szemlebeta AI hírek. tömören.

AI-modell · Modellek

DeepSeek-V3

A kínai DeepSeek cég nagy méretű, Mixture-of-Experts architektúrájú nyelvi modellje, amelyet nyílt súlyokkal tettek elérhetővé.

Más néven: DeepSeek V3, DeepSeek-V3 MoE

A DeepSeek-V3 a kínai DeepSeek AI vállalat által fejlesztett nagyméretű nyelvi modell, amely a Mixture-of-Experts (MoE) architektúrát alkalmazza a hatékonyabb számítási erőforrás-felhasználás érdekében. A modell úgy épül fel, hogy egyetlen bemenet feldolgozásakor csak a paraméterek egy részhalmazát aktiválja, így a teljes paraméterszámhoz képest lényegesen kisebb számítási kapacitást igényel a működéshez, mégis versenyképes teljesítményt nyújt nyelvi megértési, kódolási és matematikai feladatokban.

A DeepSeek-V3 jelentőségét elsősorban az adja, hogy fejlesztői nyílt súlyokkal (open-weight) tették közzé, lehetővé téve kutatók és fejlesztők számára a modell letöltését, finomhangolását és saját infrastruktúrán történő futtatását. Ez megkülönbözteti a zárt, kizárólag API-n keresztül elérhető rendszerektől, és hozzájárult ahhoz, hogy a nyílt modellek teljesítménybeli lemaradása a vezető zárt rendszerekhez képest jelentősen csökkenjen.

A modell megjelenése szélesebb kontextusban is fontos állomás volt: rávilágított arra, hogy a csúcsteljesítményű nyelvi modellek fejlesztése nem kizárólag a legnagyobb amerikai technológiai vállalatok privilégiuma, és hogy a hatékony architektúrák (mint az MoE) segítségével jelentős erőforrás-megtakarítás mellett is lehet versenyképes eredményeket elérni. Ez hatással volt az iparági diskurzusra a modellfejlesztés költséghatékonyságáról és a nyílt forráskódú AI-ökoszisztéma szerepéről.

Kapcsolódó szereplők és fogalmak

  • DeepSeek
  • Mixture-of-Experts
  • nyílt súlyú modell
  • LLM
  • DeepSeek-R1

DeepSeek-V3 a hírekben

  1. Eszközök 2026. július 22., szerda

    Az NVIDIA GB300 NVL72 világrekordot állított a DeepSeek-V3 671B MoE-modell előtanításában

    Az NVIDIA saját technikai blogján jelentette be, hogy a GB300 NVL72 rendszer GPU-nként 1 648 TFLOPS teljesítménnyel világrekordot ért el a DeepSeek-V3 671B paraméteres Mixture of Experts (MoE) modell előtanításában. A vállalat szerint a teljesítmény kulcsa a teljes rack-szintű együttervezés: az ötödik generációs NVLink GPU-nként 1,8 TB/s sávszélességet és összesen 130 TB/s nem blokkoló all-to-all kommunikációt biztosít. Az NVIDIA állítása alapján szoftveres optimalizálásokkal – a Megatron Core, a TorchTitan és a JAX keretrendszerek révén – 3–10-szeres teljesítménynövekedést értek el az előző generációhoz képest, miközben a GPU-nkénti áteresztőképesség 256-ról 1 024 GPU-ra skálázva is 97% felett maradt. A MoE-architektúrák hatékonyságának lényege, hogy a tokenek csak a paraméterek kis részhalmazát aktiválják, ami viszont fokozott kommunikációs igényt támaszt a GPU-k között.

  2. Kutatás 2026. július 11., szombat

    LLM-ügynökök piaci stabilitását vizsgáló szimulációban a mediáció bizonyult a legellenállóbb mechanizmusnak

    Egy még nem lektorált kutatás 18 DeepSeek-V3 alapú, önérdekű LLM-ügynökből álló piaci szimulációban vizsgálta, milyen formális mechanizmusok képesek fenntartani a piaci stabilitást ismételt társadalmi dilemmákban. Nyolc különböző mechanizmust hasonlítottak össze 200 körös kísérletekben, fokozatosan növelve a troll.

  3. Kutatás 2026. július 11., szombat

    NVIDIA: JAX host offloading akár 57%-kal javítja a nagy nyelvi modellek tanítási átvitelét Blackwell GPU-kon

    Az NVIDIA technikai blogja szerint a JAX keretrendszerben alkalmazott host offloading technika jelentősen csökkenti a GPU HBM-szűk keresztmetszetét LLM-tanítás során: a forward pass közben kiválasztott aktivációkat hoszt memóriába mozgatja, majd a backward passnál visszatölti. Az NVIDIA GB200 NVL72 rendszeren végzett MaxText kísérletekben a DeepSeek-V3 671B és Llama 3.1 405B modellekkel az aktiváció-újraszámításhoz képest akár 57%-os átviteli javulást mértek, különösen ritka MoE modellek esetén. A megoldás a Grace Blackwell NVLink-C2C 900 GB/s kétirányú sávszélességére épít, és az optimális eredményhez XLA ütemezési beállítások és Nsight Systems profilozás szükséges.

  4. Kutatás 2026. június 29., hétfő

    A Sina háromparaméteres VibeThinker-3B modellje a százszor nagyobb modellek szintjén teljesít matekban és kódolásban

    A kínai Sina (Weibo anyavállalata) kiadta VibeThinker-3B modelljét, amely mindössze 3 milliárd paraméterrel egyes matematikai és kódolási benchmarkokon – a cég technikai jelentése szerint – a 200-333-szor nagyobb modellekkel, például a DeepSeek V3.2-vel és a Kimi K2.5-tel vetekszik. A modell az Alibaba Qwen2.5-Coder-3B alapmodelljére épül, a teljesítményt többlépcsős utóképzéssel érik el. A LeetCode-versenyeken (2026 április–május) 128-ból 123 feladatot elsőre megoldott, megelőzve a GPT-5.2-t és a Claude Opus 4.6-ot – állítja a Sina. Ugyanakkor a széles tárgyi tudást igénylő GPQA-Diamond benchmarkon a modell jelentősen elmarad nagyobb riválisaitól. A kutatók következtetése szerint a strukturált logikai gondolkodás jól tömöríthető kis modellekbe, de a faktikus világtudás továbbra is nagy paraméterszámot igényel.

← Vissza az AI-szereplőkhöz