Què és DeepSeek AI? [Vídeo i qüestionari]

Resposta curta: DeepSeek AI és una família de models de llenguatge amplis, juntament amb productes de xat i API, dissenyats per a tasques d'escriptura, codificació i raonament més profund. És important quan necessiteu assistència general fiable o una resolució de problemes acurada i pas a pas, sobretot si la compatibilitat d'API a l'estil OpenAI i la transparència dels preus dels tokens són prioritats.

Conclusions clau:

Elecció del model: utilitzeu el xat per a tasques generals i quotidianes; utilitzeu un model de raonador per a la lògica de diversos passos i la resolució estructurada de problemes.

Control de costos: Superviseu l'ús de tokens amb antelació perquè la facturació sigui predictible i les sorpreses siguin rares.

Garanties de precisió: quan els fets importen, confieu en la recuperació o en els documents d'origen en lloc de la memòria del model.

Preparació per a la integració: les API compatibles amb OpenAI poden reduir la refactorització i accelerar la implementació.

Consciència de riscos: Tracteu els resultats com a esborranys i reviseu-los per detectar errors o exposició accidental de dades sensibles.

Articles que potser t'agradaria llegir després d'aquest:

🔗 Què és l'ètica de la IA?
Principis que guien decisions responsables, justes i transparents en matèria d'IA.

🔗 Què és el biaix de la IA?
Com les dades esbiaixades i les opcions de disseny creen resultats injustos.

🔗 Què és l'escalabilitat de la IA?
Maneres de fer créixer els sistemes d'IA de manera eficient sense perdre rendiment.

🔗 Què és la IA explicable?
Mètodes que fan que el raonament de models sigui comprensible per a les persones i els equips.

Què és DeepSeek AI? La definició senzilla 🧩

Què és DeepSeek AI? És un laboratori d'IA i un ecosistema de productes conegut sobretot pels seus models de llenguatge DeepSeek (en particular, la línia "DeepSeek-V3" i la línia centrada en el raonament "DeepSeek-R1"), a més d'una experiència de xat i una API que els desenvolupadors poden integrar a les aplicacions. ( DeepSeek , deepseek-ai/DeepSeek-V3 (GitHub) , DeepSeek-R1 a Hugging Face )

Si heu utilitzat eines de xat d'IA modernes, la seva forma us resultarà familiar: si ho sol·liciteu amb text, genera text de resposta. Les diferències es mostren més en els models subjacents i en com estan empaquetats:

• Experiència amb el model de xat (conversa general, escriptura, ajuda amb la codificació) (Documentació de l'API de DeepSeek: la teva primera trucada a l'API)

• Opció de model centrat en el raonament (resolució de problemes més pas a pas per a matemàtiques, lògica i codi complicat) (Documentació de l'API de DeepSeek - Model de raonament (deepseek-reasoner))

• Accés a l'API per a desenvolupadors (i està dissenyat per ser compatible amb els formats d'API d'estil OpenAI, cosa que és convenient a la pràctica) (Documentació de l'API de DeepSeek: la teva primera crida a l'API)

• Llançaments amb pesos oberts que es poden utilitzar en altres entorns (comuns a l'ecosistema al voltant de Hugging Face i GitHub) (deepseek-ai/DeepSeek-V3 (GitHub), DeepSeek-R1 a Hugging Face)

Una metàfora lleugerament imperfecta (però útil): DeepSeek s'assembla menys a "una aplicació" i més a una cuina on els mateixos ingredients s'utilitzen en diferents plats: xat, API, models destil·lats, agents... ja us en feu una idea 🍳🤷♂️

Per què importa la IA de DeepSeek (més enllà del soroll) 💡

Hi ha algunes raons per les quals la gent presta atenció:

1. Opcions d'arquitectura de models que busquen l'eficiència.
   DeepSeek-V3 es descriu com un model de barreja d'experts (MoE) amb un nombre total de paràmetres molt gran, però menys paràmetres "activats" per token, cosa que pot ajudar amb el rendiment i l'eficiència de costos. (Informe tècnic de DeepSeek-V3 (arXiv))

2. Una clara divisió entre "xat" i "raonament".
   A la documentació de l'API de DeepSeek, veureu opcions de model com ara deepseek-chat i deepseek-reasoner, que impliquen diferents objectius d'optimització. (Documentació de l'API de DeepSeek - Models i preus)

