DeepSeek-V2 详解：低秩 latent + decoupled RoPE，重新定义大模型 attention 的经济性（DeepSeek 系列第 6 篇）

转载本文请注明出处：https://yudonglee.me/deepseek-v2-explained/ | 作者：yudonglee

本文是 DeepSeek 论文专题系列的第 6 篇，详解 DeepSeek 公司 2024 年 5 月发表的 DeepSeek-V2: A Strong, Economical, and Efficient Mixture-of-Experts Language Model (arXiv:2405.04434)。这是 DeepSeek 通用 LLM 主线上的第一个 MoE 旗舰，首次提出了 Multi-head Latent Attention (MLA) 注意力机制——通过对 K / V 做低秩 latent 压缩，把 KV cache 砍到标准 MHA 的约 7%（93.3% 压缩率），让 236B 总参 / 21B 激活的 MoE 模型可以在长上下文推理中保持高吞吐。MLA 之后成为 DeepSeek 所有 V 系列模型（V3、V4）的标准件，与 DeepSeekMoE 并称为 DeepSeek 架构的”双支柱”。除了 MLA 之外，本文还会展开 V2 的整体设计：128K 长上下文、8.1T tokens 预训练、与 V1 / V2-Coder / V3 的演化关系，以及 MLA 与 RoPE 不兼容时的 decoupled RoPE 工程解法。

📚 DeepSeek 论文专题系列 · 全 18 篇

完整地图 → 序章 · DeepSeek 技术路线图

通用 LLM 主线：LLM · V2 (MLA) ● · V3 · V3.2 (DSA) · V4 · 收官

Reasoning 主线：Math (GRPO) · Prover · R1 · GRM · Math-V2

代码主线：Coder

多模态主线：VL · Janus

MoE 架构与工程：MoE · ESFT · Aux-Loss-Free

Attention 演化：NSA

一、为什么 V2 是 DeepSeek 系列的旗舰转折点

W1 序言里我们把 DeepSeek 论文分为四条主线，第一条通用 LLM 主线的演化路径是：

$\text{DeepSeek LLM 67B Dense (2024-01)} \to \text{DeepSeek-V2 236B MoE (2024-05)} \to \text{V3 671B (2024-12)} \to \text{V4 1.6T (2026-04)}$

V2 是这条主线上的关键转折点——从 Dense 切换到 MoE，从此 DeepSeek 通用 LLM 不再走”放大 Dense 参数”的传统 scaling law 路线，而是走”放大 MoE 总参 + 控制激活参数”的路线。这个架构选择决定了后续 V3 / V4 的所有形状。

V2 相对 V1 (67B Dense) 的核心数据：

维度	DeepSeek LLM 67B	DeepSeek-V2 236B
总参数	67B	236B
推理时激活	67B	21B
推理成本	1×	~0.42×（节省 ~58%）
训练成本	1×	~0.57×（节省 ~42%）
最大上下文	4K	128K
KV cache 大小	1× MHA	~0.073× MHA（MLA 压缩到 7.3%）
训练 tokens	2T	8.1T

注意这里的反直觉数字：236B 模型的推理成本居然只有 67B 的 42%。这不是因为某个单点优化，而是 MLA + MoE 同时作用的结果——MoE 让”激活参数”远小于”总参数”，MLA 让”KV cache 显存”远小于标准做法。两者合起来重新定义了”大模型”的成本曲线。

具体地看，V2 相对当时的主流开源模型（LLaMA-2 70B、Mixtral 8×22B、Qwen-1.5 72B）贡献了什么？三点：

MLA (Multi-head Latent Attention)：对 K / V 做低秩 latent 压缩，把 KV cache 砍到 MHA 的 7.3%——这是 V2 论文最有原创性的技术贡献
DeepSeekMoE 架构正式上规模：W3 详解过的 fine-grained + shared expert 设计被放大到 236B 参数级别，验证了这套设计在大规模下的稳定性
128K 长上下文经济化：MLA 的 KV 压缩让 128K 长上下文推理的显存成本降到可接受范围，这是同期其他开源 70B+ 模型做不到的

