两个一是省掉一个大型价值模型的训练成本二是训练稳定性更好——奖励不再是绝对值而是组内相对值天然抵抗了奖励尺度波动。报告写到这里建议配一张“PPO 与 GRPO 流程对比”的示意图没有图的时候用三行文字也能说清PPO 靠额外模型打分GRPO 靠组内互相比较打分。写这一页时注意不要陷入“强化学习比预训练高级”的误区。DeepSeek 的做法是两段式先做大规模预训练把语言能力和世界知识建起来然后再用强化学习把推理能力激发出来。这两段不是替代关系而是接力关系。报告里把这两段的定位写清楚读者才不容易被“纯强化学习训出新模型”这类标题误导。2.3 把成本降下来的三个工程杠杆FP8、MoE 与 MLA爆火叙事的核心之一就是“训练成本比预期低一个数量级”。但是报告不能只写结论不写原因否则读者会下意识觉得“那它一定砍了数据质量”。这三个工程杠杆要单列一页讲明白。第一个是 FP8 混合精度训练。主流模型训练一般用 FP16 或 BF16DeepSeek 的训练框架把部分算子降到 FP8。FP8 的数据位宽是 FP16 的一半显存占用和通信量都随之下调训练速度也变快。代价是数值精度损失需要对哪些层用 FP8、哪些层保留更高精度做精细调度。报告里写这个点重点不是“用了 FP8”而是“这不是无脑降精度是混合精度调度”。第二个是 MoE混合专家架构。MoE 并非新东西但它在 DeepSeek 里被用得更极致模型整体参数规模很大但每个 token 只激活其中一小部分专家网络。这就造成一个很有意思的现象模型体积看起来是商业级大模型单次推理的算力开销却远低于同等参数量的稠密模型。报告里可以给一个类比一个公司挂着几千人的名单但每件事只叫几个人来干。第三个是 MLAMulti-head Latent Attention多头潜在注意力。它做的事情是压缩 KV cache。推理模型的长思维链意味着生成长度显著增加KV cache 会随序列长度线性增长如果不对它做压缩一次推理的显存开销会非常吓人。MLA 把 KV 压缩到一个低维潜在空间长上下文场景下显存增长变平缓。这个技术直接关系到部署成本DeepSeek 敢把上下文窗口做得很大MLA 是背后的关键理由。报告里建议用三行列表收束这一页FP8 降训练成本MoE 降推理算力MLA 降长上下文显存。每个点都对应一个“成本变低”的具体来源读者才不会觉得“低成本”是一句空话。2.4 开源与蒸馏影响力放大器也是争议集中地技术再好不开源也很难形成“爆火”这个结果。报告里要把开源单独作为一章来讲因为它是整个传播链条的放大器权重开放意味着全球的研究者可以本地部署、微调和评测媒体和开发者都能亲身体验传播就不只是厂商单方面的宣传。这里建议写一段“为什么开源比技术报告更有说服力”再详细的论文都可能被怀疑“只挑了好看的结果公布”但权重开放之后任何人可以拿自己的测试集去验证信任成本瞬间降下来。蒸馏是另一个必须讲透的点。很多二线团队没有算力去跑千亿级模型但他们可以把 DeepSeek 的推理能力“蒸馏”到自己的中等规模模型里。做法是让大模型生成高质量的推理轨迹数据再用这些数据去微调小模型。报告里如果写蒸馏要强调两件事第一蒸馏不是复制参数是复制行为——小模型的参数是自己用数据训出来的大模型在这里扮演的是“导师”而不是“源文件”第二蒸馏有成本生成推理轨迹需要调用大模型做大量采样数据清洗和评测对齐也要人力。这两个补充信息可以避免读者把蒸馏误读成“今天开源、明天就能白嫖一个缩小版”。3. 动手做报告口径、对照表与页面拆解3.1 先定报告口径读者决定结论放前面还是证据放前面动手做 PPT 之前先想清楚这份报告是写给谁看的。写给决策层看结论必须前置前三页就要出现“它为什么值得关注、我们要不要跟进、跟进的话投入在哪个环节”写给工程师看证据链要完整技术细节不能省结论反而可以放到最后。大多数“详细报告”其实是给中间层看的——既要说给领导听也要能回答技术同事的追问。这种报告建议采用“总-分-总”结构第一页给结论摘要中间十页展开技术细节最后一页再回到复盘和行动建议。页面比例上我通常按 3:6:3 分配。前 30% 讲现象和结论中间 60% 讲原理和证据最后 10% 讲风险与展望。技术报告最怕的就是前 30% 全是新闻截图中间 60% 全是宣传性描述最后 10% 突然开始讲“未来已来”。写每一页之前先在纸上写一句话回答“这一页想让读者记住什么”想不出来就说明这一页不该出现在报告里。