While much attention within the AI group has been targeted on models like LLaMA and Mistral, DeepSeek has emerged as a major player that deserves nearer examination. Systems like BioPlanner illustrate how AI systems can contribute to the simple components of science, holding the potential to speed up scientific discovery as a complete. 다만, DeepSeek-Coder-V2 모델이 Latency라든가 Speed 관점에서는 다른 모델 대비 열위로 나타나고 있어서, 해당하는 유즈케이스의 특성을 고려해서 그에 부합하는 모델을 골라야 합니다. 이전 버전인 DeepSeek-Coder의 메이저 업그레이드 버전이라고 할 수 있는 DeepSeek-Coder-V2는 이전 버전 대비 더 광범위한 트레이닝 데이터를 사용해서 훈련했고, ‘Fill-In-The-Middle’이라든가 ‘강화학습’ 같은 기법을 결합해서 사이즈는 크지만 높은 효율을 보여주고, 컨텍스트도 더 잘 다루는 모델입니다. 다른 오픈소스 모델은 압도하는 품질 대비 비용 경쟁력이라고 봐야 할 거 같고, 빅테크와 거대 스타트업들에 밀리지 않습니다. 자, 지금까지 고도화된 오픈소스 생성형 AI 모델을 만들어가는 DeepSeek의 접근 방법과 그 대표적인 모델들을 살펴봤는데요. DeepSeek 연구진이 고안한 이런 독자적이고 혁신적인 접근법들을 결합해서, DeepSeek-V2가 다른 오픈소스 모델들을 앞서는 높은 성능과 효율성을 달성할 수 있게 되었습니다. 하지만 곧 ‘벤치마크’가 목적이 아니라 ‘근본적인 도전 과제’를 해결하겠다는 방향으로 전환했고, 이 결정이 결실을 맺어 현재 DeepSeek LLM, DeepSeekMoE, DeepSeekMath, DeepSeek-VL, DeepSeek-V2, DeepSeek-Coder-V2, DeepSeek-Prover-V1.5 등 다양한 용도에 활용할 수 있는 최고 수준의 모델들을 빠르게 연이어 출시했습니다.

이 DeepSeek-Coder-V2 모델에는 어떤 비밀이 숨어있길래 GPT4-Turbo 뿐 아니라 Claude-3-Opus, Gemini-1.5-Pro, Llama-3-70B 등 널리 알려진 모델들까지도 앞서는 성능과 효율성을 달성할 수 있었을까요? 현재 출시한 모델들 중 가장 인기있다고 할 수 있는 DeepSeek-Coder-V2는 코딩 작업에서 최고 수준의 성능과 비용 경쟁력을 보여주고 있고, Ollama와 함께 실행할 수 있어서 인디 개발자나 엔지니어들에게 아주 매력적인 옵션입니다. 조금만 더 이야기해 보면, 어텐션의 기본 아이디어가 ‘디코더가 출력 단어를 예측하는 각 시점마다 인코더에서의 전체 입력을 다시 한 번 참고하는 건데, 이 때 모든 입력 단어를 동일한 비중으로 고려하지 않고 해당 시점에서 예측해야 할 단어와 관련있는 입력 단어 부분에 더 집중하겠다’는 겁니다. 모든 태스크를 대상으로 전체 2,360억개의 파라미터를 다 사용하는 대신에, DeepSeek-V2는 작업에 따라서 일부 (210억 개)의 파라미터만 활성화해서 사용합니다. DeepSeek-V2는 위에서 설명한 혁신적인 MoE 기법과 더불어 DeepSeek 연구진이 고안한 MLA (Multi-Head Latent Attention)라는 구조를 결합한 트랜스포머 아키텍처를 사용하는 최첨단 언어 모델입니다. 특히, DeepSeek만의 독자적인 MoE 아키텍처, 그리고 어텐션 메커니즘의 변형 MLA (Multi-Head Latent Attention)를 고안해서 LLM을 더 다양하게, 비용 효율적인 구조로 만들어서 좋은 성능을 보여주도록 만든 점이 아주 흥미로웠습니다. 이런 두 가지의 기법을 기반으로, DeepSeekMoE는 모델의 효율성을 한층 개선, 특히 대규모의 데이터셋을 처리할 때 다른 MoE 모델보다도 더 좋은 성능을 달성할 수 있습니다. ‘공유 전문가’는 위에 설명한 라우터의 결정에 상관없이 ‘항상 활성화’되는 특정한 전문가를 말하는데요, 여러 가지의 작업에 필요할 수 있는 ‘공통 지식’을 처리합니다.