下面按论文顺序展开，重点放在 MLA。

二、模型概览与初始化

DeepSeek-V2 提供两个版本：

模型	总参	激活参数	主要用途
DeepSeek-V2	236B	21B	主力模型
DeepSeek-V2-Lite	16B	2.4B	端侧、轻量场景

V2 是从零训练的（不像 V2-Coder 从 V2 继续训练），训练数据 8.1T tokens 包含通用文本、代码、数学、中英文等。

架构上 V2 的关键配置：

60 层 Transformer
128 个 attention head（这是个非常大的数字，对应 MLA 设计需求）
d_model = 5120
MoE 部分：160 个 routed expert + 2 个 shared expert，Top-K = 6（沿用 DeepSeekMoE 设计）
MLA 部分：d_c = 512 (latent dim), d_r = 64 (per-head RoPE dim)
GQA-style？不是——V2 用的是 MLA 而非 GQA

注意一个细节：V2 的 attention head 数（128）远大于 LLaMA-2 70B 的 64。这与 MLA 设计有关——MLA 的好处之一是让”多 head”的成本变低（因为 KV cache 只与 latent dim 相关，与 head 数无关），所以 V2 团队可以放心地用 128 head 来增强表达能力。

三、核心创新：Multi-head Latent Attention (MLA)

3.1 标准 MHA 的两个问题

要理解 MLA 解决了什么问题，先回顾标准 Multi-Head Attention (MHA) 的工作流程。对一个 token $h_t \in \mathbb{R}^d$ ：

$q_t = W^Q h_t,\quad k_t = W^K h_t,\quad v_t = W^V h_t$

其中 $W^Q, W^K, W^V \in \mathbb{R}^{d \times d}$ （实际是 d × (n_h × d_h)，但 n_h × d_h = d）。然后拆成 $n_h$ 个 head 做 attention。

MHA 的两个痛点：

训练显存压力： $W^Q, W^K, W^V$ 三个矩阵都是 $d^2$ 参数量，反向传播需要存储完整激活
推理 KV cache 爆炸：自回归生成时需要缓存所有历史 token 的 $k, v$ ，cache 大小是 $2 \times n_h \times d_h \times L$ （L 是序列长度）。对 128 head × 128 head_dim × 60 layer 的模型，单 token KV cache 高达 1.97 MB——一个 32K 上下文的 batch 就需要 60+ GB 显存

这两个问题在长上下文推理中尤其突出。开源社区的传统解法：

MQA (Multi-Query Attention)：所有 Q head 共享 1 个 K / V head，cache 砍到 $2 \times d_h \times L$ ——节省巨大但模型质量明显下降
GQA (Grouped-Query Attention)：折中方案，n_g 个 K/V head 服务多个 Q head——LLaMA-2 70B 用的是 GQA，质量略好于 MQA 但仍弱于 MHA

MLA 的目标是保持 MHA 的表达能力，同时获得接近 MQA 的 cache 压缩比——理论上是不可能的”鱼与熊掌”，MLA 通过低秩 latent 压缩实现了这个目标。

3.2 MLA 的核心思路：低秩 latent 压缩

核心观察：与其分别为每个 head 维护独立的 $k_h, v_h$ ，不如把所有 head 的 K / V 信息压缩成一个低维 latent 向量 $c_t^{KV}$ ，需要时再”解压”出每个 head 的 K / V。

MLA 的前向计算（先不考虑 RoPE）：

$c_t^{KV} = W^{DKV} h_t \in \mathbb{R}^{d_c}$

$k_t = W^{UK} c_t^{KV},\quad v_t = W^{UV} c_t^{KV}$

$W^{DKV} \in \mathbb{R}^{d_c \times d}$ 是 down-projection（压缩矩阵）
$W^{UK}, W^{UV} \in \mathbb{R}^{(n_h \cdot d_h) \times d_c}$ 是 up-projection（解压矩阵）
$c_t^{KV}$ 是每个 token 的 latent 向量，维度 $d_c \ll n_h \cdot d_h$

V2 的具体配置： $d_c = 512$ ，相比 $n_h \cdot d_h = 128 \times 128 = 16384$ ，压缩比为 $16384 / 512 = 32×$ 。

关键的工程优势：推理时只需要缓存 $c_t^{KV}$ 而不是 $k_t, v_t$ 。每个 token 的 cache 大小从 $2 \times 16384 = 32768$ （float）降到 $d_c = 512$ ——理论上能压到 1/64。

