DeepSeek-V3

KI-Modell Sprache Vorherige Generation

671B parameters, $5.6M disclosed final-run cost — the efficiency shock.

Sie sehen einen KI-Modell-Eintrag: wer es entwickelt hat, was es kann, und welche Hardware und Daten dahinterstecken.

DeepSeek-V3 (December 2024) is a 671B-parameter MoE activating 37B per token, trained on 14.8T tokens across 2,048 H800 GPUs with a disclosed final training-run cost of about $5.576M (excluding research and prior runs — a caveat often dropped in retellings). Multi-head latent attention, FP8 training and multi-token prediction made it the most-studied efficiency result in the field; weights are open. V3.1 (August 2025) added hybrid thinking; V3.2-Exp cut long-context costs with sparse attention.

Spezifikationen & wichtige Fakten

Jede Angabe ist mit ihrer Grundlage gekennzeichnet: Herstellerspezifikation, Herstellerangabe, berichtet, Schätzung oder offiziell. „Nicht öffentlich bekannt" bedeutet genau das — wir erfinden keine Werte.

Overview

Training 14.8T tokens · 2,048 × H800 · ~2.79M GPU-hours (disclosed)Published paper

Disclosed cost $5.576M final run only — excludes research, ablations, data and hardwarePublished paper

So hängt das mit dem Rest des Stacks zusammen

Die Verknüpfungen dieses Datensatzes auf einen Blick – klicken Sie auf eine Gruppe, um dorthin zu springen.

Entwickelt von

DeepSeek

Trainiert auf

NVIDIA H800

Basierend auf

Mixture of Experts (MoE)

Grundlage für

DeepSeek-R1 DeepSeek-V4

Nachfolger

DeepSeek-V4

Konkurriert mit

Llama 4 Kimi K2

Verwandt

DeepSeek-R1

Quellen

DeepSeek-V3 technical report ↗

Datensatz geprüft am 2026-08-31 — Siehe Methodik.