Deepseek ، شركة ناشئة صينية سريعة النمو ، تستخدم العديد من الاستراتيجيات لإدارة طلبات الرمز المميز على نطاق واسع ، وخاصة من خلال نموذجها الأخير ، Deepseek-V3. يستخدم هذا النموذج بنية خليط الخبرة (MOE) ، والتي تسمح له بتنشيط مجموعة فرعية من المعلمات بشكل انتقائي لكل رمز معالجته. على وجه التحديد ، لدى Deepseek-V3 ما مجموعه 671 مليار معلمة ، ولكن يتم تنشيط 37 مليار فقط لكل رمز أثناء الاستدلال. يعزز هذا التصميم بشكل كبير الكفاءة الحسابية مقارنة بالنماذج الكثيفة التقليدية ، حيث يتم إشراك جميع المعلمات لكل طلب [1] [4].
لمزيد من تحسين الأداء ، تنفذ Deepseek-V3 استراتيجية فعالة لموازنة التحميل خلال عمليات التدريب والاستدلال. يضمن هذا النهج أن لا يتم إسقاط الرموز المميزة خلال أي من المرحلتين. يحافظ النموذج على توازن جيد في التحميل من خلال استخدام آلية التوجيه المقيدة التي تحد من تكاليف الاتصال وتسمح بتداخل التواصل الكامل تقريبًا. نتيجة لذلك ، يمكن لـ Deepseek-V3 التعامل مع أحجام عالية من طلبات الرمز المميز دون التضحية بالأداء أو الموثوقية [2] [4].
فيما يتعلق بالتدريب ، يتم تدريب Deepseek-V3 مسبقًا على مجموعة بيانات واسعة تضم 14.8 تريليون رمزًا ، تليها مراحل من التعلم الخاضع للإشراف والتعزيز لصقل قدراتها. تم تصميم عملية التدريب لتكون مستقرة وفعالة ، حيث تكمل في أقل من شهرين بتكلفة إجمالية تبلغ حوالي 5.576 مليون دولار في ساعات GPU [1] [2]. يتيح هذا الاستخدام الفعال للموارد Deepseek توسيع نطاقه بفعالية أثناء إدارة طلبات الرمز المميز على نطاق واسع عبر خدماتها.
بشكل عام ، تمكنها الهندسة المعمارية المبتكرة والمناهج الإستراتيجية لـ Deepseek من التعامل مع طلبات رمزية كبيرة بكفاءة ، مما يجعلها لاعبًا تنافسيًا في مشهد الذكاء الاصطناعي.
الاستشهادات:
[1] https://thehackernews.com/2025/01/top-rated-chinese-ai-appseek.html
[2] https://arxiv.org/html/2412.19437v1
[3]
[4] https://encord.com/blog/deepseek-ai/
[5] https://www.techtarget.com/whatis/feature/deepeek-explained- everything-you-need-to-know
[6]
[7 "
[8] https://daily.dev/blog/deepseek- everything-you-need-thend-about-this-new-llm-in-one-place