3. Facilitat per a desenvolupadors
   La compatibilitat de l'API amb formats d'estil OpenAI redueix la fricció de canvi. Això sona avorrit fins que ets la persona que ha de refactoritzar tota una integració a les 2 de la matinada 🔧 (Documentació de l'API de DeepSeek: la teva primera trucada a l'API)

4. Patrons de distribució de models oberts
   L'ecosistema de models DeepSeek inclou llançaments i variants de "destil·lació" que la gent pot utilitzar per a l'experimentació, la recerca i els prototips de productes. (DeepSeek-R1 a Hugging Face)

Què fa que una bona versió d'un flux de treball d'IA de DeepSeek sigui bona? ✅

Aquesta és la part que la majoria de la gent es salta i després es pregunta per què els resultats semblen "regulars". Una bona versió de l'ús de DeepSeek AI es basa menys en indicacions místiques i més en decisions de configuració.

Això és el que sol importar més:

• Trieu el model adequat per a la feina.
  Utilitzeu un model optimitzat per a xat per escriure, resumir i ajudar amb la codificació en general. Utilitzeu el model de raonament quan necessiteu una resolució de problemes de diversos passos més profunda. (Documentació de l'API de DeepSeek - Models i preus, Documentació de l'API de DeepSeek - Model de raonament (deepseek-reasoner))

• Dóna-li estructura, no només instint.
  En comptes de "Ajuda'm amb el màrqueting", prova:

  • objectiu

  • restriccions (to, durada, públic)

  • exemples de com és "bo"

  • què cal evitar
    És sorprenentment eficaç. Com donar-li un mapa a algú en comptes de cridar indicacions des d'un cotxe en moviment 🚗💨

• Fes servir la recuperació de dades.
  Si la correcció importa (polítiques, xifres, especificacions), no confiïs en la memòria de cap LLM. Inclou els teus documents o fonts. Si no, obtindràs ximpleries segures... i a ningú li agrada. 😬

• Afegiu un bucle d'avaluació lleuger
  Fins i tot una simple llista de comprovació (precisió, to, format, restriccions de polítiques) captura molts elements.

Taula comparativa: DeepSeek AI vs altres opcions populars d'IA 📊

A continuació es mostra una taula comparativa pràctica. Els preus es "agrupen" intencionadament perquè molts proveïdors canvien de plans, regions i nivells amb freqüència, i les xifres exactes poden quedar obsoletes ràpidament. (A més, ningú vol una taula incorrecta en el moment en què es publica.) Els preus dels tokens de l'API de DeepSeek es publiquen a la seva documentació. (Documentació de l'API de DeepSeek - Detalls de preus (USD))

Sí, la taula és una mica desigual. Això és expressament: les comparacions pràctiques sempre ho són 😄

Una mirada més detallada: com es construeixen els models de DeepSeek (en termes humans) 🧠

DeepSeek-V3 es descriu com un de barreja d'experts (MoE) , és a dir, està estructurat de manera que no tots els paràmetres s'utilitzen per a cada token. En canvi, el sistema encamina els tokens a través de certs "experts" durant la inferència. La descripció pública assenyala un nombre total de paràmetres molt gran amb un subconjunt activat més petit per token, que és una de les maneres en què els sistemes MoE aconsegueixen l'eficiència. (Informe tècnic de DeepSeek-V3 (arXiv))

La mateixa descripció també esmenta opcions arquitectòniques com ara Multi-head Latent Attention (MLA) i "DeepSeekMoE", a més d'objectius d'entrenament dirigits al rendiment. (Informe tècnic de DeepSeek-V3 (arXiv))

Si no us importen els noms (és just), aquí teniu la traducció:

• Intenten obtenir una alta capacitat sense pagar el cost de computació complet cada vegada.

• Estan ajustant la recepta i l'arquitectura de l'entrenament perquè el model sigui prou ràpid per servir i prou fort per competir.

• Estan dividint les experiències en "xat" i "raonament" perquè puguis triar el perfil de comportament que vulguis. (Documentació de l'API de DeepSeek - Models i preus)

Xat de DeepSeek vs API de DeepSeek: quina és la diferència? 🔧

Això fa ensopegar la gent perquè "DeepSeek" s'utilitza com a terme general.