3.2 用一张“技术事实与来源对照表”锁死细节报告写到最后最尴尬的情况是技术细节前后矛盾第一页说训练成本大幅下降第五页又说算力需求很大。为了避免这个问题我一般先做一张“事实与口径对照表”把整份报告里会提到的关键论断集中管理。这张表不进 PPT 正文放在附录里当校对基准。事实主题常见错误说法建议口径检查方式训练成本“训练只花了很少的钱”“训练成本相较主流模型低一个数量级”找两篇以上独立测算来源统一成本单位推理能力“模型结构有重大创新”“训练目标改为强化学习驱动结构沿用 MoE 路线”读论文原图确认 GRPO 描述与原文一致开源范围“全部技术细节都开源了”“权重开放训练细节以论文为准”查看仓库文件清单区分权重与训练代码蒸馏效果“小模型能达到同水平”“小模型在特定任务上接近通用能力仍有差距”对比多个评测集不只看单一榜单这张表的价值在于把“事实”和“判断”分开。事实是可以验证的判断是带有立场的。报告里最容易埋雷的地方就是把判断写成事实例如“这是最好的模型”“未来会取代一切”。写对照表的过程也是逼自己把所有论断检查一遍的过程。每条论断后面都要能接一句“你是怎么知道的”答不出来就删掉或降级为“推测”。3.3 按页面拆任务12 页报告的工作量与每页一句话结论报告 PPT 最好控制在 10 到 15 页少于 10 页讲不透技术超过 15 页读者注意力会断。这里以 12 页版本为例演示页面拆解方法和每一页的“一句结论”。页码页面内容一句话结论1封面与技术锚点这是一个推理能力强、成本结构不同的开源模型2爆火现象的三个数据切面传播热度来自可用性不是来自营销3模型家族关系图推理模型与主力对话模型是不同的训练路线4强化学习训练目标长思维链是训出来的不是结构堆出来的5GRPO 与 PPO 对比去掉价值模型之后训练更省也更稳6FP8 混合精度低精度训练是有选择的不是一刀切7MoE 架构大参数与小算力并存的关键8MLA 与 KV cache 压缩长上下文部署成本靠它压下来9开源策略分析权重开放让技术报告接受公众验证10蒸馏技术解读蒸馏是行为迁移不是参数复制11风险与局限强项集中通用场景仍需验证12团队行动建议优先复用的技术是蒸馏与 GRPO 思路提示页数不是硬指标建议先写每页的一句话结论再写正文。一句话结论写不出来说明这页的定位还没想清楚。每一页的工作量差别很大。第 4、5 页需要读论文原文第 6、7、8 页需要画架构示意图第 11 页需要收集负面评测案例。按照这个拆法整份报告一个人做大概需要三个工作日其中一半时间花在技术事实确认上而不是 PPT 美化上。如果团队里有人专门负责视觉设计时间可以压缩到两天但事实核对环节不要省。3.4 做图表的三个参数习惯同口径对比、标注来源、分开传播数据与技术数据图表是技术报告的脸面但做图翻车的情况也比比皆是。第一个习惯是统一口径。对比训练成本时要注明是预训练成本还是包括实验在内的全周期成本对比推理速度时要注明上下文长度和 batch size对比榜单分数时要注明是同一个评测集的同一次采样还是多次采样的中位数。口径不一致的图表数字越大越误导人。第二个习惯是每个数字都要带来源角标。不要在图表下方写“数据来源网络整理”要具体到“xxx 平台 2025 年 1 月 发布的评测榜单采样参数详见附录”。这个习惯不仅是学术严谨的问题更是给自己留后路——三个月后有人回来问“这个数字还能查到吗”有角标就能快速定位。第三个习惯是把传播数据和技术数据分页放。下载量、讨论帖数量、热搜上榜次数这些是传播数据能说明“火”但不能说明“为什么值得跟”。技术数据是参数、成本、评测结果能说明“强”但不能说明“传播为什么快”。两者都在报告里出现但不要做进同一张图。最典型的翻车做法是把“下载量曲线”和“评测分数曲线”叠在同一张图里试图证明“因为强所以火”这在逻辑上是跳跃的。4. 避坑写 DeepSeek 复盘报告最容易翻车的 5 个地方4.1 把“爆火”写成营销事件技术归因成了背景板现象报告花了十页讲“几天内登顶”“全网讨论量飙升”技术原理解释只压在两页里还都是套话。原因写报告的人被“爆火”两个字带偏了把热搜节奏当成了主线忘了读者是来学技术的。解决调整章节篇幅比例。传播现象只放一页作为引子技术归因至少占三分之二。传播放前面是钩子但钩子咬住之后要立刻把人带到技术主线上来。这一页结束后下一页必须回到模型原理中间不要穿插媒体截图。我一般会在这一页底部放一行字“本文重点不是它多火而是它凭什么火。”4.2 把推理模型和主力对话模型混成一个故事现象报告一会儿说“推理能力超强”一会儿说“通用对话体验好”读者看完不知道这个模型到底擅长什么。