AI大模型选型指南：DeepSeek与千问三实战对比

为什么大模型课程不该只讲一个模型

“你这个课为什么不讲DeepSeek^广告？”这是B站UP主明镜与点点在推出新版大模型教程时被问得最多的问题。他的回答很直接：一个合格的大模型开发者，不能只盯着一个模型用。

这个观点值得展开。企业在技术选型时，领导可能随时问你“DeepSeek V3和千问三系列哪个更适合这个项目”，如果你只接触过一个模型，这种问题根本答不上来。UP主在视频中坦言，自己之前的课程叫《新版LangChain LangGraph MCP智能体与工作流开发》，标题里压根没提DeepSeek，但课程里照样会讲。同理，OpenAI、Claude、千问三也都会覆盖。

我就没必要把这些模型的名字放到课程中来了

这种“去模型中心化”的课程设计思路，其实反映了一个现实：大模型生态变化太快，把课程绑定在某个具体模型上，半年后可能就过时了。掌握选型能力和迁移能力，比记住某个模型的API参数更有长期价值。

DeepSeek的两个模型：V3与R1的关键差异

UP主在课程中重点拆解了DeepSeek的两个主力模型。一个是DeepSeek-V3（API中叫DeepSeek-Chat），另一个是DeepSeek-R1（API中叫DeepSeek-Reasoner）。名字看起来只是版本号不同，但在应用开发中的表现差异很大。

关键点在于：DeepSeek-R1默认不支持Function Calling和JSON Output。这两个能力对智能体开发和工作流编排来说几乎是刚需。如果你直接用R1做工具调用，大概率会碰到报错——不是模型坏了，是你用错了模型。

比如说我看到我们

UP主特别强调，“默认不支持”不等于“永远不支持”。Function Calling本质上是OpenAI提出的一种能力，任何模型都可以通过微调来获得。他在政府部门和医院的落地案例中就看到过对R1重新微调后支持工具调用的做法。所以选型时要区分“开箱即用”和“可改造”两个层面。

那实际开发该用哪个？UP主的建议是：优先用DeepSeek-V3的0324版本。在3月24日之前的V3版本在做Function Calling时会出现循环调用的问题，他自己踩过这个坑。0324版本之后这个问题已经修复，稳定性好了很多。

一个补录带来的意外更新

视频录制过程中还发生了一个插曲。UP主刚说完R1默认不支持Function Calling，不到一周后的5月28日，DeepSeek就发布了R1的0528小版本更新，官网明确开始支持Function Calling和JSON Output。他随即补录了一段，并用下来觉得“确实非常好用”。

紧接着5月29日，又出了一个蒸馏版模型——DeepSeek-R1-0528-千问三-8B。UP主的使用感受是，这个蒸馏模型在某些场景下甚至比4月29日发布的千问三原版更好用，既支持深度思考，也支持Function Calling，还对MCP做了优化。

这段补录本身就是一个很好的注脚：大模型领域的信息半衰期极短，做技术选型不能只看静态文档，得持续跟进版本动态。

Function Calling（函数调用） 是大模型与外部工具交互的核心机制。开发者用JSON Schema描述可用函数（如查天气、查数据库），模型根据用户意图输出结构化的调用请求，应用程序执行后再把结果回传给模型。它让LLM从“只会聊天”变成能真正操作外部系统的智能体。JSON Output（结构化输出） 则要求模型严格按指定JSON格式返回内容，便于程序解析。两者都是工作流编排和Agent开发的基础设施。不同模型支持程度差异很大：有的开箱即用，有的需微调，有的完全不支持。选型时须把这两项能力作为硬指标核查。

千问三的两个能力让开发者眼前一亮

千问三在4月29日凌晨发布，UP主用了半个月后，挑出了两个他认为真正有差异化的能力。

刚开始的时候

第一是思维模式可由程序控制切换。 DeepSeek的深度思考模式需要用户在网页上手动点按钮开关，但千问三允许开发者通过传参的方式，在代码层面无缝切换深度思考与非思考模式。复杂逻辑推理时打开，简单Function Calling或MCP调用时关闭，灵活度对应用开发来说提升明显。