Xat de DeepSeek (web/aplicació)

• Ideal per a: ús casual, ajuda ràpida amb la codificació, escriptura, pluja d'idees

• Interactues directament, no cal integració

• Ideal per provar la personalitat i l'habilitat bàsica del model (DeepSeek, DeepSeek Chat)

API de DeepSeek

• Ideal per a: productes de construcció, automatitzacions, eines internes

• La documentació indica explícitament la compatibilitat amb els formats d'API d'estil OpenAI, cosa que pot reduir l'esforç d'integració. (Documentació de l'API de DeepSeek: la vostra primera crida a l'API)

• Les pàgines de preus desglossen els costos dels tokens i distingeixen el comportament de la memòria cau per als preus d'entrada. (Documentació de l'API de DeepSeek - Detalls de preus (USD))

Un petit inconvenient: la documentació també esmenta que les versions del model d'API poden ser diferents de les versions d'aplicacions/web. Això és normal en tot el sector, però val la pena recordar-ho quan es comparen els resultats. (Documentació de l'API de DeepSeek: la vostra primera crida a l'API, Documentació de l'API de DeepSeek: models i preus)

En què és realment bo DeepSeek AI (i quan et sorprèn) ✨

La gent sol recórrer a DeepSeek en alguns casos comuns:

• Assistència en la codificació: generació de funcions, refactorització, suggeriments de depuració, escriptura de proves

• Tasques de raonament: passos matemàtics, trencaclosques lògics, planificació multi-restriccions (millor amb el model de raonador) (Documentació de l'API de DeepSeek - Model de raonament (deepseek-reasoner))

• Transformació de documents: reescriptura, resum, extracció d'informació estructurada

• Fluxos de treball d'estil agent: quan necessiteu un model que pugui planificar, cridar eines i mantenir un fil de treball més llarg (sovint ajudat per límits de context més grans) (Documentació de l'API de DeepSeek: la vostra primera crida a l'API)

També, una nota pràctica: els models d'estil MoE poden semblar "àgils" en alguns desplegaments. No sempre, però prou sovint com perquè la gent ho noti. No és màgia, només és arquitectura i opcions de servei... però tot i així és agradable 😌

Limitacions i riscos que hauries de tenir en compte ⚠️

Tot màster en dret té avantatges. DeepSeek no n'és una excepció.

• Al·lucinacions
  Pot inventar detalls plausibles però erronis, sobretot quan demanes dades específiques sense proporcionar referències.

• Sensibilitat de les dades
  Si enganxeu dades privades a qualsevol eina de xat allotjada, heu de tractar-ho com una decisió de compliment normatiu, no com una decisió de conveniència. (Sí, fins i tot si "només esteu fent proves").

• Discrepància de models
  L'ús de deepseek-chat per a una tasca de raonament difícil pot semblar com intentar tallar un filet amb una cullera. Hi arribaràs... finalment... però t'enfadaràs. Fes servir el model de raonament quan el problema sigui realment de diversos passos. (Documentació de l'API de DeepSeek - Models i preus, Documentació de l'API de DeepSeek - Model de raonament (deepseek-reasoner))

• Soroll de l'ecosistema
  El panorama més ampli de models al voltant de DeepSeek inclou models oficials i variants "destil·lades". Els models destil·lats poden ser excel·lents per executar sistemes més petits, però heu de saber què esteu implementant i per què. (DeepSeek-R1 a Hugging Face)

També hi ha hagut controvèrsia pública en la indústria en general al voltant de la destil·lació de models i les pràctiques d'entrenament competitives. No entraré en un drama aquí, però forma part del context que la gent esmenta. (Anthropic - Detecció i prevenció d'atacs de destil·lació, The Verge)

Com començar amb DeepSeek AI sense pensar-hi massa 🚀

Si ets un usuari no tècnic:

1. Prova la interfície de xat per a les teves tasques habituals (escriptura, pluja d'idees, codificació lleugera). (DeepSeek, Xat de DeepSeek)

2. Quan topis amb una paret, canvia l'estil de la teva indicació:

   • Rol de "Ets..."

   • "Restriccions..."

   • "Format de sortida..."

