沒必要二選一：DeepSeek-V3.1 把“思考模式”和“效率模式”裝進同一模型 原創
當大家還在為“要不要開思維鏈”爭論不休時，DeepSeek-V3.1 直接把答案寫進了模型：一個模型，同時支持“思考（Thinking）”與“非思考（Non-Thinking）兩種生成范式，按需切換。這不是簡單的開關，而是一整套從 chat template 到 工具調用、從 代碼代理 到 搜索代理 的系統工程。更重要的是，它依舊延續了 DeepSeek 系列“以極高性價比逼近頂級性能”的口碑，為企業和開發者打開了新的成本—性能平衡點。
下面，我們把這次升級拆解清楚：它究竟升級了什么、為什么重要、怎么用、適合誰。
1、定位與升級：把“混合思維模式”變成可控生產力
如果你關注過 V3，就知道它已經能打；而 DeepSeek-V3.1 在此基礎上進一步“補齊思考與效率的兩端”。
- 混合思維模式：一套chat template即可在Thinking 與 Non-Thinking之間切換。Non-Thinking更快、更適合對延遲敏感的線上業務；Thinking更穩、更適合需要嚴謹推理的復雜任務（如數學、編碼、工具組合調用）。兩種模式統一到一個模型里，避免了環境切換和權重維護的額外成本。（輔關鍵詞：混合思維模式、長上下文）
- 工具調用與智能代理：V3.1 對tool calling做了后訓練優化，嚴格結構化的調用格式、更穩定的agent 軌跡模板，同時支持代碼代理（Code Agent）與搜索代理（Search Agent）等復雜場景。對于業務系統意味深長：從“會回答”到“會辦事”。（輔關鍵詞：工具調用、代碼代理）
- 思考效率更高：在思考模式下，V3.1 的回答質量可比肩 R1-0528，但響應速度更快。面對“效率與質量”這對老難題，它選擇了“減少浪費的思考”。（輔關鍵詞：混合思維模式、MoE 架構）
一句話總結：DeepSeek-V3.1 把“如何思考、何時思考、思考到什么程度”交還給開發者，可控、穩定、能落地。
2、架構與訓練：671B 參數總量的 MoE，推理只激活 37B
性能從何而來？答案藏在MoE 架構 + 長上下文訓練。
- MoE 架構：模型總參數 671B，但每個 token 僅激活 37B專家，做到了“容量與成本解耦”。這意味著：保持大模型的表達能力，同時顯著降低單次推理開銷。（輔關鍵詞：MoE 架構、長上下文）
- 128K 上下文：上下文直接拉到128K tokens，對代碼審閱、長文檔分析、合同比對、技術檢索都更加友好。（輔關鍵詞：長上下文、工具調用）
- 兩階段長上下文擴展：
a.32K 階段：在 630B tokens 上訓練，是 V3 的 10 倍；
b.128K 階段：在 209B tokens 上訓練，是 V3 的 3.3 倍。 這不是“把窗口調大”的簡單工程，而是系統性地讓模型學會理解長文本的組織與結構。（輔關鍵詞：長上下文、混合思維模式）
- FP8（UE8M0）微縮標度：以FP8 microscaling進行效率優化，匹配新一代硬件的算力特征，讓大規模訓練與推理都更經濟。（輔關鍵詞：MoE 架構）
這套工程讓 DeepSeek-V3.1 在大容量、低成本、長上下文這三項傳統“不可兼得”的指標上找到了現實解。
3、混合思維模式：一個模板，兩種“大腦”，隨用隨切
DeepSeek-V3.1 通過 chat template 控制模式，非常直觀：
- 非思考（Non-Thinking）首輪前綴示例（關鍵信號：?
?</think>??）：
<｜begin▁of▁sentence｜>{system prompt}<｜User｜>{query}<｜Assistant｜></think>多輪對話會在上下文中**保留 ??</think>??**，并以
<｜User｜>{query}<｜Assistant｜></think>作為前綴繼續。（輔關鍵詞：混合思維模式）
- 思考（Thinking）首輪前綴示例（關鍵信號：?
