--- title: "DeepSeek (BN)" source: "https://systems-analysis.info/int/DeepSeek_(BN)" wiki: "systems-analysis.info/int" article: "DeepSeek_(BN)" language: "bn" categories: - "Category:Bengali" - "Category:Large language models" - "Category:LLM families" - "Category:Machine learning" revision_id: 1598 wiki_created_at: 2026-09-06T22:51:08Z wiki_modified_at: 2026-09-06T22:51:08Z downloaded_at: 2026-09-07T22:46:46Z --- # DeepSeek (BN) **DeepSeek** — একটি চীনা কৃত্রিম বুদ্ধিমত্তা গবেষণা প্রতিষ্ঠান, যা বৃহৎ ভাষা মডেল (LLM) এবং মাল্টিমোডাল সিস্টেম তৈরি করে। প্রতিষ্ঠানটি তার মডেলগুলোর ওজন (weights) উন্মুক্তভাবে বিতরণ এবং উচ্চ ব্যয়-কার্যকারিতার জন্য ব্যাপক পরিচিতি লাভ করেছে, যা ২০২৪ সালের শেষ থেকে ২০২৫ সালের শুরুতে AI বাজারে মূল্য সংশোধনকে ত্বরান্বিত করেছে।[\[1\]](https://systems-analysis.info/int/DeepSeek_(BN)#cite_note-1) ## ইতিহাস DeepSeek-এর প্রতিষ্ঠাতা হলেন উদ্যোক্তা এবং হেজ ফান্ড *High‑Flyer*-এর সহ-প্রতিষ্ঠাতা লিয়াং ওয়েনফেং। ২০২৩ সালের বসন্তে High‑Flyer তার AI গবেষণা বিভাগকে আলাদা করে, যা একই বছরের মে মাসে *DeepSeek AI* কোম্পানিতে পরিণত হয়। ২০২৫ সালের মধ্যে কর্মীসংখ্যা ~১৬০ জনে বৃদ্ধি পায়।[\[2\]](https://systems-analysis.info/int/DeepSeek_(BN)#cite_note-2) প্রতিষ্ঠার শুরু থেকেই কোম্পানিটি উন্মুক্ততার নীতি অনুসরণ করে — অনুমোদনমূলক লাইসেন্সের অধীনে ওজন («open‑weight») প্রকাশ করা এবং AGI-এর মৌলিক গবেষণার দিকে মনোনিবেশ করা। অধিকাংশ স্টার্টআপের বিপরীতে, DeepSeek High‑Flyer-এর R&D বাজেট থেকে অর্থায়িত হয়, যা প্রতিষ্ঠাতার মতে, তাৎক্ষণিক মুনাফার পরিবর্তে দীর্ঘমেয়াদী লক্ষ্যে মনোনিবেশ করার সুযোগ দেয়।[\[3\]](https://systems-analysis.info/int/DeepSeek_(BN)#cite_note-3) প্রযুক্তি ও আর্থিক সম্প্রদায়ে কোম্পানিটি ব্যাপক আলোড়ন সৃষ্টি করে ২০২৫ সালের জানুয়ারিতে **DeepSeek-R1** মডেল প্রকাশের পর। GPT-4-এর সমতুল্য একটি মডেলের প্রশিক্ষণ মাত্র \$৬ মিলিয়নেরও কম খরচে সম্পন্ন হয়েছে (GPT-4-এর জন্য \$১০০+ মিলিয়নের অনুমানের তুলনায়) — এই দাবি প্রযুক্তি জায়ান্টগুলোর শেয়ারে ধস নামায় এবং শিল্পকে «বেশি কম্পিউটেশন = ভালো মডেল» প্যারাডাইম পুনর্বিবেচনা করতে বাধ্য করে।[\[4\]](https://systems-analysis.info/int/DeepSeek_(BN)#cite_note-4) ## আর্কিটেকচারাল বৈশিষ্ট্য Mixture‑of‑Experts (DeepSeekMoE) DeepSeek-এর অধিকাংশ ফ্ল্যাগশিপ মডেল Mixture of Experts (MoE) আর্কিটেকচার ব্যবহার করে। «ঘন» মডেলের বিপরীতে, যেখানে প্রতিটি অনুরোধ প্রক্রিয়াকরণে সব প্যারামিটার সক্রিয় থাকে, MoE মডেলে প্রতিটি token-এর জন্য কেবলমাত্র বিশেষায়িত সাবনেটওয়ার্কের («বিশেষজ্ঞ») একটি ছোট অংশ সক্রিয় হয়। DeepSeek «সাধারণ» বিশেষজ্ঞ, সূক্ষ্মদানাদার বিভাজন এবং সহায়ক ক্ষতি ছাড়াই লোড ব্যালেন্সিং সহ MoE-এর নিজস্ব বাস্তবায়ন তৈরি করেছে, যা শত শত কোটি প্যারামিটারের মধ্যে থেকে কেবল একটি অংশ সক্রিয় করতে এবং গণনামূলক ব্যয় উল্লেখযোগ্যভাবে হ্রাস করতে সক্ষম করে।