但这里有一个非常微妙的问题：在 attention 计算中，K 和 Q 要做矩阵乘 $Q^T K$ ，如果只存了 $c^{KV}$ ，岂不是每次推理都要重新做 $W^{UK} c$ 解压？这不就抵消了 cache 节省吗？

答案是 MLA 的另一个工程巧妙之处——matrix absorption（矩阵吸收）。

3.3 推理时的 Matrix Absorption 技巧

在 attention 计算里：

$\text{Attn score} = q_t^T k_s = q_t^T (W^{UK} c_s^{KV}) = (q_t^T W^{UK}) c_s^{KV}$

注意 $W^{UK}$ 只与 $q_t$ 这一侧的运算相关，与历史 token 无关。所以推理时可以预先把 $W^{UK}$ 吸收到 Q 的投影中：

$\tilde{q}_t = (W^{UK})^T q_t = (W^{UK})^T W^Q h_t = (W^{UQ})^T W^Q h_t$

然后 attention 直接变成：

$\text{Attn score} = \tilde{q}_t^T c_s^{KV}$

——只需要存 $c^{KV}$ ，不需要解压成 K，attention 直接在 latent 空间做。

同样的吸收对 V 也成立： $W^{UV}$ 可以吸收到输出投影 $W^O$ 里。

为什么这个吸收可行：因为 $W^{UK}$ 与 $W^Q$ 之间没有非线性（softmax 在 $q^T k$ 之后才作用），所以两个线性变换可以合并。这是 MLA 设计的精细之处——压缩与吸收是配套设计的。

实际上 V2 论文里还对 Q 也做了类似的低秩分解（ $c_t^Q = W^{DQ} h_t, q_t = W^{UQ} c_t^Q$ ），主要目的是减少训练时的激活显存（推理时 Q 不需要 cache，所以 Q 压缩对推理意义不大）。

MHA vs MLA 架构对比：MHA 缓存完整的 K 和 V，MLA 缓存低秩 latent c_t^KV + 小维度 RoPE-K，通过 matrix absorption 让 attention 直接在 latent 空间做

3.4 工程挑战：MLA 与 RoPE 不兼容

到这里 MLA 看起来已经很优雅了，但有一个致命问题：RoPE（Rotary Position Embedding，旋转位置编码）和 MLA 的 latent 压缩天然不兼容。

RoPE 的工作方式是对 K（和 Q）做一个位置相关的旋转：

$k_t^{\text{RoPE}} = R_t \cdot k_t$

其中 $R_t$ 是一个位置 $t$ 决定的旋转矩阵。问题是：

如果在 $k_t = W^{UK} c_t^{KV}$ 之后才应用 RoPE，那 attention 计算变成 $q_t^T R_t^T R_s W^{UK} c_s$ ， $R_t^T R_s$ 是位置相关的，无法预先吸收——matrix absorption 失效
如果想做 absorption，就要在 $c_t^{KV}$ 上直接做 RoPE，但 RoPE 是对 K 这种正交分量做旋转，对 latent 做 RoPE 没有几何意义

DeepSeek-V2 的解法是 decoupled RoPE（解耦 RoPE）——把每个 head 的 K 切成两部分：

$k_t = [\,\underbrace{k_t^C}_{\text{content (no RoPE)}};\, \underbrace{k_t^R}_{\text{RoPE}}\,] \in \mathbb{R}^{d_h + d_r}$

content 部分 $k_t^C = W^{UK} c_t^{KV}$ ——走 latent 压缩，不应用 RoPE，可以做 matrix absorption
RoPE 部分 $k_t^R = \text{RoPE}(W^{KR} h_t)$ ——直接从 $h_t$ 算，应用 RoPE，所有 head 共享同一个 $k_t^R$ （类似 MQA）

Q 也对应做分解：

$q_t = [\,q_t^C;\, q_t^R\,],\quad q_t^C = W^{UQ} c_t^Q,\quad q_t^R = \text{RoPE}(W^{QR} c_t^Q)$

attention 计算变成：

$\text{Attn score} = q_t^T k_s = q_t^{C\,T} k_s^C + q_t^{R\,T} k_s^R$

第一项：在 latent 空间做（吸收 $W^{UK}$ ）
第二项：在小维度的 RoPE 子空间做

Cache 内容：每个 token 只需缓存：

$c_t^{KV}$ （latent 向量，维度 $d_c = 512$ ）
$k_t^R$ （RoPE 部分，维度 $d_r = 64$ ，所有 head 共享）

