跳到主要内容

更新日志

版本: 2025-01-20​

deepseek-reasoner​

  • deepseek-reasoner 是我们的新模型 DeepSeek-R1. 可以通过指定 model=deepseek-reasoner 调用。
  • 详细更新，请参考: DeepSeek-R1 正式发布
  • 调用指南，请参考: 推理模型

版本: 2024-12-26​

deepseek-chat​

  • deepseek-chat 模型升级为 DeepSeek-V3，接口不变，可以通过指定 model=deepseek-chat 调用。
  • 详细更新，请参考：DeepSeek-V3 正式发布

版本：2024-12-10​

deepseek-chat​

deepseek-chat 模型升级为 DeepSeek-V2.5-1210，模型各项能力提升，相关基准测试：

  • 数学能力：在 MATH-500 基准测试中的表现从 74.8% 提升至 82.8%
  • 代码能力：在 LiveCodebench (08.01 - 12.01) 基准测试中的准确率从 29.2% 提升至 34.38%
  • 中文写作与推理能力：在内部测试集中表现也有相应提升

与此同时，全新版本的模型对文件上传和网页总结功能的用户体验进行了优化。

版本：2024-09-05​

deepseek-coder & deepseek-chat 升级为 DeepSeek V2.5 模型​

DeepSeek V2 Chat 和 DeepSeek Coder V2 两个模型已经合并升级，升级后的新模型为 DeepSeek V2.5。

为向前兼容，API 用户通过 deepseek-coder 或 deepseek-chat 均可以访问新的模型。

新模型在通用能力、代码能力上，都显著超过了旧版本的两个模型。

新模型更好的对齐了人类的偏好，在写作任务、指令跟随等多方面进行了优化：

  • ArenaHard winrate从 68.3% 提升至 76.3%
  • AlpacaEval 2.0 LC winrate从 46.61% 提升至 50.52%
  • MT-Bench 分数从 8.84 提升至 9.02
  • AlignBench 分数从 7.88 提升至 8.04

新模型在原Coder模型的基础上进一步提升了代码生成能力，对常见编程应用场景进行了优化，并在标准测试集上取得了以下成绩：

  • HumanEval: 89%
  • LiveCodeBench (1-9月): 41%

版本：2024-08-02​

API 上线硬盘缓存技术​

DeepSeek API 创新采用硬盘缓存，价格再降一个数量级

更新详情请跳转文档 API 上线硬盘缓存 2024/08/02

版本：2024-07-25​

API 接口更新​

  • 更新接口 /chat/completions
    • JSON 输出
    • Function 调用
    • 对话前缀续写（Beta）
    • 8K 最长输出（Beta）
  • 新增接口 /completions
    • FIM 补全（Beta）

更新详情请跳转文档 API 升级新功能 2024/07/25

版本：2024-07-24​

deepseek-coder​

deepseek-coder 模型升级为 DeepSeek-Coder-V2-0724。

版本：2024-06-28​

deepseek-chat​

deepseek-chat 模型升级为 DeepSeek-V2-0628，模型推理能力提升，相关基准测试：

  • 代码，HumanEval Pass@1 79.88% -> 84.76%
  • 数学，MATH ACC@1 55.02% -> 71.02%
  • 推理，BBH 78.56% -> 83.40%

在 Arena-Hard 测评中，与 GPT-4-0314 的对战胜率从 41.6% 提升到了 68.3%。

模型角色扮演能力显著增强，可以在对话中按要求扮演不同角色。

版本：2024-06-14​

deepseek-coder​

deepseek-coder 模型升级为 DeepSeek-Coder-V2-0614，代码能力显著提升，在代码生成、代码理解、代码修复和代码补全上达到了 GPT-4-Turbo-0409 的水平，并拥有卓越的数学和推理能力，其通用能力与 DeepSeek-V2-0517 持平。

版本：2024-05-17​

deepseek-chat​

deepseek-chat 模型升级为 DeepSeek-V2-0517，模型在指令跟随方面的性能得到了显著提升，IFEval Benchmark Prompt-Level 准确率从 63.9% 跃升至 77.6%。此外，我们对API端的“system”区域指令跟随能力进行了优化，显著增强了沉浸式翻译、RAG 等任务的用户体验。

模型对于 JSON 格式输出的准确性得到了提升。在内部测试集中，JSON 解析率从 78% 提高到了85%。通过引入恰当的正则表达式，JSON 解析率进一步提高至 97%。