原因模型家族里有不同定位的版本推理版本和通用对话版本不是同一个训练路线写报告时没有区分。解决加一页“模型家族关系图”。先用一个树状图把预训练基础模型、对话模型、推理模型的关系画清楚再说明报告中讨论的是哪一条线。如果是讨论推理能力就锁死在推理模型这条线上如果要提对话体验必须注明“这是另一条模型线的表现不是同一个模型”。这个区分不做好后面所有技术分析都是混乱的。4.3 拿“低成本”当唯一亮点却不解释成本低在哪里现象报告里反复强调“训练成本大幅低于预期”但读者问“为什么低”时报告里没有答案。原因“成本低”是一个结果不是技术点。写报告的人把它当结论用了但没有拆解原因。解决把“低成本”拆成三条可追溯的工程路径。FP8 混合精度对应显存和算力MoE 对应单次推理的激活参数量MLA 对应长上下文场景的 KV cache 占用。每一条路径都写清楚“省了什么、代价是什么”。没有代价的说法是不可信的——FP8 需要做精度控制MoE 需要调度设计MLA 需要额外的压缩和解压开销。报告里把这些代价写出来反而更容易让读者相信成本数据是真实的。4.4 蒸馏的收益被说成“白嫖”忽略授权与工程代价现象读到蒸馏部分时读者产生“既然大模型开源了直接蒸馏一个小模型不就行了”的印象后续的部署方案也顺着这个思路走。原因报告把蒸馏描述成了“拿开源模型跑点数据再训一个小模型”没有讲清楚前置条件和成本。解决单独用一页写“蒸馏不是复制”第一步需要大模型在目标任务上做大量采样生成带推理过程的高质量轨迹数据这个采样成本可能比预训练还贵第二步小模型的网络结构要与推理轨迹的长度匹配否则小模型根本“装不下”长思维链第三步蒸馏后的模型还需要重新对齐和评测评估周期通常以周计。把这三步列出来读者就会明白蒸馏是“用算力换性能”的路线不是“零成本套利”。4.5 图表堆数字但没有对照系读者看到“第一”却看不出差距现象PPT 里放了大量截图和数字每一项都标着“第一”但读者不知道这个“第一”比第二名好多少也不知道评测条件是什么。原因做图的人只搬运了结论没有搬运评测配置和对照数据。解决每一个结果图标配“对照模型、评测集、采样参数”三行小字。如果拿不到对照模型的官方数据就用“等参数量的开源模型评测数据”做参照。没有对照系的数据只写“得分 x”是没有意义的——读者需要知道这个分数放在哪个模型梯队里、差距是拉开了一个身位还是只差零点几个点。差距 0.1 和差距 2.0 是完全不同的两种结论报告里必须体现出来。注意同口径意味着同样的上下文长度、同样的采样配置、同样的评估集。任何一项不一致数字都不可直接让读者做横向比较。5. 让报告经得起追问三个验证习惯与收尾技巧报告写完之后不要急着发布。我的习惯是先把报告里出现的所有关键数字挑出来逐个检查“这个数字我能不能找到第二个来源”。训练成本找两篇独立测算报告来对照评测分数找两个不同榜单来交叉验证。如果某个关键数字只能找到一个来源我会在报告里标注“单一来源建议复测”而不是把它当成板上钉钉的事实。这个习惯救过我很多次——曾经有一份报告里引用了某模型的参数量后来发现是媒体估算值不是官方公布值如果没做交叉验证整章的成本分析都要推翻重写。第二个习惯是动手验证。报告里如果重点讲了蒸馏路线就不要只在 PPT 里画流程图。我会在本地拿一个中等规模的开源模型做一次最小化的蒸馏实验用大模型生成几百条推理轨迹微调小模型观察推理能力变化。实验做下来不一定能得到和报告一致的结论但对“蒸馏的收益和成本”会有非常具体的体感写出来的描述就不一样。这个实验的成本很低但报告的说服力会高一个档次。第三个习惯是收尾页放“可被证伪的预测”而不是“未来已来”。不要写“这个方向将颠覆行业”要写“未来三个月内如果出现 A 现象则说明 B 判断成立如果出现 C 现象则说明 B 判断不成立”。比如可以写“如果同类结构的开源推理模型在两个月内密集出现说明训练方法已被快速复现团队应优先储备强化学习与蒸馏方向的经验。”预测不怕错怕的是不可检验。写在 PPT 最后一页的这条预测是给三个月后的复盘留的路标。这份报告真正难的不是找资料而是克制——克制住把“爆火”写成新闻稿的冲动克制住用“第一”堆砌说服力的冲动克制住把复杂工程简化成单一原因的冲动。每次写完最后一页我都会回头把封面页的技术锚点再读一遍看看后面的内容有没有跑偏。希望这份拆解对你有帮助按这套方法做出来的报告经得起同事追问也经得起三个月后的回看。本文还有配套的精品资源点击获取
阅读完成 · 觉得有帮助？