?<think>??）：
<｜begin▁of▁sentence｜>{system prompt}<｜User｜>{query}<｜Assistant｜><think>多輪與非思考類似，但**歷史輪次中保留 ??</think>???**，最后一輪用 ??<think>?? 觸發思考。（輔關鍵詞：混合思維模式、長上下文）
如何取舍？
- 做實時問答、在線客服、檢索式問詢：優先Non-Thinking，延遲更低；
- 做數學推理、復雜代碼生成與調試、跨工具流水線：優先Thinking，質量收益顯著；
- 做場景混合：在一個系統里按路由策略動態選擇模式，比如“低風險問題走 Non-Thinking，高風險問題走 Thinking”。（輔關鍵詞：工具調用、代碼代理）
4、工具調用與智能代理：把“會說”升級為“會做”
ToolCall 在 非思考模式 下支持，格式嚴格、穩定可編排。模板要求示例（節選）：
## Tools
You have access to the following tools:
### {tool_name1}
Description: {description}
Parameters: {json.dumps(parameters)}
IMPORTANT: ALWAYS adhere to this exact format for tool use:
<｜tool▁calls▁begin｜><｜tool▁call▁begin｜>tool_call_name<｜tool▁sep｜>tool_call_arguments<｜tool▁call▁end｜>{{additional_tool_calls}}<｜tool▁calls▁end｜>這意味著你可以把 DeepSeek-V3.1 直接塞進腳本化工作流里：先調用外部 API 拉數據 → 生成代碼 → 執行 → 調試，形成一條可回放的“代理軌跡”。（輔關鍵詞：工具調用、代碼代理）
- 代碼代理（Code Agent）：官方提供了軌跡模板，定義了生成—執行—調試的交互協議；在SWE-bench（Agent 模式）這類評測里，V3.1 展現出明顯優勢。對于日常工程，這意味著它不只是“寫個函數”，而是能圍繞目標持續迭代。（輔關鍵詞：代碼代理、工具調用）
- 搜索代理（Search Agent）：在需要時效信息的任務（商業、財經、技術研究）里，可通過多輪工具調用接入外部搜索工具，逐步查證、整合。對企業場景而言，這是從“閉卷答題”邁向“開卷辦事”。（輔關鍵詞：工具調用、長上下文）
5、性能速覽：編碼與數學強勢，代理類任務拉開差距
DeepSeek-V3.1 的評測覆蓋 通識、代碼、數學、工具使用、代理任務 等多個維度。以下摘取官方提供的關鍵數據（同一來源，僅重排）：
5.1 代表性對比（與 R1-0528 等同類版本參照）
結論很清晰：在編碼與數學兩大高門檻任務上，Thinking 模式的 V3.1 追平或反超強基線；而在代理型任務上，結構化工具調用 + 軌跡模板帶來了顯著領先。（輔關鍵詞：代碼代理、工具調用、Benchmark）
這些數據印證了“思考模式更適合高難度、結構化強依賴的任務”，而非思考模式依舊是追求延遲/吞吐的理想選擇。（輔關鍵詞：混合思維模式、Benchmark）
6、部署與許可：MIT 開源，兼容 V3 生態
好用還得好落地。DeepSeek-V3.1 在這兩點上給得很足：
- MIT 許可：權重與代碼在 Hugging Face / ModelScope 全量開放，研究與商用都可直接使用。（輔關鍵詞：開源、工具調用）
- 與 V3 結構兼容：本地推理說明已給出，遷移成本低；當然，受制于模型規模，需要較強 GPU 資源，但社區生態與工具鏈正在持續降低門檻。（輔關鍵詞：長上下文、MoE 架構）
7、上手即用：官方用法與 Chat Template 速查
Transformers 直接調用示例（原文示例保留）：
import transformers
tokenizer = transformers.AutoTokenizer.from_pretrained("deepseek-ai/DeepSeek-V3.1")
messages = [
{"role": "system", "content": "You are a helpful assistant"},
{"role": "user", "content": "Who are you?"},
{"role": "assistant", "content": "<think>Hmm</think>I am DeepSeek"},
{"role": "user", "content": "1+1=?"}
]
tokenizer.apply_chat_template(messages, tokenize=False, thinking=True, add_generation_prompt=True)
# '<｜begin▁of▁sentence｜>You are a helpful assistant<｜User｜>Who are you?<｜Assistant｜></think>I am DeepSeek<｜end▁of▁sentence｜><｜User｜>1+1=?<｜Assistant｜><think>'
tokenizer.apply_chat_template(messages, tokenize=False, thinking=False, add_generation_prompt=True)
# '<｜begin▁of▁sentence｜>You are a helpful assistant<｜User｜>Who are you?<｜Assistant｜></think>I am DeepSeek<｜end▁of▁sentence｜><｜User｜>1+1=?<｜Assistant｜></think>'要點提示：
- ?