第二是智能体能力的增强。 UP主引用官方说法称，千问三增强了以思考和非思考两种模式与外部工具精确集成，并强化了对MCP的支持。他自己的评价是：在开源模型中，千问三对MCP、Function Calling和智能体的支持能力“最好，没有之一”。这个判断带有个人使用体验的色彩，但他也加了一个限定条件——仅限开源领域。

MoE与Dense：千问三的架构分层

千问三系列内部有两套架构。MoE架构的代表是旗舰模型Qwen3-235B和30B版本；其余如8B、14B、1.5B等则采用Dense架构。UP主没有展开做跑分对比，他的态度是“仁者见仁”，更看重实际使用中的体感差异。

那除此之外了

这种务实取向值得参考。模型排行榜上的分数差距，在具体业务场景中往往被数据质量、Prompt设计和工程优化所稀释。选型时与其纠结零点几分的差距，不如先跑通自己的用例。

MCP（Model Context Protocol，模型上下文协议） 是由Anthropic提出的一套开放协议，用于标准化大模型与外部数据源、工具之间的连接方式。可以把它理解为“AI应用的USB接口”：工具提供方按MCP规范暴露能力，模型或Agent框架按统一方式发现和调用，避免为每个工具单独写适配代码。MCP降低了智能体接入外部系统的集成成本，也让不同模型之间的迁移更平滑。正因如此，模型对MCP的支持程度已成为评估其智能体能力的重要维度，这也是原文强调千问三“对MCP做了优化”的原因。

MoE（Mixture of Experts，混合专家） 是一种稀疏激活架构：模型内部包含多个“专家”子网络和一个路由机制，每次推理只激活其中少数专家，因此总参数量可以做得很大，而实际计算量相对可控，兼顾能力与成本。Dense（稠密） 架构则是每次推理都激活全部参数，结构简单、部署门槛低，小参数量模型常用这种形式。这解释了千问三为何在旗舰型号上用MoE追求能力上限，在8B、14B等较小规格上用Dense保证易用性。理解这一分层，有助于根据算力预算和场景需求选择合适的模型规格。

课程覆盖的技术栈与选型逻辑

从UP主披露的课程大纲来看，内容包括大模型原理、Agent智能体、大模型框架、RAG支持库、模型微调、私有化部署等。这套组合基本对应了当前大模型应用工程师岗位的核心技能要求。

他反复传递的一个信号是：国内模型以DeepSeek和千问三为主力案例，但OpenAI、Claude等国外模型同样会用。Claude 3.5、3.7以及GPT-4o、o3都在课程范围内。这种“多模型并行”的教学方式，比单一模型教程更贴近真实工作场景——毕竟企业项目里因为成本、合规或性能原因混用多家模型的情况越来越常见。

对学习者来说，与其问“学哪个模型能找到工作”，不如问“能不能在不同模型之间快速迁移”。API形态在趋同，Function Calling、结构化输出、MCP这些概念跨模型通用，底层能力才是可迁移的资产。

常见问题

DeepSeek-R1现在支持Function Calling了吗？

根据视频中的补录信息，R1的0528版本起官方已支持Function Calling和JSON Output。此前版本需要微调才能获得该能力。

千问三和DeepSeek怎么选？

如果看重开箱即用的智能体支持和编程式思维模式切换，千问三的开源模型表现突出；如果团队已在DeepSeek生态中，V3的0324版本稳定性足够支撑工作流开发。实际选型建议用自己的业务用例做小规模对比测试。

零基础学大模型开发需要先学哪个模型？

UP主的课程设计思路可供参考：不绑定单一模型，从选型方法入手，同时接触国内外主流模型。先理解Function Calling、RAG、Agent等通用概念，再落到具体模型的API上，迁移成本会低很多。