实测：最新AI模型版本DeepSeek V3-0324生成700行可运行连续代码-极客小站

由中国人工智能研究实验室 DeepSeek 在 High-Flyer 旗下开发的 DeepSeek V3 自 2024 年 12 月首次开源发布以来，一直是人工智能领域的佼佼者。它以高效、高性能和易用性著称，并在继续快速发展。DeepSeek V3 的最新更新于 2025 年 3 月 24 日推出，名为 “DeepSeek V3 0324”，带来了微妙而有影响的改进。让我们来看看这些更新，并试用新的 DeepSeek V3 模型。

小版本升级：DeepSeek V3 0324

此次升级增强了 DeepSeek 官网、手机应用和小程序的用户体验，默认关闭了“深度思考”模式。这表明升级的重点是简化交互，而不是改变核心功能。
API 界面和使用方法保持不变，确保了开发人员的连续性。这意味着现有的集成（例如通过 model=’deepseek-chat’）无需调整。
没有提到重大的架构变化，这表明这是对现有的 671B 参数专家混合物（MoE）模型的改进，每个令牌可激活 37B 参数。
可用性：更新后的模型已在 DeepSeek 官方平台（网站、应用程序、小程序）和 HuggingFace 上上线。DeepSeek V3 0324 “的技术报告和权重可以在 MIT 许可下访问。

DeepSeek V3 0324表现如何？

X 上的一位用户在我的内部工作台上试用了新的DeepSeek V3，它在所有测试中的各项指标都有大幅提升。它现在是最好的非推理模型，超越了 Sonnet 3.5。

Source: X

DeepSeek V3 登上 Chatbot Arena 排行榜：

Source: lmarena

如何访问最新的DeepSeek V3？

网站：在 deepseek.com 免费测试更新的V3。
移动APP：可在 iOS 和 Android 上使用，已更新以反映 3 月 24 日的版本。
API：在 api-docs.deepseek.com 上使用 model=’deepseek-chat’ 。定价仍为 0.14 美元/百万输入代币（推广期至 2025 年 2 月 8 日，但不排除延期的可能）。
HuggingFace：从这里下载“DeepSeek V3 0324”权重和技术报告。

试用新版DeepSeek V3 0324

我将在本地和通过API使用更新后的DeepSeek模型。

使用llm-mlx插件在本地使用DeepSeek-V3-0324

安装步骤

以下是在您的机器上运行它所需的设备（假设您使用的是 llm CLI + mlx 后端）：

!pip install llm
!llm install llm-mlx
!llm mlx download-model mlx-community/DeepSeek-V3-0324-4bit

这将：

安装核心 llm CLI
添加 MLX 后端插件
下载 4 位量化模型（DeepSeek-V3-0324-4bit）–更节省内存

在本地运行聊天提示

示例：

!llm chat -m mlx-community/DeepSeek-V3-0324-4bit 'Generate an SVG of a pelican riding a bicycle'

输出：

如果模型运行成功，它就会响应一个骑着自行车的鹈鹕的 SVG 片段–憨态可掬，光彩夺目。

通过API使用DeepSeek-V3-0324

安装所需软件包

!pip3 install openai

是的，尽管您使用的是 DeepSeek，但您使用的是与 OpenAI 兼容的 SDK 语法。

用于API交互的Python脚本

下面是脚本中经过清理的注释版本：

from openai import OpenAI
import time
# Timing setup
start_time = time.time()
# Initialize client with your DeepSeek API key and base URL
client = OpenAI(
api_key="Your_api_key", 
base_url="https://api.deepseek.com"  # This is important
)
# Send a streaming chat request
response = client.chat.completions.create(
model="deepseek-chat",
messages=[
{"role": "system", "content": "You are a helpful assistant"},
{"role": "user", "content": "How many r's are there in Strawberry"},
],
stream=True
)
# Handle streamed response and collect metrics
prompt_tokens = 0
generated_tokens = 0
full_response = ""
for chunk in response:
if hasattr(chunk, "usage") and hasattr(chunk.usage, "prompt_tokens"):
prompt_tokens = chunk.usage.prompt_tokens
if hasattr(chunk, "choices") and hasattr(chunk.choices[0], "delta") and hasattr(chunk.choices[0].delta, "content"):
content = chunk.choices[0].delta.content
if content:
generated_tokens += 1
full_response += content
print(content, end="", flush=True)
# Performance tracking
end_time = time.time()
total_time = end_time - start_time
# Token/sec calculations
prompt_tps = prompt_tokens / total_time if prompt_tokens > 0 else 0
generation_tps = generated_tokens / total_time if generated_tokens > 0 else 0
# Output metrics
print("\n\n--- Performance Metrics ---")
print(f"Prompt: {prompt_tokens} tokens, {prompt_tps:.3f} tokens-per-sec")
print(f"Generation: {generated_tokens} tokens, {generation_tps:.3f} tokens-per-sec")
print(f"Total time: {total_time:.2f} seconds")
print(f"Full response length: {len(full_response)} characters")