3. Si és matemàtic o lògic, prova el mode de raonament si està disponible. (Documentació de l'API de DeepSeek - Model de raonament (deepseek-reasoner))

Si ets desenvolupador:

1. Decideix si necessites xat o raonador. (Documentació de l'API de DeepSeek - Models i preus)

2. Feu servir l'enfocament de la documentació de l'API i connecteu-la a un client compatible amb OpenAI si ja està a la vostra pila. (Documentació de l'API de DeepSeek: la vostra primera crida a l'API)

3. Feu un seguiment de l'ús dels tokens amb antelació. Els costos dels tokens són on el "prototip genial" es converteix en "per què aquesta factura és picant?" 🌶️ (Documentació de l'API de DeepSeek - Detalls de preus (USD))

4. Afegir baranes de protecció:

   • límits de tarifa

   • defenses d'injecció ràpida

   • registre i redacció

Preguntes freqüents: Què és DeepSeek AI? Respostes ràpides 🙋♀️

Què és DeepSeek AI?
Un conjunt de models i productes de llenguatge d'IA (xat + API) associats amb el laboratori DeepSeek, que inclou opcions de models orientats al xat i al raonament. (DeepSeek, Documentació de l'API de DeepSeek - Models i preus)

DeepSeek és de "codi obert"?
Alguns models de DeepSeek es publiquen com a pesos oberts en centres i repositoris de models públics, cosa que permet l'experimentació local i les implementacions de tercers. "Codi obert" pot significar coses diferents (pesos vs. codi i dades d'entrenament complets), per la qual cosa val la pena ser precís. (deepseek-ai/DeepSeek-V3 (GitHub), DeepSeek-R1 a Hugging Face)

Quin és el problema amb la longitud del context?
La documentació de l'API descriu límits de context elevats per a certes versions, cosa que pot ser important per a documents llargs i fluxos de treball d'agents. (Documentació de l'API de DeepSeek: la vostra primera crida a l'API, Documentació de l'API de DeepSeek: models i preus)

DeepSeek té una API?
Sí, i la documentació descriu un format compatible amb OpenAI per a la integració. (Documentació de l'API de DeepSeek: la teva primera crida a l'API)

Conclusió 🧠✅

Si heu preguntat què és DeepSeek AI?,aquí teniu el resum net:

• La IA de DeepSeek s'entén millor com un ecosistema de família de models + productes: xat, API i llançaments de models desplegables. (DeepSeek, DeepSeek Chat)

• Els models d'estil DeepSeek-V3 s'inspiren en conceptes d'eficiència com ara MoE i opcions d'arquitectura relacionades. (Informe tècnic de DeepSeek-V3 (arXiv))

• L'API presenta opcions de model clares (xat vs. raonador) i publica detalls de preus de tokens. (Documentació de l'API de DeepSeek - Models i preus, Documentació de l'API de DeepSeek - Detalls de preus (USD))

• Pot ser una bona opció si us importa la flexibilitat del desenvolupador, la transparència dels costosi tenir disponible una opció optimitzada per al raonament . (Documentació de l'API de DeepSeek: la vostra primera crida a l'API, Documentació de l'API de DeepSeek: model de raonament (deepseek-reasoner))

I sí... el panorama de la IA és sorollós. Però DeepSeek no és només soroll. És un dels ecosistemes més "reals" amb què pots construir, sobretot si t'agraden les opcions i no t'importa embrutar-te una mica les mans. 

Exemple del món real: Creació d'un assistent de triatge de suport d'IA DeepSeek 🎧

Escenari

Imagineu una petita empresa SaaS que rep entre 80 i 120 tiquets d'atenció al client a la setmana. L'equip no intenta substituir els agents d'assistència. Simplement volen reduir la feina repetitiva de primera pasada: llegir el tiquet, identificar el tipus de problema, consultar la documentació d'ajuda, redactar una resposta i decidir si el cas necessita un desenvolupador.

DeepSeek AI es podria utilitzar aquí com a assistent d'esborrany i triatge. El model de xat gestiona la categorització i l'esborrany de respostes diàries, mentre que el model de raonador es reserva per a tiquets més complexos on el problema de l'usuari implica diversos passos, configuració del compte, regles de facturació o resolució de problemes tècnics.

La clau no és demanar al model que "respongui als tiquets de suport" de memòria. El flux de treball més segur és proporcionar-li els articles del centre d'ajuda, la política de reemborsament, les regles d'escalada i exemples de respostes aprovades de l'empresa.