공유 전문가가 있다면, 모델이 구조 상의 중복성을 줄일 수 있고 동일한 정보를 여러 곳에 저장할 필요가 없어지게 되죠. 예를 들어 중간에 누락된 코드가 있는 경우, 이 모델은 주변의 코드를 기반으로 어떤 내용이 빈 곳에 들어가야 하는지 예측할 수 있습니다. DeepSeek-Coder-V2 모델의 특별한 기능 중 하나가 바로 ‘코드의 누락된 부분을 채워준다’는 건데요. 어쨌든 범용의 코딩 프로젝트에 활용하기에 최적의 모델 후보 중 하나임에는 분명해 보입니다. DeepSeek-Coder-V2 모델은 컴파일러와 테스트 케이스의 피드백을 활용하는 GRPO (Group Relative Policy Optimization), 코더를 파인튜닝하는 학습된 리워드 모델 등을 포함해서 ‘정교한 강화학습’ 기법을 활용합니다. DeepSeek-Coder-V2 모델을 기준으로 볼 때, Artificial Analysis의 분석에 따르면 이 모델은 최상급의 품질 대비 비용 경쟁력을 보여줍니다. DeepSeek-V2에서 도입한 MLA라는 구조는 이 어텐션 메커니즘을 변형해서 KV 캐시를 아주 작게 압축할 수 있게 한 거고, 그 결과 모델이 정확성을 유지하면서도 정보를 훨씬 빠르게, 더 적은 메모리를 가지고 처리할 수 있게 되는 거죠. DeepSeek-Coder-V2는 컨텍스트 길이를 16,000개에서 128,000개로 확장, 훨씬 더 크고 복잡한 프로젝트도 작업할 수 있습니다 - 즉, 더 광범위한 코드 베이스를 더 잘 이해하고 관리할 수 있습니다.

DeepSeek-Coder-V2는 이전 버전 모델에 비교해서 6조 개의 토큰을 추가해서 트레이닝 데이터를 대폭 확충, 총 10조 2천억 개의 토큰으로 학습했습니다. DeepSeek-Coder-V2는 총 338개의 프로그래밍 언어를 지원합니다. To scale back the reminiscence consumption, it's a natural alternative to cache activations in FP8 format for the backward move of the Linear operator. Moreover, to further cut back memory and communication overhead in MoE training, we cache and dispatch activations in FP8, while storing low-precision optimizer states in BF16. In the present course of, we need to read 128 BF16 activation values (the output of the previous computation) from HBM (High Bandwidth Memory) for quantization, and the quantized FP8 values are then written again to HBM, only to be read again for MMA. We design an FP8 combined precision coaching framework and, for the primary time, validate the feasibility and effectiveness of FP8 training on an extremely massive-scale model. SGLang currently supports MLA optimizations, DP Attention, FP8 (W8A8), FP8 KV Cache, and Torch Compile, delivering state-of-the-artwork latency and throughput efficiency among open-source frameworks. Furthermore, DeepSeek-V3 pioneers an auxiliary-loss-free technique for load balancing and units a multi-token prediction coaching goal for stronger efficiency. To simultaneously ensure each the Service-Level Objective (SLO) for on-line companies and high throughput, we make use of the following deployment technique that separates the prefilling and decoding levels.

If you have any inquiries regarding where by and how to use ديب سيك, you can get hold of us at our own web site.