输出

### Final AnswerAfter carefully examining each letter in "Strawberry," we find that the letter 'r' appears **3 times**.**Answer:** There are **3 r's** in the word "Strawberry."--- Performance Metrics ---Prompt: 17 tokens, 0.709 tokens-per-secGeneration: 576 tokens, 24.038 tokens-per-secTotal time: 23.96 secondsFull response length: 1923 characters

点击此处查看完整代码和输出结果。

使用DeepSeek-V3-0324构建数字营销网站

使用高级语言模型 DeepSeek-V3-0324，通过基于提示的代码生成方法，自动生成一个现代、时尚、小巧的数字营销登陆页面。

!pip3 install openai
# Please install OpenAI SDK first: `pip3 install openai`
from openai import OpenAI
import time
# Record the start time
start_time = time.time()  # Add this line to initialize start_time
client = OpenAI(api_key="Your_API_KEY", base_url="https://api.deepseek.com")
response = client.chat.completions.create(
model="deepseek-chat",
messages=[
{"role": "system", "content": "You are a Website Developer"},
{"role": "user", "content": "Code a modern small digital marketing Landing page"},
],
stream=True  # This line makes the response a stream of events
)
# Initialize variables to track tokens and content
prompt_tokens = 0
generated_tokens = 0
full_response = ""
# Process the stream
for chunk in response:
# Track prompt tokens (usually only in first chunk)
if hasattr(chunk, "usage") and hasattr(chunk.usage, "prompt_tokens"):
prompt_tokens = chunk.usage.prompt_tokens
# Track generated content
if hasattr(chunk, "choices") and hasattr(chunk.choices[0], "delta") and hasattr(chunk.choices[0].delta, "content"):
content = chunk.choices[0].delta.content
if content:
generated_tokens += 1
full_response += content
print(content, end="", flush=True)
# Calculate timing metrics
end_time = time.time()
total_time = end_time - start_time
# Calculate tokens per second
if prompt_tokens > 0:
prompt_tps = prompt_tokens / total_time
else:
prompt_tps = 0
if generated_tokens > 0:
generation_tps = generated_tokens / total_time
else:
generation_tps = 0
# Print metrics similar to the screenshot
print("\n\n--- Performance Metrics ---")
print(f"Prompt: {prompt_tokens} tokens, {prompt_tps:.3f} tokens-per-sec")
print(f"Generation: {generated_tokens} tokens, {generation_tps:.3f} tokens-per-sec")
print(f"Total time: {total_time:.2f} seconds")
print(f"Full response length: {len(full_response)} characters")

输出：

该网页是为一家名为“NexaGrowth”的数字营销机构设计的，采用了现代、简洁的设计风格，并精心选择了色调。该网页的布局是响应式的，采用了现代网页设计技术。

您可以在这里查看网站。

点击此处查看完整代码和输出。

旧版更新的背景

为了说明新内容，这里简要回顾一下 3 月 24 日更新前的 V3 基准：

首次发布：DeepSeek V3 推出时有 671B 个参数，使用 266.4M H800 GPU 小时对 14.8T 代币进行训练，价格为 550-58 万美元。它引入了多头潜意识（MLA）、多令牌预测（MTP）和无辅助损失负载均衡，实现了 60 令牌/秒的速度，性能超过了 Llama 3.1 405B。
训练后：DeepSeek R1 的推理能力被提炼到 V3 中，通过监督微调 (SFT) 和强化学习 (RL) 增强了其性能，只需额外 0.124M GPU 小时即可完成。
三月份的更新是在此基础上进行的，重点是可用性和有针对性的性能调整，而不是全面革新。

小结

DeepSeek V3 0324 更新看似很小，却带来了很大的改进。它现在更快了，可以快速处理数学和编码等任务。它还非常稳定，不管是编码还是解决问题，每次都能给出好结果。此外，它还能写 700 行代码而不会出错，这对于用代码构建东西的人来说非常棒。它仍然使用智能的 671B 参数设置，而且价格便宜。请试用新版 DeepSeek V3 0324，并在评论中告诉我您的想法！

文章版权归作者所有，未经允许请勿转载。

THE END