如何看待deepseek自我介绍时提到openai模型？
如何你愿意用翻译软件读一下《DeepSeek-V3 Technical Report》的话，就能够在论文的摘要，也就是报告最开始的一段话[1]，提取到这两段关键的介绍。
第一段：
To achieve efficient inference and cost-effective training, DeepSeek-V3 adopts Multi-head Latent Attention (MLA) and DeepSeekMoE architectures, which were thoroughly validated in DeepSeek-V2.
这句话的表明了DeepSeek V3的主要目的是为了实现高效推理（inference）和具有成本效益的训练（cost-effective training），采用了两种关键架构：Multi-head Latent Attention (MLA) 和 DeepSeekMoE，并且这些架构已经在其前一版本 DeepSeek-V2 中经过充分验证。
更通俗点来讲，DeepSeek自己也提到了它的主要目的是“用最少的卡，实现尽可能好的效果”，这是它的出发点。
第二段：
在后面的这句话里提供了结果。
Comprehensive evaluations reveal that DeepSeek-V3 outperforms other open-source models and achieves performance comparable to leading closed-source models. Despite its excellent performance, DeepSeek-V3 requires only 2.788M H800 GPU hours for its full training. In addition, its training process is remarkably stable.
DeepSeek-V3性能领先于其他的开源模型，甚至和领先的Close-AI（特指OpenAI的GPT4o）性能相当。与此同时，DeepSeek-V3仅用了2.788M的GPU训练时间就完成了训练，而GPT4o需要25000块的A100显卡，是DeepSeek的10倍左右。
你看，DeepSeek通篇就说了两个点：
1 将大模型训练的成本打下去！
2 性能上达到第一梯度。
都实现了。
而题目中提到的问题，其实根本不算什么大事，因为这种问题根本不算“事实”，事实就是那些现实中已经有定论的，比如铁元素的化学符号是Fe，如果出现这种问题，那可以说明模型训练有问题。
但这种非常主观，且容易受到数据污染的问题，说明不了什么，甚至到不了瑕不掩瑜的程度。
外网DeepSeek的热度已经爆了，跟Qwen并称为国内两大顶流。
更为深度的解读，其实可以看他们的Github的总体介绍。
GitHub - deepseek-ai/DeepSeek-V3