[\[5\]](https://systems-analysis.info/int/DeepSeek_(BN)#cite_note-5) Multi‑Head Latent Attention (MLA) KV‑cache-কে একটি latent ভেক্টরে সংকুচিত করার পদ্ধতি, যা ৯৩% পর্যন্ত মেমোরি সাশ্রয় করে এবং ১২৮,০০০ token পর্যন্ত context window ব্যবহার করতে সক্ষম করে। এই প্রযুক্তি দীর্ঘ পাঠ্যের সাথে দক্ষ কাজের জন্য মূল ভূমিকা রাখে।[\[6\]](https://systems-analysis.info/int/DeepSeek_(BN)#cite_note-6) FP8 training এবং Multi‑Token Prediction V3 পরিবারের মডেলগুলোতে মিশ্র নির্ভুলতার FP8 (৮-বিট ফ্লোটিং পয়েন্ট সংখ্যা) এবং একসাথে একাধিক token পূর্বাভাস ব্যবহার করা হয়, যা প্রশিক্ষণ ও inference (অনুমান) প্রক্রিয়াকে ত্বরান্বিত করে।[\[7\]](https://systems-analysis.info/int/DeepSeek_(BN)#cite_note-7) ## মডেল পরিবার - **DeepSeek LLM** — ৭ এবং ৬৭ বিলিয়ন প্যারামিটারের বেস মডেল (২০২৩), প্রথম দ্বিভাষিক (EN/ZH) প্রকাশনা, যা বিভিন্ন কাজে *LLaMA‑2 70B*-কে ছাড়িয়ে গেছে।[\[8\]](https://systems-analysis.info/int/DeepSeek_(BN)#cite_note-8) - **DeepSeek‑Coder** (২০২৩) — প্রোগ্রামিংয়ের জন্য মডেলের একটি সিরিজ (১.৩ – ৩৩ বিলিয়ন) এবং এর উন্নয়ন *Coder‑V2* (১৬ বিলিয়ন / ২৩৬ বিলিয়ন MoE, ১২৮K context, ৩৩৮টি কোডিং ভাষা)।[\[9\]](https://systems-analysis.info/int/DeepSeek_(BN)#cite_note-9) - **DeepSeek‑V2** (মে ২০২৪) — ২৩৬ বিলিয়ন (২১ বিলিয়ন সক্রিয়) MoE‑LLM এবং MLA; ৮.১ ট্রিলিয়ন token-এ প্রশিক্ষিত।[\[10\]](https://systems-analysis.info/int/DeepSeek_(BN)#cite_note-10) - **DeepSeek‑V3** (ডিসেম্বর ২০২৪) — ৬৭১ বিলিয়ন (৩৭ বিলিয়ন সক্রিয়); Nvidia H800-এ প্রশিক্ষণ ≈২.৮ মিলিয়ন GPU-ঘণ্টা, খরচ ≈\$৫.৫ মিলিয়ন।[\[11\]](https://systems-analysis.info/int/DeepSeek_(BN)#cite_note-11) - **DeepSeek‑R1** (জানুয়ারি ২০২৫) — যুক্তিতর্ক (reasoning)-এর জন্য মডেলের সিরিজ; R1‑0528 সংস্করণ AIME 2025 এবং LiveCodeBench-এ *OpenAI o3*-এর কাছাকাছি পৌঁছেছে।[\[12\]](https://systems-analysis.info/int/DeepSeek_(BN)#cite_note-12) - **DeepSeek‑VL / VL2** — মাল্টিমোডাল VL মডেল (৪.৫ বিলিয়ন সক্রিয় পর্যন্ত) ১০২৪×১০২৪ ডায়নামিক মোজাইক ইমেজ প্রক্রিয়াকরণ সহ।[\[13\]](https://systems-analysis.info/int/DeepSeek_(BN)#cite_note-13) - **DeepSeek‑Math** 7B — বিশেষায়িত মডেল, MATH benchmark-এ ৫১.৭% নির্ভুলতা; GPT‑4-এর কাছাকাছি।[\[14\]](https://systems-analysis.info/int/DeepSeek_(BN)#cite_note-14) - **DeepSeek‑Prover‑V2** — Lean 4-এ উপপাদ্য প্রমাণের জন্য ৬৭১ বিলিয়ন MoE; miniF2F-এ ৬৩.৫%। - **পাতিত R1 মডেল** — Llama এবং Qwen ভিত্তিতে ১.৫ থেকে ৭০ বিলিয়ন প্যারামিটারের উন্মুক্ত সংস্করণ।