总 cache 大小 = $d_c + d_r = 512 + 64 = 576$ （float）/ 每 token / 每 layer。

3.5 KV cache 大小对比

把不同 attention 变体的 KV cache 量化对比（基于 V2 配置： $n_h = 128, d_h = 128$ ）：

变体	KV cache / token / layer	相对 MHA	模型质量
MHA	$2 n_h d_h = 32768$	100%	强（baseline）
MQA	$2 d_h = 256$	0.78%	明显弱于 MHA
GQA (n_g=8)	$2 \times 8 \times d_h = 2048$	6.25%	略弱于 MHA
MLA (V2 配置)	$d_c + d_r = 576$	1.76%	接近或略超 MHA

注意：

MLA 的 cache 大小（576）已经接近 MQA（256）的水平——但模型质量保持了 MHA 级
相对 GQA-8，MLA 在 cache 上小 3.5×，在质量上还略好
如果与 GQA-1（即 MQA）对比，MLA 的 cache 大约是其 2.25×，但质量明显更好

V2 论文官方报告的对比数字是与 DeepSeek 67B Dense 相比 KV cache 减少 93.3%——背后正是 MLA 这套设计。

KV cache 大小对比：MHA 32768 floats / token，MLA 仅 576 floats / token（1.76%），比 GQA-8 还小 3.5×，接近 MQA 水平但模型质量保持 MHA 级

3.6 MLA 的训练稳定性

MLA 由于引入了额外的低秩分解，理论上会有一些训练稳定性挑战。V2 论文里报告了几个工程实践：

RMSNorm 应用在 $c^{KV}$ 上：在压缩之后立即做 normalization，防止 latent 表征 drift
$W^{UK}$ 与 $W^{UV}$ 初始化使用 scaled normal：避免训练初期 latent 解压后数值不稳
学习率调度：MLA 部分对学习率更敏感，需要相比 MHA 略低的初始学习率

这些都是工程细节，但累积起来决定了 MLA 能否成功跑到 236B 规模——纸面公式看起来漂亮，实战落地要面对这些 trade-off。

四、DeepSeekMoE 在 V2 中的应用

V2 的 MoE 部分完全沿用 W3 详解过的 DeepSeekMoE 设计：fine-grained expert + shared expert。这里只补充 V2 规模下的具体配置：

项	DeepSeekMoE 16B	DeepSeek-V2 236B
总参	16B	236B
激活参数	2.8B	21B
Routed expert 数	64	160
Shared expert 数	2	2
Top-K	6	6
每 token 激活 expert	6 + 2 = 8	6 + 2 = 8

可以看到 V2 把 routed expert 数从 64 放大到 160，但 Top-K 和 shared expert 数都保持不变——这是 DeepSeekMoE 设计的”按比例放大”路径。

V2 还引入了 W3 没有的两个 MoE 工程细节：

Device-limited routing：限制每个 token 在多少个 device 上做 expert 选择，约束在 ≤4 个 device。这是 DeepSeekMoE device-level balance loss 的硬约束版本，减少跨设备通信
Token-dropping strategy：训练时如果某个 expert 收到的 token 数超过 capacity（容量），多出来的 token 会被 drop。V2 设了一个温和的 drop ratio（≤0.05），平衡稳定性与计算效率

这两个工程优化都是为了让 MoE 在大规模分布式训练里跑得稳——本质是 GPU 集群约束驱动的 architectural decision。

五、训练 pipeline 与长上下文扩展

V2 的训练分四个阶段：

5.1 Pretraining (8.1T tokens)

完整从零训练，数据配比：

通用文本 ~70%（英中双语为主）
代码 ~17%
数学 ~10%
其他（多语言、知识类）~3%

注意代码占比 17% 明显高于 DeepSeek-LLM 67B（约 10%）——这反映了 DeepSeek 团队在 V1 之后从 Math 论文学到的经验：代码数据对 reasoning 能力有显著正向贡献，所以 V2 通用 LLM 训练里就主动加大代码占比。