?thinking=True/False?? 直接切換混合思維模式； - 模板里 ?
?<think>??? 與 ??</think>?? 是觸發/標記信號； - 多輪對話會在上下文中**保留 ?
?</think>??**，保持推理可追蹤。（輔關鍵詞：混合思維模式、長上下文）
ToolCall 基礎格式（原文節選保留）：
<｜tool▁calls▁begin｜><｜tool▁call▁begin｜>tool_call_name<｜tool▁sep｜>tool_call_arguments<｜tool▁call▁end｜>{{additional_tool_calls}}<｜tool▁calls▁end｜>實踐建議：
- 強約束 JSON：提前用 Schema 校驗參數，防止“半結構化”導致流水線中斷；
- 冪等與重試：網絡/外部 API 不可控，給代理鏈路加重試 + 超時 + 兜底；
- 安全與審計：代碼代理/搜索代理建議全鏈路日志留檔，對企業合規非常關鍵。（輔關鍵詞：工具調用、代碼代理）
8、業務落地怎么選：三條實用路線
1）檢索與問答一體化（Non-Thinking 為主）適合在線客服、知識庫、SOP 問答。Non-Thinking 輸出更快；需要時再局部切換 Thinking 處理“疑難問答”。（輔關鍵詞：混合思維模式、長上下文）
2）研發效能與數據工程（Thinking + Code Agent）面向代碼生成—執行—調試閉環，結合 SWE-bench 這類代理評測的表現，選擇 Thinking 做復雜改動，再交由 CI 執行驗證。適合單測修復、腳手架生成、日志分析。（輔關鍵詞：代碼代理、工具調用）
3）研究與分析工作臺（Search Agent + 長上下文）財經研報、技術情報、合規審查等場景，把搜索代理接入后，配上128K 上下文進行多源整合、證據鏈梳理。對于“從數據到結論”的流程，是生產力級別的升級。（輔關鍵詞：搜索代理、長上下文）
9、你可能關心的幾個細節
- V3.1 與 V3 的關系：結構兼容，V3.1-Base在 V3 基礎上通過兩階段長上下文擴展繼續訓練，數據量級顯著增加（32K：630B；128K：209B）。（輔關鍵詞：長上下文、MoE 架構）
- 模型下載與版本：DeepSeek-V3.1-Base / DeepSeek-V3.1兩個權重可用，總參數 671B、激活 37B、上下文 128K。
- 本地部署：建議先在推理服務層做模式路由與調用速率治理，再考慮更重的Agent 鏈路與數據治理；否則容易把“會做事”的模型，拖進“會卡住”的系統。（輔關鍵詞：工具調用、代碼代理）
10、一句話結論
DeepSeek-V3.1 把“能深度思考”與“能快速響應”同時放進一個開源、可商用的包里。對于正在尋找“高質量 + 低成本 + 好落地”組合拳的團隊，這是一個非常務實的選擇。（輔關鍵詞：混合思維模式、MoE 架構、工具調用）
本文轉載自??Halo咯咯?? 作者：基咯咯