[\[15\]](https://systems-analysis.info/int/DeepSeek_(BN)#cite_note-15) ## মূল প্রকাশনার কালক্রম | তারিখ | প্রকাশনা ও মূল বৈশিষ্ট্য | |--------------|----------------------------------------------------------------------| | ২ নভে ২০২৩ | **DeepSeek‑Coder v1:** কোডের জন্য প্রথম open‑weight মডেল। | | ২৯ নভে ২০২৩ | **DeepSeek LLM 7B/67B:** ২ ট্রিলিয়ন token-এ প্রশিক্ষিত দ্বিভাষিক মডেল। | | ১১ জানু ২০২৪ | **DeepSeek‑MoE 16B:** MoE আর্কিটেকচারের আত্মপ্রকাশ। | | ৬ ফেব্রু ২০২৪ | **DeepSeek‑Math 7B:** গণিতের জন্য বিশেষায়িত মডেল (MATH-এ ৫১.৭%)। | | ৬ মে ২০২৪ | **DeepSeek‑V2 236B:** MLA এবং MoE আর্কিটেকচার প্রবর্তন। | | ১৭ জুন ২০২৪ | **DeepSeek‑Coder‑V2:** ১২৮K context, ৩৩৮টি প্রোগ্রামিং ভাষার সমর্থন। | | ১৩ ডিসে ২০২৪ | **DeepSeek‑VL2:** MoE-ভিত্তিক মাল্টিমোডাল মডেল। | | ২৭ ডিসে ২০২৪ | **DeepSeek‑V3 671B:** ফ্ল্যাগশিপ মডেল, \$৬ মিলিয়নেরও কম খরচে প্রশিক্ষিত। | | ২০ জানু ২০২৫ | **DeepSeek‑R1 / R1‑Zero:** RL ব্যবহার করে প্রশিক্ষিত reasoning মডেল। | | ২৭ জানু ২০২৫ | **Janus‑Pro:** ছবি তৈরির মডেল, DALL‑E 3-কে ছাড়িয়ে গেছে। | ## কর্মক্ষমতা ও benchmark - *DeepSeek‑V3* MMLU এবং GPQA‑Diamond-এ *Llama 3.1* এবং *Qwen 2.5*-কে ছাড়িয়ে GPT‑4-এর মানের কাছাকাছি পৌঁছেছে।[\[16\]](https://systems-analysis.info/int/DeepSeek_(BN)#cite_note-16) - *DeepSeek‑Coder‑V2* Arena‑Hard-এ ৭২.৯% অর্জন করেছে — GPT‑4o-এর সমতুল্য এবং Claude‑3.5‑Sonnet ছাড়া সকল উন্মুক্ত মডেলের চেয়ে উচ্চতর।[\[17\]](https://systems-analysis.info/int/DeepSeek_(BN)#cite_note-17) - *DeepSeek‑Math 7B* — MATH-এ ৫১.৭%, যা ১০ গুণ ছোট আকারে Gemini‑Ultra-এর কাছাকাছি।[\[18\]](https://systems-analysis.info/int/DeepSeek_(BN)#cite_note-18) - *R1‑Zero* শুধুমাত্র RL প্রশিক্ষণের মাধ্যমে AIME 2024 pass@1 ফলাফল ১৫.৬% থেকে ৭১%-এ উন্নীত করেছে।[\[19\]](https://systems-analysis.info/int/DeepSeek_(BN)#cite_note-19) ## লাইসেন্সিং এবং open‑source অধিকাংশ মডেল MIT বা Apache 2.0 লাইসেন্সের অধীনে বিতরণ করা হয়, যা বাণিজ্যিক ব্যবহারের অনুমতি দেয়। কোম্পানিটি Hugging Face এবং GitHub-এ ওজন প্রকাশ করে, তবে সম্পূর্ণ dataset এবং প্রশিক্ষণ pipeline গোপন রাখে («open weight, but not full open source»)। ## শিল্পে প্রভাব - R1 লঞ্চ «\$৬ মিলিয়নে GPT‑4 শ্রেণির মডেল»-এর সংবাদের প্রেক্ষিতে NVIDIA, Microsoft এবং অন্যান্য কোম্পানির শেয়ারে একদিনের ধসের কারণ হয়।[\[20\]](https://systems-analysis.info/int/DeepSeek_(BN)#cite_note-20) - রপ্তানি নিষেধাজ্ঞার আওতায় থাকা Nvidia H800 চিপে সফল প্রশিক্ষণের প্রদর্শনী মার্কিন নিষেধাজ্ঞার কার্যকারিতা নিয়ে আলোচনাকে উস্কে দিয়েছে এবং চীনা AI অ্যাক্সেলারেটরের (যেমন Huawei Ascend 910B) উন্নয়নকে ত্বরান্বিত করেছে। ## সমালোচনা ও সীমাবদ্ধতা - নিরাপত্তা: HarmBench পরীক্ষায় R1 মডেল ১০০% অবাঞ্ছিত অনুরোধ («jailbreak») পাস করিয়েছে। - রাজনৈতিক সেন্সরশিপ: চ্যাট সংস্করণগুলো চীনা সরকারের কাছে «সংবেদনশীল» বিষয় ফিল্টার করে (১৯৮৯ সালের তিয়ানআনমেন স্কোয়ারের ঘটনা, তাইওয়ানের মর্যাদা ইত্যাদি)। - ডেটা সংরক্ষণ: চীনের সার্ভারে ব্যবহারকারীর ডেটা সংরক্ষণ GDPR এবং অনুরূপ আইনি কাঠামো মেনে চলা পশ্চিমা কর্পোরেশনগুলোর জন্য API ব্যবহার সীমিত করে।