5.2 Long Context Extension (32K → 128K)

Pretraining 默认是 32K 上下文，扩展到 128K 用的是 YaRN-style RoPE 频率缩放：

$\theta_i' = \theta_i / s, \quad s = \frac{L_{\text{new}}}{L_{\text{train}}}$

其中 $s = 128K / 32K = 4$ 是缩放因子。然后用 100B tokens 在 128K 窗口上做继续预训练。

这里的工程要点是：MLA 让长上下文训练真正经济。32K → 128K 的扩展需要 attention 计算量是原来的 16×（attention 复杂度是序列长度平方），加上 KV cache 也是 4×。如果不是 MLA 把 cache 压到 1.76%，长上下文训练显存会爆炸。

5.3 SFT (1.5M 指令样本)

监督微调阶段，与之前 DeepSeek-Coder / Math 的 SFT 类似，使用对话格式与多种任务覆盖。

5.4 RL (DeepSeekMath 的 GRPO)

V2 的 RL 阶段直接用 W5 详解过的 GRPO 算法——这是 GRPO 首次被用到 DeepSeek 主线通用 LLM 上（之前只在 Math 这种垂直领域用过）。

V2 的 reward modeling 与 R1 不同——V2 用了更传统的 reward model + GRPO 组合，没有 R1 的 reasoning-format reward。这部分细节论文里没有大量展开，因为 V2 的目标是”对话质量提升”而非”reasoning 能力突破”，后者要等到 W11 的 R1 才会被系统性解决。

六、评测结果与推理经济性

V2 发布时的 benchmark 全景（与同期开源旗舰对比）：

Benchmark	DeepSeek-V2 (236B / 21B)	LLaMA-3 70B	Mixtral 8×22B	Qwen-1.5 72B
MMLU	78.5	82.0	77.8	76.3
BBH	78.9	81.0	78.8	77.4
HumanEval	81.1	81.7	75.0	71.3
MBPP	72.0	70.4	64.2	66.4
GSM8K	79.2	81.9	70.5	78.9
MATH	43.6	30.7	28.7	39.9
C-Eval (中文)	81.7	67.5	61.4	84.1

关键观察：

MMLU、BBH、HumanEval 上 V2 与 LLaMA-3 70B 互有胜负——这是一个 21B 激活 vs 70B 激活的对比，从这个角度看 V2 的能力密度更高
数学（MATH）上 V2 大幅领先——继承自 DeepSeekMath 团队的数据 pipeline
中文 C-Eval 上 V2 仅次于 Qwen-1.5 72B——双语训练数据的红利

6.1 推理经济性：V2 真正的 USP

V2 论文最重要的一张图是推理成本对比：

模型	激活参数	KV cache	单 GPU 最大 batch	相对吞吐
DeepSeek 67B Dense	67B	1× MHA	16	1×
DeepSeek-V2	21B	0.073× MHA	256	5.76×

236B 模型的吞吐反而是 67B Dense 的 5.76×——这就是 MLA + MoE 双柱设计的工程成果。具体到 API 定价，V2 发布时的价格约 1元 / 百万 input tokens，是同期 GPT-4 价格的 1%。这是开源社区第一次看到”大模型 + 经济推理”同时实现。

V2 对市场的意义：V2 把”开源大模型经济性”从单纯的参数效率（small model）路线，转向了”大总参 + 小激活 + 压缩 cache”的工程组合。这套思路后来被 V3 进一步放大（671B / 37B），并影响了 Qwen-MoE、Kimi-VL 等多个开源模型的设计选择。

七、局限与衔接 V3

DeepSeek-V2 是一个里程碑式的 MoE 旗舰，但仍有几个局限：

激活参数 21B 还偏小——某些复杂推理任务（MATH 高难题、长链 reasoning）的 SOTA 模型激活参数普遍在 70B+。V3 把激活参数放大到 37B 是直接回应
没有 FP8 训练——V2 仍用 BF16，训练成本与精度 trade-off 没有压到极限。V3 引入 FP8 训练把训练显存进一步砍半
Pipeline 并行效率——V2 用的是标准 1F1B 调度，bubble 较大。V3 引入 DualPipe 把调度优化到接近 zero-bubble
DeepSeekMoE 的 balance loss 副作用——V2 用 expert-level + device-level balance loss，对 router 有一定扭曲。V3 用 Auxiliary-Loss-Free Load Balancing（W11 详解）解决这个问题
128K 上下文外推不稳定——V2 在 128K 接近上限时性能略下降。V3.2 引入 NSA (Native Sparse Attention) 把可靠上下文拓展到百万级