Què necessita l'assistent

Perquè aquest flux de treball sigui valuós, l'equip prepararia:

• 20–30 tiquets d'assistència comuns del mes passat, amb dades personals eliminades

• Articles del centre d'ajuda i guies de resolució de problemes aprovats

• Una política de reemborsament i cancel·lació

• Una llista de categories, com ara "facturació", "problema d'inici de sessió", "informe d'errors", "sol·licitud de funció" i "pregunta pràctica"

• Normes d'escalada, com ara "enviar a enginyeria si el problema afecta més d'un client"

• Una guia de to breu, per exemple: amable, clar, sense promeses excessives, sense culpar

Exemple d'instrucció

Ets assistent de triatge de suport per a un producte SaaS. Llegeix el tiquet del client i utilitza només les notes de la base de coneixements i la política de suport proporcionades. No inventis característiques del producte, normes de reemborsament ni causes tècniques.

Per cada bitllet, retorna:

1. Categoria

2. Nivell d'urgència: baix, mitjà o alt

3. Si un agent humà l'ha de revisar

4. Esborrany de resposta suggerit

5. Nota font utilitzada

6. Qualsevol informació que falti i que es necessiti del client

Escriu en un to tranquil i servicial. Si la resposta no es troba a les notes proporcionades, digues que un agent humà l'ha de revisar.

Com provar-ho

Comença amb un petit conjunt de proves abans de connectar-lo a tiquets en directe.

Utilitzeu 15 bitllets antics on ja es coneix el resultat correcte:

• 5 preguntes senzilles de "com ho faig?"

• 3 preguntes sobre facturació o cancel·lació

• 3 problemes d'inici de sessió o d'accés al compte

• 2 informes d'errors

• 2 queixes vagues amb detalls que falten

Per a cada sortida, comproveu:

• Ha triat la categoria correcta?

• Va evitar inventar detalls polítics?

• Ha marcat correctament els tiquets que necessitaven revisió humana?

• La resposta va ser prou clara per enviar-la després d'una lleugera edició?

• Va citar o referenciar la nota interna correcta?

Un responsable de suport hauria de revisar cada esborrany durant les primeres setmanes. Només els tiquets de baix risc haurien de passar a l'automatització parcial.

Resultat

Resultat il·lustratiu: Basant-nos en el cronometratge de 15 tiquets de mostra abans i després d'utilitzar aquest flux de treball, la fase de triatge de primera passada podria baixar d'uns 6 minuts per tiquet a 2 minuts per tiquet.

Això voldria dir:

• 15 entrades seleccionades manualment: 90 minuts

• 15 tiquets seleccionats amb esborranys assistits per IA: 30 minuts

• Temps estimat d'estalvi: 60 minuts per cada 15 entrades

• Amb 100 entrades per setmana, estalvi estimat: unes 6,5 hores per setmana

La comprovació de qualitat s'hauria de mesurar per separat. Per exemple, l'equip podria fer un seguiment de la precisió de la categoria, el nombre d'esborranys acceptats després d'una edició i el nombre de declaracions de política incorrectes detectades durant la revisió.

Un objectiu sensat per a la primera prova seria:

• Més del 90% de categoria de bitllet correcta

• 0 promeses de reemborsament o cancel·lació incorrectes

• Més del 80% dels esborranys es poden utilitzar després d'una edició humana

• Revisió 100% humana de la facturació, la seguretat i els tiquets relacionats amb errors

Què pot anar malament

El risc més gran és deixar que el model respongui de memòria en comptes de documents proporcionats. Així és com els equips acaben amb respostes de suport segures però errònies.

Altres errors comuns inclouen:

• Introduir dades de clients sense redacció

• Ús de categories vagues que els agents interpreten de manera diferent

• Oblidar-se d'actualitzar la base de coneixement quan les polítiques canvien

• Permetre que el model prometi reemborsaments, correccions o terminis

• Mesurant només la velocitat, no la precisió ni l'impacte en el client

La versió més segura manté DeepSeek AI com a capa de redacció i classificació, no com a darrera autoritat.

Conclusió pràctica

La IA de DeepSeek ofereix més valor quan se li assigna una tasca específica, material font real i un procés de revisió clar. Per als equips de suport, la victòria pràctica no és un "servei al client totalment automatitzat". És un triatge més ràpid, millors primers esborranys i menys decisions repetitives per als humans.

Preguntes freqüents

Què és DeepSeek AI en termes senzills?

DeepSeek AI és una família de models de llenguatge ampli, juntament amb productes relacionats com ara una interfície de xat i una API de desenvolupador. En lloc de ser només "un altre chatbot", inclou tant models optimitzats per a xat com models orientats al raonament. El podeu utilitzar a través d'una aplicació web o integrar-lo al vostre propi programari, i aquesta flexibilitat és una de les principals raons per les quals la gent continua parlant-ne.