[\[21\]](https://systems-analysis.info/int/DeepSeek_(BN)#cite_note-21) ## সাহিত্য - Dai, D. et al. (2024). *DeepSeekMoE: Towards Ultimate Expert Specialization in Mixture‑of‑Experts Language Models*. arXiv:2401.06066. - Ding, Y. et al. (2024). *LongRoPE: Extending LLM Context Window Beyond 2 Million Tokens*. arXiv:2402.13753. - Fedus, W.; Zoph, B.; Shazeer, N. (2021). *Switch Transformers: Scaling to Trillion Parameter Models with Simple and Efficient Sparsity*. arXiv:2101.03961. - He, L. et al. (2025). *Scaling Instruction‑Tuned LLMs to Million‑Token Contexts via Hierarchical Synthetic Data Generation*. arXiv:2504.12637. - Jegham, N. et al. (2025). *Visual Reasoning Evaluation of Grok, Deepseek Janus, Gemini, Qwen, Mistral, and ChatGPT*. arXiv:2502.16428. - Lepikhin, D. et al. (2020). *GShard: Scaling Giant Models with Conditional Computation and Automatic Sharding*. arXiv:2006.16668. - Peng, B. et al. (2023). *YaRN: Efficient Context Window Extension of Large Language Models*. arXiv:2309.00071. - Shen, Y. et al. (2025). *Long‑VITA: Scaling Large Multi‑modal Models to 1 Million Tokens with Leading Short‑Context Accuracy*. arXiv:2502.05177. - Su, J. et al. (2021). *RoFormer: Enhanced Transformer with Rotary Position Embedding*. arXiv:2104.09864. - Zhong, M. et al. (2024). *Understanding the RoPE Extensions of Long‑Context LLMs: An Attention Perspective*. arXiv:2406.13282. ## টীকা 1. [↑](https://systems-analysis.info/int/DeepSeek_(BN)#cite_ref-1) DeepSeek's low-cost AI spotlights billions spent by US tech // Reuters. 2025-01-27. 2. [↑](https://systems-analysis.info/int/DeepSeek_(BN)#cite_ref-2) Who is Liang Wenfeng, the founder of DeepSeek? // Reuters. 2025-01-28. 3. [↑](https://systems-analysis.info/int/DeepSeek_(BN)#cite_ref-3) Who is Liang Wenfeng, the founder of DeepSeek? // Reuters. 2025-01-28. 4. [↑](https://systems-analysis.info/int/DeepSeek_(BN)#cite_ref-4) DeepSeek's low-cost AI spotlights billions spent by US tech // Reuters. 2025-01-27. 5. [↑](https://systems-analysis.info/int/DeepSeek_(BN)#cite_ref-5) DeepSeek-V2: A Strong, Economical, and Efficient Mixture-of-Experts Language Model // Hugging Face. 2024. 6. [↑](https://systems-analysis.info/int/DeepSeek_(BN)#cite_ref-6) DeepSeek-V2: A Strong, Economical, and Efficient Mixture-of-Experts Language Model // Hugging Face. 2024. 