V3 在 V2 基础上的关键升级（W12 详解）

维度	DeepSeek-V2	DeepSeek-V3
总参 / 激活	236B / 21B	671B / 37B
训练精度	BF16	FP8
MoE Routed Expert	160	256
MoE Shared Expert	2	1
Pipeline 调度	1F1B	DualPipe
Load Balance	Aux Loss	Aux-Loss-Free
训练 tokens	8.1T	14.8T

V3 是把 V2 的所有维度都放大 + 工程精修一遍的结果。MLA 和 DeepSeekMoE 这两个支柱设计保持不变——这进一步印证了 V2 这一代奠基架构的稳定性。

MLA 对行业的影响

MLA 提出之后，业界出现了若干跟进工作：

TransMLA（Towards Economical Inference，arXiv:2502.14837）：研究如何把现有的 MHA / GQA 模型转换为 MLA，让任意 Transformer 都能享受 KV cache 压缩
Hardware-centric MLA 分析（arXiv:2506.02523）：从硬件 IO bandwidth 角度分析 MLA 的极限优势
多家开源团队尝试复刻：但目前还没有团队公开成功在 70B+ 规模重现 MLA 的优势——这反映了 MLA 工程细节（特别是 decoupled RoPE 与 matrix absorption 的协同）的实现门槛

可以说 MLA 是 DeepSeek 系列里学术原创性最高的架构创新——DeepSeekMoE 是已有思路的精细化，GRPO 是 PPO 的简化，而 MLA 是真正”业界第一次实现”的新机制。

写在最后

DeepSeek-V2 是 DeepSeek 系列里架构含金量最高的一篇 paper。它做对了三件事：

首次提出 MLA：用低秩 latent 压缩 + decoupled RoPE 解耦 + matrix absorption 吸收，把 KV cache 砍到 MHA 的 1.76%，同时保持模型质量
首次把 DeepSeekMoE 放大到 200B+ 规模：验证了 fine-grained + shared expert 设计在大模型上的稳定性，为 V3 / V4 铺路
建立了”大总参 + 小激活 + 压缩 cache”的经济推理范式：236B 模型推理吞吐 5.76× 于 67B Dense，重新定义了”开源大模型”的成本曲线

这三件事的影响远超 V2 本身——V3 / V4 都建立在这套架构基础上，整个 2024-2026 年的开源 MoE 模型设计选择也大量参考了 V2 的方法论。

下一篇 W8 我们详解 DeepSeek-Prover 系列（arXiv:2405.14333），这是 DeepSeek 在形式化数学证明方向的探索——把 LLM 与 Lean / Coq 等定理证明器结合，把数学推理从”自然语言 CoT”推向”机器可验证的形式化证明”。这是 R1 之前 DeepSeek 在 reasoning 主线上的另一条平行探索，为后来的 reasoning-as-search 路线提供了思路。

参考资料

DeepSeek-AI, DeepSeek-V2: A Strong, Economical, and Efficient Mixture-of-Experts Language Model, arXiv:2405.04434, 2024.
DeepSeek-V2 GitHub repository:
Su et al., RoFormer: Enhanced Transformer with Rotary Position Embedding (RoPE), arXiv:2104.09864, 2021.
Shazeer, Fast Transformer Decoding: One Write-Head is All You Need (MQA), arXiv:1911.02150, 2019.
Ainslie et al., GQA: Training Generalized Multi-Query Transformer Models from Multi-Head Checkpoints, arXiv:2305.13245, 2023.
Peng et al., Towards Economical Inference: Enabling DeepSeek’s Multi-Head Latent Attention in Any Transformer-based LLMs (TransMLA), arXiv:2502.14837, 2025.
Eryk Banatt, Understanding Multi-Head Latent Attention, blog post, 2024.
Dai et al., DeepSeekMoE: Towards Ultimate Expert Specialization in Mixture-of-Experts Language Models, arXiv:2401.06066, 2024.

AI Research & Engineering: RecSys, Search, NLP, Generative AI and Beyond

DeepSeek-V2 详解：低秩 latent + decoupled RoPE，重新定义大模型 attention 的经济性（DeepSeek 系列第 6 篇）

一、为什么 V2 是 DeepSeek 系列的旗舰转折点

二、模型概览与初始化