DeepSeek V3技术突破 - 公司通过"软硬一体"协同设计实现极致降本，仅使用2048块英伟达H800 GPU即完成模型训练 [2] - 采用"多头隐注意力机制"(MLA)压缩KV Cache显存占用，显著提升长文本和多轮对话处理能力 [2] - 优化混合专家模型(MoE)架构，通过动态激活相关专家提升运算效率并控制资源消耗 [3] - 引入FP8混合精度训练，在保持模型性能同时降低50%计算量和内存占用 [3] - 设计多平面网络拓扑结构优化GPU集群数据传输效率，减少训练瓶颈 [4] DeepSeek Prover V2进展 - 参数规模从7B跃升至671B，实现数量级突破 [5] - 聚焦数学等科学发现领域，展现AI解决高复杂度问题的潜力 [5] 行业竞争态势 - 头部厂商在参数规模、多模态和应用生态展开全方位竞争 [6] - 算力成本攀升和商业化路径模糊成为行业普遍挑战 [6] - 公司技术路线显示效率优化与垂直场景深耕将成为竞争关键变量 [6] 公司战略定位 - 通过工程优化实现非顶级硬件条件下的行业领先性能 [4] - 技术路径为中小玩家提供算力约束下的可行性方案 [4] - 系列动作预示将推出突破性R2模型并带来行业新思路 [7]