7. [↑](https://systems-analysis.info/int/DeepSeek_(BN)#cite_ref-7) DeepSeek-V3: A Parameter-Efficient MoE Large Language Model with Better Performance // arXiv. 2024. 8. [↑](https://systems-analysis.info/int/DeepSeek_(BN)#cite_ref-8) DeepSeek LLM: Scaling Open-Source Language Models with Longtermism // arXiv. 2024. 9. [↑](https://systems-analysis.info/int/DeepSeek_(BN)#cite_ref-9) DeepSeek-Coder-V2: A More Powerful and Economical Coder // arXiv. 2024. 10. [↑](https://systems-analysis.info/int/DeepSeek_(BN)#cite_ref-10) DeepSeek-V2: A Strong, Economical, and Efficient Mixture-of-Experts Language Model // Hugging Face. 2024. 11. [↑](https://systems-analysis.info/int/DeepSeek_(BN)#cite_ref-11) DeepSeek-V3: A Parameter-Efficient MoE Large Language Model with Better Performance // arXiv. 2024. 12. [↑](https://systems-analysis.info/int/DeepSeek_(BN)#cite_ref-12) DeepSeek-R1: A 671B Parameter MoE LLM with Unprecedented Reasoning Capabilities // arXiv. 2025. 13. [↑](https://systems-analysis.info/int/DeepSeek_(BN)#cite_ref-13) GitHub - deepseek-ai/DeepSeek-VL: Towards Real-World Vision-Language Understanding // GitHub. 14. [↑](https://systems-analysis.info/int/DeepSeek_(BN)#cite_ref-14) DeepSeek-Math: Pushing the Limits of Mathematical Reasoning in Open-Source Models // arXiv. 2024. 15. [↑](https://systems-analysis.info/int/DeepSeek_(BN)#cite_ref-15) DeepSeek-R1: A 671B Parameter MoE LLM with Unprecedented Reasoning Capabilities // arXiv. 2025. 16. [↑](https://systems-analysis.info/int/DeepSeek_(BN)#cite_ref-16) DeepSeek-V3: A Parameter-Efficient MoE Large Language Model with Better Performance // arXiv. 2024. 17. [↑](https://systems-analysis.info/int/DeepSeek_(BN)#cite_ref-17) DeepSeek-Coder-V2: A More Powerful and Economical Coder // arXiv. 2024. 18. [↑](https://systems-analysis.info/int/DeepSeek_(BN)#cite_ref-18) DeepSeek-Math: Pushing the Limits of Mathematical Reasoning in Open-Source Models // arXiv. 2024. 19. [↑](https://systems-analysis.info/int/DeepSeek_(BN)#cite_ref-19) DeepSeek-R1: A 671B Parameter MoE LLM with Unprecedented Reasoning Capabilities // arXiv. 2025. 20. [↑](https://systems-analysis.info/int/DeepSeek_(BN)#cite_ref-20) DeepSeek's low-cost AI spotlights billions spent by US tech // Reuters. 2025-01-27. 21. [↑](https://systems-analysis.info/int/DeepSeek_(BN)#cite_ref-21) DeepSeek's low-cost AI spotlights billions spent by US tech // Reuters. 2025-01-27. ## আরও দেখুন - OpenAI-এর বৃহৎ ভাষা মডেল - Mixture-of-Experts