2月17日，华尔街日报发文，解析了DeepSeek如何使用较低的开发成本以及性能稍逊的芯片，做到媲美世界上其他最先进的大模型，在一些方面甚至更有优势。也就是“弯道超车”。以下是DeepSeek的三大“黑科技”：
一、强化学习
根据DeepSeek发表的一篇论文，该大模型能够“以少胜多”，是因为其最新的R1模型更大量地依赖一种称为强化学习的技术。在这个过程中，模型利用自身创建并不断调整的奖励系统，从自身行为中获得反馈。
该模型以现有的大量文本为基础，这些文本被分解成独特的单词、单词片段和标点符号，之后再用不同方式重新组合。这个大语言模型有超过6710亿个可调整的设置，称为“参数”，通过调整这些参数可以决定模型如何回应指令。
模型的参数数量是衡量其规模的一种方式。与传统人工智能模型不同，R1在任何单一操作过程中，只有一小部分可调整设置处于活动状态。活动参数的减少大幅降低了处理所需的功率和计算量，使得该模型能够在更便宜、没那么先进的芯片上运行。
二、专家混合
DeepSeek的R1模型通过拆分成多个具有不同专长的网络来工作，这种方法称为“专家混合”。某些指令需要不同的专业知识，为了回答指令，模型只会处理它自己认为最相关的网络。
相比之下，传统人工智能模型在一种称为监督学习的过程中，依赖大量预先标记的数据集。预先标记工作由人工完成，既昂贵又耗时。专家混合技术，大大降低了AI的训练成本。
三、开源
DeepSeek的模型还因其开源而独具特色，这意味着公司外部的开发者也可以对其进行重新利用。
该公司的R1模型在由加州大学伯克利分校研究人员运营的Chatbot Arena平台上名列前茅，该平台对人工智能模型进行评分。
在数学和编码等任务方面，R1的表现优于大多数其他模型。
Chatbot Arena 的数据来自使用其网站的访问者，他们提出问题，从两个匿名人工智能模型获取答案，然后对哪个答案更好进行评分。该网站已对约200个模型收集了超过250万张投票。
根据人工智能基准测试公司Artificial Analysis汇编的数据，DeepSeek为开发人员提供的定价低于其智能类别中的许多其他模型。。
人工智能模型的开发者向用户收费，例如那些希望将该技术集成到其产品中的企业，收费依据是双方来回传输的数据量——用行业术语来说就是“令牌”数量。
华尔街日报表示，DeepSeek的中国模式在性能和定价上与美国主要AI开发商的模式具有竞争力。