【AI驱动】 本文分为三小节 一、学习AI，为什么要了解Markdown和Mermaid 二、对两者进行基本介绍 三、说明两者的区别与关系

【AI驱动】 行者AI视频发布了一篇教程，展示了如何利用DeepSeek和哩布AI工具在短短三分钟内制作出哪吒2走秀视频。文章首先介绍了通过DeepSeek生成走秀场景的AI绘画提示词，然后指导读者在哩布官网使用预设的哪吒IP模型生成走秀图片。接下来，使用可灵AI将图片转化为视频，并进行后期剪辑，添加背景音乐和调整节奏以完成最终作品。整个过程简便快捷，使得每个人都能成为内容创作者，且DeepSeek在多个领域都能发挥巨大作用。文章最后提到，通过这些步骤，可以轻松制作出高质量的视频，并鼓励读者加入AI公开课分享群以获取更多AI干货。

【AI驱动】 如何使用DeepSeek工具制作AI古诗词视频，以此在社交媒体上快速增粉。文章详细拆解了视频制作流程，包括利用DeepSeek生成古诗分镜脚本、绘画提示词，使用即梦AI工具根据提示词生成图片，并通过即梦AI将图片转化为视频。此外，还涉及了视频配音和剪辑的步骤。文章还探讨了此类视频账号的变现方法，如通过视频平台的创作者分成计划、小红书商单、橱窗带货和定制课程等方式实现盈利。作者强调了AI工具在内容创作中的普及和重要性，并提供了DeepSeek使用指南的领取方式。

【日积月累】 当 DeepSeek 发布其推理模型 DeepSeek-R1 时，AI 社区为之震动。这个模型不仅在性能上媲美 OpenAI o1，更重要的是提供了详细的技术报告，揭示了训练方法的关键步骤。然而，DeepSeek 虽然开源了模型权重，却没有公开训练数据和代码。这种状况促使 HuggingFace 团队启动了 Open-R1 项目，致力于系统性地重构 DeepSeek-R1 的训练流

【日积月累】 我们工作中有大量需要使用Office或WPS等办公软件，那有没有什么办法在上面集成DeepSeek呢？答案是肯定的！今天分享的这个方法那简直就是白嫖，只需要一个DeepSeek的API Key即可搞定。

【日积月累】 想要体验deepsee满血版功能，推荐官网和硅基流动，但需注意可能存在的卡顿问题； 追求稳定流畅的使用体验，纳米搜索、秘塔AI搜索、超算互联网、小艺和英伟达是不错的选择；

【日积月累】 本文将提供两种接入方案（直接调试和API服务），并包含VSCode特有配置技巧。

【日积月累】 本文介绍 DeepSeek-TS，该框架受到 DeepSeek 中高效的多头潜在注意力（MLA）和群组相对策略优化（GRPO）技术的启发，并将其应用于多产品时间序列预测。 这个的方法扩展了 MLA，提出了 MLA-Mamba。MLA-Mamba 允许潜在特征通过具有非线性激活的状态空间模型动态演变，为模型提供自适应记忆，使其能够适应趋势变化。

【日积月累】 DeepSeek-R1 通过创新的训练策略实现了显著的成本降低，同时保持了卓越的模型性能。本文将详细分析其核心训练方法以及降低成本逻辑

【日积月累】 DeepSeek R1 的完整训练流程核心在于，在其基础模型 DeepSeek V3 之上，运用了多种强化学习策略。本文将从一个可本地运行的基础模型起步，并参照其技术报告，用PyTorch完全从零开始构建 DeepSeek R1，理论结合实践，逐步深入每个训练环节。通过可视化方式，由浅入深地解析 DeepSeek R1 的工作机制。

【日积月累】 Spring Boot是一个用于构建高效服务的框架，提供了简化的项目配置和开发过程。在开发API时，Spring Boot通过注解和自动配置功能，使开发者能够快速建立强大而优雅的接口。本文将介绍如何使用Spring Boot进行API开发，并结合Swagger实现API文档化，帮助开发者更好地构建和维护项目中的RESTful服务。

【学习各类API】 本文详细介绍了如何通过调用DeepSeek API，将其集成到项目中，从而实现智能问答等功能。通过选择适合的第三方平台并使用Java代码示例，用户可以轻松掌握API的调用方法。此外，文章还提供了多个平台的对比，帮助用户根据需求选择最优方案。文章内容丰富，覆盖了从API密钥获取到实际应用的完整流程。

【AI驱动】 DeepSeek 开源周第一天，推出了名为 FlashMLA 的技术，该技术为 Hopper GPU 开发的高效 MLA 解码内核，专门针对可变长度序列进行了优化，已投入生产。FlashMLA 使用后，H800 可达到 3000GB/s 内存，实现 580TFLOPS 计算性能。MLA 是 DeepSeek 提出的创新注意力架构，从 V2 开始，MLA 使得 DeepSeek 在系列模型中实现成本大幅降低，但计算、推理性能仍能与顶尖模型持平。此次发布的 FlashMLA 支持 BF16，分页 KV 缓存，块大小为 64。环境要求为 Hopper GPU、CUDA 12.3 及以上版本、PyTorch 2.0 及以上版本。MLA 通过低秩联合压缩技术，将多头注意力中的键（Key）和值（Value）矩阵投影到低维潜在空间，从而显著减少键值缓存（KV Cache）的存储需求。V2 版本中，显存占用降到了过去最常用的 MHA 架构的 5%-13%，推理成本仅为 Llama 370B 的 1/7、GPT-4 Turbo 的 1/70。V3 版本中，降本提速更为明显。DeepSeek-R1 在 HuggingFace 上获得了超过 10000 个赞，成为该平台近 150 万个模型之中最受欢迎的大模型。

【AI驱动】 本文深入探讨了DeepSeek大模型的核心技术，从公司背景、模型能力、训练与推理成本到核心技术细节进行了全面分析。DeepSeek由幻方量化于2023年7月在杭州成立，其推出的V3模型在性能上已与OpenAI的GPT-4o媲美，训练成本不到600万美元，API定价远低于国内其他头部厂商。DeepSeek-V3采用了自研的MLA（多头潜在注意力）机制和无辅助损失的MoE（Mixture of Experts）架构，显著减少了KV缓存和训练成本。训练框架HAI-LLM支持多种并行策略，优化了通信和计算效率。推理部署采用预填充和解码分离策略，确保高吞吐量和低延迟。文章还指出，DeepSeek的成功在于其深厚的技术积累和对基础研究的重视，其技术创新将推动AI行业的快速且低成本迭代。

【日积月累】 DeepSeek接入飞书，开启智能办公新篇章。通过接入DeepSeek-R1，飞书不仅提升了用户体验，还优化了工作流程。DeepSeek的智能文案生成、数据分析等功能在飞书中得到充分发挥。用户可利用DeepSeek进行文本生成、数据分析和智能搜索等，同时支持多语言处理与翻译。API接口的灵活调用确保了系统的稳定性与安全性，为用户提供高效的办公解决方案。