以下是 DeepSeek R1 与 V3 的核心对比总结，基于 2025 年最新数据：

| **对比维度**         | **DeepSeek V3**                                                                 | **DeepSeek R1**                                                                 |
|----------------------|---------------------------------------------------------------------------------|---------------------------------------------------------------------------------|
| **模型定位**         | 通用自然语言处理，侧重多模态任务（文本/图像/音频）与长文本生成（128K 上下文）   | 复杂逻辑推理专用，擅长数学证明、代码生成、决策优化（输出含“思维链”解释）         |
| **技术架构**         | 混合专家模型（MoE），671B 总参数，每 token 激活 37B，MLA 注意力优化 KV 缓存     | 基于 V3 的强化学习优化，动态门控调度专家，支持蒸馏模型（如 14B/70B 端侧部署）   |
| **训练方法**         | 预训练 + SFT + 有限 RL，成本 557.6 万美元，数据量 14.8 万亿 token              | 纯强化学习（GRPO 算法），冷启动数据 + 两阶段 RL，训练效率为传统 RLHF 的 4.3 倍  |
| **性能表现**         | - MMLU：88.5%<br>- GPQA：59.1%<br>- 代码生成速度提升 3.8 倍                    | - AIME 2024：79.8%<br>- MATH-500：97.3%<br>- Codeforces Elo：2029（超越 96% 人类） |
| **应用场景**         | 智能客服、多语言翻译、长文档生成（如报告/小说）                                | 科研论文推导、算法交易策略、复杂 SQL/代码生成（需分步验证的场景）                |
| **部署成本**         | API 成本低（输入 0.14$/百万 token，输出 0.28$/百万 token）                     | API 成本高（输入 0.55$/百万 token，输出 2.19$/百万 token）                     |
| **开源生态**         | 完全开源，支持 vLLM/LMDeploy 等框架，适配 AMD GPU/华为 NPU                     | 开源权重（MIT 协议），提供 Qwen/Llama 蒸馏版本，支持本地部署优化                |

**选择建议**：
- 选 **V3**：需高性价比处理通用 NLP 任务（如批量翻译、内容创作）
- 选 **R1**：涉及复杂逻辑验证（如数学证明、金融衍生品定价）或要求解释推理过程

> 注：实际部署时，V3 模型名为 `deepseek-chat`，R1 为 `deepseek-reasoner`。表格数据综合自 [DeepSeek 技术报告](https://github.com/deepseek-ai/DeepSeek-R1) 及多平台实测结果（2025 年 3 月）。