跑分性能比肩GPT-4o？大模型价格“屠夫”DeepSeek发布最新开源模型

蓝鲸新闻6月18日讯（记者 朱俊熹）在火热的大模型竞赛中，比拼性能已不再是一件新鲜事。随着技术迭代的加速，几乎每隔一段时间就能看到又一代更新版的AI大模型，挂上“比肩GPT-4”的名号。

6月17日，AI公司深度求索（DeepSeek）正式上线开源模型DeepSeek-Coder-V2。据DeepSeek介绍，该模型在代码、数学的多个榜单上位居全球第二，介于最强闭源模型 GPT-4o和GPT-4-Turbo之间。

此外，DeepSeek-Coder-V2开源大模型还具有良好的通用性能，在中英通用能力上位列国内第一梯队。DeepSeek表示，该模型沿用了上一代DeepSeek-V2模型的创新架构，具有2360亿总参数，但处理每个token时只需激活210亿参数，不仅能够减少内存使用，也能提高计算效率。

DeepSeek最新的开源模型支持32K上下文，并延续了此前的定价，每百万tokens输入价格为1元、输出价格为2元。DeepSeek此前率先拉低大模型定价，随后字节跳动、阿里云、百度等行业巨头加入低价队列，引发国内大模型价格战。

为了彰显性能排名的权威性，各企业在发布大模型时通常会附上评测榜单，其中涵盖了不同的评测集。评测集就像是AI大模型的考卷，用来测试其在各类任务和场景下的表现，但考察的侧重点会有所不同。通过给大模型打分，可以直观地对比它们的性能高低。

具体而言，在评估大模型代码生成能力的HumanEval评测集上，DeepSeek新推出的开源模型得分为90.2，仅次于分数为91.0的GPT-4o。在数学算数领域，GSM8K是由OpenAI发布的大模型数学推理能力评测基准，DeepSeek-Coder-V2模型的该项得分为94.9，同样超过了众多开闭源模型。

但是在通用能力的评测上，以目前使用最多的MMLU评测集为例，DeepSeek-Coder-V2模型的得分为79.2，与GPT-4仍有一定差距，也不及其他几家开源模型。阿里云在6月初发布的开源模型Qwen2-72B获得82.3的分数，而Meta的Llama3-70B模型为80.2。

DeepSeek表示，虽然DeepSeek-Coder-V2较前一代模型的综合得分更高，但两个模型在实际应用中各有所长，“DeepSeek-V2是文科生，DeepSeek-Coder-V2是理科生，精通的技能点不同”。最新发布的大模型更擅长代码编程、数学计算和逻辑推理，而上一代模型则在文本创作、任务规划等方面表现更优。

当地时间6月14日，“AI卖铲人”英伟达宣布开源Nemotron-4 340B（3400亿参数）系列模型。据称该模型的表现超过了一众开源竞争对手，包括Llama3-70B、Qwen2-72B、法国创企Mistral AI的Mixtral-8x22B等，甚至能够与闭源模型GPT-4o相媲美。

图片来源：英伟达

Nemotron-4 340B系列包括了基础模型Base、指令对齐模型Instruct和奖励模型Reward。其中，Base模型在ARC-c、Winogrande等评估大语言模型常识推理能力的基准测试中获得了较高分数，表现确实优于其他开源模型。Reward模型则是在此基础上进一步优化得到的，能够通过反馈输出更符合人类预期的高质量结果，在专门用于评估奖励模型的基准测试RewardBench中获得92.0的最高分数，远超得分为84.7的GPT-4o。

英伟达称，这三类模型形成了一个管道，能够生成高质量的合成数据，用于大语言模型的训练中。在指令对齐模型Instruct的训练过程中，英伟达就使用了超过98%的合成数据。合成数据也被认为是解决大模型训练“数据荒”的有效手段之一。

至少目前来看，此轮AI浪潮的最大受益者仍然是英伟达。当地时间6月17日，英伟达市值曾一度赶超苹果，距排名第一的微软仅差100亿美元。截至收盘，英伟达市值达3.22万亿美元，为全球市值第三大公司。