家机制，解决了专家模块工作量不平 衡的问题。 混合专家（MoE）架构 通过低秩压缩减少推理时的内存占用， 同时保持与传统多头注意力（MHA） 相当的性能。MLA在训练中减少了 内存和计算开销，在推理中降低了 KV缓存占用空间。 多头潜在注意力（MLA）机制 通过序列化预测未来多个令牌，增强 模型的上下文建模能力，并支持推测 解码加速推理。MTP在特定场景下同 时预测多个令牌，提高信号密度，减 少上下文漂移和逻辑连贯性问题。 其他国际大公司的训练成本。这种低成本策略使得更多企业和开发 者能够负担得起高性能 AI 模型的训练和使用。  调用成本：DeepSeek R1 的 API 服务定价为每百万输入 tokens 1 元（缓存命中）/4 元（缓存未命中），每百万输出 tokens 16 元， 输出 API 价格仅为 OpenAI o1 的 3%。这种低廉的 API 价格进一 步降低了使用门槛。 DeepSeek R1 采用 MIT 6万美元 0.14美元（缓存未命中） / 0.014美元（缓存命中） 0.28美元 DeepSeek-R1 未明确（推测低于V3） 0.14美元（缓存命中） / 0.55美元（缓存未命中） 2.19美元 OpenAI GPT-4o 10亿美元 2.5美元（缓存未命中） / 1.25美元（缓存命中） 10美元 OpenAI o1 未明确 （推测高于GPT-4o） 15美元（缓存未命中） / 7