DeepSeek有没有“抄袭”？软安MST为你揭秘
近两年，AI大模型成为IT行业的焦点，而近两个月，DeepSeek更是引爆热议，长期占据社交媒体热榜，凭借高性能和低成本训练模式迅速吸引了全球关注，被誉为国货之光。上线短短20天，DeepSeek日活跃用户突破2215万，DAU增长最快的AI应用之一。此外，DeepSeek的开源策略也降低了技术门槛，促进了全球开发者社区的参与和创新。
然而，随着其迅速崛起，也有声音质疑DeepSeek是否存在抄袭或套壳其他厂商的大模型的嫌疑。
那么，DeepSeek的技术创新究竟如何？它真的抄袭了吗？
01判断是否抄袭，先从架构看起
了解DeepSeek的第一步，我们从官方的介绍文档开始（详见：https://github/deepseek-ai/DeepSeek-V3/blob/main/DeepSeek_V3.pdf）。官方文档中提供的DeepSeek网络架构图如下：
从架构来看，DeepSeek整体上采用了经典的transformer架构，但在关键细节上进行了优化与创新：
• attention层优化：整体大框架还是经典的multi-head多头注意力，但多了latent层，核心目的是把input hidden适当降维，从而减少算力消耗，这是DeepSeek的创新点之一。
• Feed-forward Network改进：原始的FFN采用的是全连接神经网络，也就是所谓的dense架构。dense架构计算非常密集，对算力要求很高，后来mixtral对dense架构做了改进，推出了MOE架构，将原本大量的参数拆解成了多个小export，推理时会选择合适的export做计算，相比dense架构节约了大量算力；由于不同的prompt会有不同的专业export计算，性能也比dense网络好很多，可谓是一举多得！
DeepSeek基于MOE架构，又做了创新改进：在router层增加了export的筛选机制，让export的选择更加平滑，防止export之间冷热不均。
综上所述，从架构来看，DeepSeek采用了经典的transformer架构，但对于该架构的细节做了较多创新和改进，并未抄袭套壳其他厂家的同类产品。
02实际网络架构与官方文档是否一致？
为了验证DeepSeek的架构是否如官方描述，我们直接在Hugging Face查看其网络结构（如下图所示）：
限于篇幅，这里就不穷举transfomer block的每层细节情况了；从网络架构看，模型包含61层，255个export；如果DeepSeek有抄袭、套壳其他厂商同类产品，那么其网络结构必然和被抄袭、套壳的产品类似，所以现在最核心的问题就是：
DeepSeek的网络架构和其他厂商同类产品比，相似度是多少？有没有非常接近的？
03软安大模型安全检测系统（软安MST）
为快速查明DeepSeek-V3的技术来源，我们借助软安大模型安全检测系统（软安MST）进行全面扫描。
通过模型相似度分析、溯源追踪分析、漏洞传递等技术，识别到与被测模型相似度极高的开源模型，并通过基因库中开源模型潜在的安全漏洞、恶意文件、内容安全和许可信息等，检测被测模型的应用安全和合规风险，可以精准判断是否存在抄袭或套壳行为。
MST工具的检测结果如下图所示：DeepSeek的网络架构在当前检测范围内，未发现与已知模型高度相似的情况。
除了对比网络架构的权重文件，软安MST还支持检测词表和配置框架相似度的方式检测抄袭和套壳，让真正的抄袭套壳无处遁形。以MiniCPM-Llama3-V-2_5为例，检测结果展示如下：
从上图可以看出，多个模型的权重文件、词表同MiniCPM-Llama3-V-2_5相似度达到100%，疑似直接使用了该模型的权重文件。
除了相似度，MST还支持漏洞和许可证检测，如下图所示：
通过框架安全检测、恶意文件检测、敏感信息检测等手段，检测被测件中大模型的已知安全漏洞、远程执行脚本、敏感信息等内容；通过权威的评估数据集，高效率地对大模型进行动态生成内容检测，包括数据祛毒、内容安全检测等，为AI大模型行业提供全面的安全检测方案。
未来，软安科技将继续推动大模型安全与合规检测，助力开发者打造更安全、透明的AI生态。
