本次学习了解了一下以下内容
一、Deepseek 带来的启示与趋势
Deepseek 的 R1 和 V3 模型用更少的训练时间和成本，可以达到和 Open AI 的 Chat GPT 差不多甚至更好的性能。
为了用更少数据、更低成本训练出效果同样不错的模型，现在很多开发者，会去采用蒸馏的方式。
二、RDQ 模型与相关技术
Deepseek 开源后，证实了用 MoE 模型开发的猜想，带动 2025 年大模型爆发式发展。但这也带来新挑战：数据怎么高效分配、算力硬件怎么匹配、能源消耗怎么控制等。
以前的大模型追求 “快思考”，虽然快但精度一般；而以 Deepseek R1 为代表的 “慢思考” 模式，会把思考过程完整展示，虽然耗时，但精度提升明显，现在成了业界研究的新方向。
但在开发中也存在着挑战，预训练阶段：如果用 MoE 模型，训练技术的成本会很高，得保证开发者的优化能力能跟上技术要求。后训练阶段：推理时的算力消耗占比高，而且模型更新特别快，还得解决慢思考模型的复现问题。
三、实用工具：Mindspore 框架
Mindspore 就像一个 “AI 开发全能工具箱”，集成了训练、数据处理、模型开发等全流程所需的功能，能覆盖开发者遇到的大部分场景。可以减少重复劳动，降低开发门槛和成本，让模型开发更高效，尤其适合专业领域的专用模型开发，定位很精准。