DeepSeek-V3
671B parameters, $5.6M disclosed final-run cost — the efficiency shock.
Estás viendo un registro de modelo de IA: quién lo desarrolló, qué puede hacer, y el hardware y los datos que hay detrás.
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.
Especificaciones y datos clave
Cada cifra está etiquetada según su base: especificación del fabricante, declaración del fabricante, dato publicado, estimación u oficial. "No divulgado públicamente" significa exactamente eso — nunca inventamos valores.
Overview
Cómo se conecta con el resto del stack
Los enlaces de esta ficha de un vistazo: haz clic en un grupo para ir directamente a él.
Desarrollado por
Entrenado en
Basado en
Base para
Sucedido por
Relacionado
Fuentes
DeepSeek-V3 technical report ↗
Registro revisado a fecha de 2026-08-31 — ver Metodología.