Что такое DeepSeek
DeepSeek — китайская исследовательская компания (Ханчжоу), ставшая известной благодаря открытым релизам больших моделей: начиная с поколения DeepSeek-V3 веса публикуются под лицензией MIT на Hugging Face. Именно сочетание «сильные веса + максимально пермиссивная лицензия» сделало семейство одним из главных кандидатов для собственного контура.
Лицензия MIT короче и свободнее большинства: разрешено всё, включая коммерческое использование и модификацию, обязательны только сохранение уведомления о правах. Для предприятия это самый простой юридический случай среди крупных открытых моделей — при условии, что вы разворачиваете веса сами и отвечаете за выход модели.
Особенность семейства — акцент на рассуждения: модели R1 обучены «думать» перед ответом, а последующие версии (V3.1, V3.2) совмещают режимы размышления и быстрого ответа в одной модели. Для бизнеса это означает, что одну и ту же модель можно настраивать либо на точность (документы, расчёты), либо на скорость (диалоги).
Проверенные факты о семействе
| Параметр | Факт |
|---|---|
| Разработчик | DeepSeek (Китай, Ханчжоу) |
| Лицензия весов | MIT — для моделей начиная с DeepSeek-V3 (веса на Hugging Face) |
| Флагманские линии | DeepSeek-V3 (MoE, 671B общих параметров, 37B активных) и reasoning-модель DeepSeek-R1 |
| Дистилляты R1 | шесть открытых моделей от 1.5B до 70B на базах Qwen и Llama |
| Режимы | V3.1 и далее — гибрид: переключение thinking / non-thinking |
| API разработчика | собственная платформа API DeepSeek (наряду с открытыми весами) |
Практический смысл дистиллятов: знания и стиль большой R1 «перенесены» в компактные базы, которые реально запустить на одном сервере. Это делает DeepSeek одним из немногих семейств, где есть и флагман для дата-центра, и малые модели для отделений и edge — под единой лицензией. Сверка фактов: 20 сентября 2026 года.
Варианты развёртывания
Облачный API
У DeepSeek есть собственный платный API. Для российских заказчиков действуют те же оговорки, что и для любых зарубежных API: доступность из РФ, оплата и передача данных за периметр. Там, где данные чувствительны, API не проходит внутренние политики — и это главный аргумент за контур.
On-premise
Веса скачиваются с Hugging Face. Флагманские V3/R1 — тяжёлые MoE-модели: это инфраструктура мультисерверного инференса. Дистилляты 7B–32B — обычные плотные модели: vLLM под нагрузку (сервинг), llama.cpp и GGUF для CPU (инференс без GPU, квантование). Режим рассуждений увеличивает время ответа и расход токенов — это надо закладывать в SLA сервиса.
Гибрид
Типовая схема: дистиллят в контуре для массовых запросов, большая модель — для сложных случаев по требованию. Правила маршрутизации простыми и сложными задачами — отдельная точка проектирования (см. LLM-роутинг или одна модель).
Как НЬЮ-ССТ внедряет DeepSeek
Внедрение идёт по нашей стандартной лестнице: аудит процесса и данных (от 90 000 ₽) → пилот с оценкой кандидатов на вашем корпусе (от 480 000 ₽) → MVP с интеграцией (от 690 000 ₽) → защищённый контур с мониторингом (0,9–1,2 млн ₽). Для DeepSeek обязательный элемент пилота — сравнение дистиллятов между собой и с альтернативами: разница между 7B и 32B на русском корпусе бывает решающей, а стоит она дёшево по сравнению с закупкой лишнего железа.
Мы не продаём «магию reasoning»: для задач с проверяемым выходом (извлечение полей, классификация) режим размышления часто избыточен, и мы замеряем цену качества в секундах и токенах. Про выбор модели под документы — как выбрать LLM для обработки документов; про общий контур внедрения — LLM-интеграции.
Практический пример маршрута
Условный маршрут внедрения, который мы используем как рамку обсуждения с заказчиком: обращения клиентов и внутренние документы делятся на два потока. Первый — массовая классификация и извлечение полей: здесь работает дистиллят 7B–14B в быстром режиме, важна скорость и предсказуемость. Второй — спорные и сложные случаи: они маршрутизируются на старшую модель в thinking-режиме, где допустимы секунды размышлений. Граница потоков настраивается правилами и уточняется по итогам эксплуатации. Такой маршрут даёт экономию на железе без потери качества там, где оно критично, и полностью укладывается в лицензию MIT.
Частые ошибки при выборе DeepSeek
- Флагман сразу «в бой». V3/R1 — тяжёлые MoE-модели; для большинства корпоративных задач дистилляты 7B–32B дают сопоставимый результат на несравнимо меньшем железе.
- Ожидание скорости от reasoning-режима. Длинные цепочки рассуждений — это секунды и токены; SLA сервиса считается с запасом на «подумать».
- Смешение лицензий в цепочке. Базовая MIT не всегда «наследуется» внешними обвязками и датасетами — фиксируйте лицензии всех компонентов.
- Логи без политики. Цепочки рассуждений журналируются и могут содержать чувствительные фрагменты — определите сроки и доступ к логам заранее.
- Отказ от сравнения. DeepSeek — сильный кандидат, но не единственный: пилот всегда сравнивает 2–3 модели, иначе выбор не обоснован.
Дисциплина выбора — половина успеха внедрения; вторая половина — эксплуатация с мониторингом и защитой.
Безопасность и риски
Технические риски — как у любой LLM: инъекции, утечка промптов, злоупотребление инструментами. Реестр защит — OWASP LLM Top-10, тестирование на обход — jailbreak-тесты. Специфика DeepSeek: режим рассуждения генерирует длинные цепочки, которые тоже журналируются и могут содержать чувствительные фрагменты — настройте политику логов.
Юридически: флагманы семейства — большие фундаментальные модели в терминах закона об ИИ (>1 млрд параметров, порог), поэтому на эксплуатанта ложатся правила эксплуатации модели. Китайский правообладатель — отдельная точка проверки для комплаенса и для госзаказчиков (см. реестр российского ПО с ИИ). Учёт модели и её дистиллятов в AI BOM обязателен.