DeepSeek-V3.1发布：架构升级强化国产芯片适配，与通义千问展开技术路线竞逐 DeepSeek近日正式推出DeepSeek-V3.1版本，此次更新在模型架构、推理效率及国产芯片适配方面均有显著进展。与此同时，国内其他大模型（如阿里通义千问Qwen3）也在技术路径上呈现出差异化发展态势。以下是对DeepSeek-V3.1主要升级、国产芯片支持及与国产其他大模型研发路线对比的分析。 一、DeepSeek-V3.1的主要升级 1. 混合推理架构 DeepSeek-V3.1采用混合推理架构，支持思考模式与非思考模式的自由切换，显著提升了思考效率，能够在更短时间内提供答案。 2. Agent能力增强 通过Post-Training优化，工具使用和智能体任务表现得到明显提升。在代码修复测评SWE与命令行终端环境下的复杂任务测试（Terminal-Bench）中，相比前代有明显进步。 3. API与上下文扩展 API升级后，`deepseek-chat`对应非思考模式，`deepseek-reasoner`对应思考模式，上下文窗口扩展至128K，Beta接口新增strict模式的Function Calling支持。此外，新版本还兼容Anthropic API格式，可接入Claude Code框架。 4. 分词器与Chat Template调整 对分词器及chat template进行了较大调整，与DeepSeek-V3存在明显差异。 二、对国产芯片的适配与支持 DeepSeek-V3.1采用了UE8M0 FP8 Scale的参数精度，这是一种针对即将发布的下一代国产芯片设计的数据格式。 UE8M0 FP8的价值 UE8M0是一种8位指数、0位尾数的FP8子格式，专为矩阵乘法等AI核心运算优化设计，在国产芯片上实现硬件级适配。它通过无符号指数位和动态缩放因子实现高动态范围与低存储成本的平衡。 对国产算力的意义 这种格式对国产芯片的使用效率提升显著，有助于缩小与英伟达芯片的效率/成本差距，增加国产芯片的可用性。DeepSeek在此过程中的贡献在于提供了工程实现与大规模实践（如DeepGEMM代码库），帮助整个生态在工程上落地。 预期影响 国产芯片要充分发挥FP8优势，需在算子层面原生支持E4M3/E5M2格式并支持UE8M0等缩放标准。对于未来新发布的原生支持FP8的国产芯片，有望实现算力、显存和带宽约2倍的效率提升。 三、与阿里通义千问（Qwen）等国产大模型的研发路线对比 DeepSeek与阿里通义千问在技术演进上代表了不同的发展思路。 1. 架构设计 DeepSeek-V3.1：采用混合推理架构，支持思考与非思考模式动态切换。其UE8M0 FP8精度选择体现了对国产芯片生态的深度适配考量。 阿里通义千问Qwen3：其最新更新（Qwen3-235B-A22B-Instruct-2507-FP8）选择了分离式训练架构，告别了混合思考模式，转而独立开发Instruct（指令执行）和Thinking（深度思考）两类模型，旨在让每个模型在其擅长领域达到极致。它采用MoE架构，拥有128个专家，每次激活8个，总参数量为235B，但每次推理仅激活22B参数。 2. 精度与芯片适配： DeepSeek 明确强调UE8M0 FP8针对国产芯片优化，体现了软硬件协同生态建设的思路。 Qwen3 也采用了FP8量化技术来降低计算资源需求，提升部署效率，但其公开信息中未特别强调对特定国产芯片格式的适配。 3. 性能表现（基于公开评测）： 根据报道，Qwen3-235B-A22B-Instruct在多项权威评测中实现了领先，例如在数学推理（AIME25）、编程能力（LiveCodeBench）、Agent能力（BFCL-v3）等方面相比Kimi-K2和DeepSeek-V3表现出优势。 DeepSeek-V3.1则在需要多步推理的复杂搜索测试（browsecomp）和多学科专家级难题测试（HLE）上性能领先。 4. 开源策略与应用场景 Qwen3：全系列开源（Apache 2.0），衍生模型数量庞大，覆盖从轻量到旗舰的多种规模，支持多语言和端侧部署。 DeepSeek：其开源策略相对谨慎，部分模型闭源，生态开放性相较于Qwen3略低。 DeepSeek-V3.1的发布，尤其是在UE8M0 FP8精度适配国产芯片方面的努力，展现了国内AI厂商在推动算力自主可控方面的积极探索。这与阿里通义千问Qwen3选择的分离式专项模型路径形成了有趣的技术路线对比！