En què es diferencia DeepSeek AI d'altres eines d'IA com ChatGPT o Claude?

DeepSeek AI destaca per la seva divisió entre models de xat i raonament, la seva arquitectura Mixture-of-Experts i la compatibilitat amb l'API d'estil OpenAI. A la pràctica, això permet triar diferents perfils de comportament i sovint integrar-ho amb menys refactorització. També publica clarament els preus dels tokens a la documentació de l'API, cosa que atrau els desenvolupadors que observen els costos.

Quina diferència hi ha entre deepseek-chat i deepseek-reasoner?

El model deepseek-chat està optimitzat per a converses generals, escriptura i ajuda amb la codificació. El model deepseek-reasoner està optimitzat per a tasques de raonament de diversos passos com ara matemàtiques, lògica i planificació complexa. Si utilitzeu el model de xat per a raonaments complexos, pot semblar limitat. Triar el model adequat des del principi sol millorar la qualitat i l'eficiència del resultat.

DeepSeek AI és de codi obert o el puc executar localment?

Alguns models de DeepSeek es publiquen com a pesos oberts, cosa que permet l'experimentació i el desplegament fora de l'experiència de xat allotjada. Tanmateix, "codi obert" pot significar coses diferents, especialment pel que fa a les dades d'entrenament i les pipelines completes. Si voleu control local o allotjament personalitzat, haureu de comprovar atentament la versió específica del model i els termes de llicència.

Quant costa utilitzar DeepSeek AI?

La interfície de xat de DeepSeek sovint és gratuïta per començar, mentre que l'API utilitza preus basats en tokens. Els costos varien depenent de si utilitzeu el model optimitzat per xat o centrat en el raonament. Els models de raonament solen costar més a causa de l'ús de computació més elevat. Fer un seguiment anticipat del consum de tokens és important perquè un prototip no es converteixi inesperadament en una factura gran.

Per a què s'utilitza millor DeepSeek AI en fluxos de treball reals?

DeepSeek AI s'utilitza habitualment per a l'assistència en la codificació, la reescriptura de documents, el resum i l'extracció estructurada de dades. El model de raonament és especialment adequat per a tasques amb moltes matemàtiques o amb múltiples restriccions. En configuracions de producció, molts equips el combinen amb sistemes de recuperació per obtenir precisió factual. Afegir comprovacions d'avaluació simples també ajuda a detectar errors abans que els resultats es publiquin.

La IA de DeepSeek al·lucina o comet errors?

Sí, com tots els models lingüístics grans, DeepSeek AI pot generar informació segura però incorrecta. Això és especialment probable quan es demanen fets específics sense proporcionar material d'origen. Si la precisió importa, és més segur introduir els vostres propis documents o utilitzar fluxos de treball basats en la recuperació. Tracteu-lo com un assistent potent, no com una autoritat garantida.

Com puc començar amb DeepSeek AI sense complicar-ho massa?

Si no ets tècnic, comença amb la interfície de xat per a tasques d'escriptura o de pluja d'idees. Millora els resultats afegint objectius, restriccions i formats de sortida clars a les teves indicacions. Si ets desenvolupador, tria entre models de xat i de raonador, integra'ls a través de l'API d'estil OpenAI i supervisa l'ús de tokens des del primer dia. Mantén-ho simple i després itera.

Referències

1. DeepSeek - DeepSeek - deepseek.com

2. DeepSeek - Xat de DeepSeek - deepseek.com

3. Documentació de l'API de DeepSeek : la teva primera trucada a l'API - deepseek.com

4. Documentació de l'API de DeepSeek : models i preus - deepseek.com

5. Documentació de l'API de DeepSeek : detalls de preus (USD) - deepseek.com

6. Documentació de l'API de DeepSeek : model de raonament (deepseek-reasoner) - deepseek.com

7. GitHub - deepseek-ai/DeepSeek-V3 - github.com

8. Cara d'abraçada - DeepSeek-R1 - huggingface.co

9. arXiv - Informe tècnic de DeepSeek-V3 - arxiv.org

10. Antròpic - Detecció i prevenció d'atacs de destil·lació - anthropic.com

11. The Verge - Anthropic/Claude - Article sobre la destil·lació de DeepSeek - theverge.com

Troba la darrera versió d'IA a la botiga oficial d'assistents d'IA

Sobre nosaltres