--- title: "DeepSeek (ID)" source: "https://systems-analysis.info/int/DeepSeek_(ID)" wiki: "systems-analysis.info/int" article: "DeepSeek_(ID)" language: "id" categories: - "Category:Indonesian" - "Category:Large language models" - "Category:LLM families" - "Category:Machine learning" revision_id: 1605 wiki_created_at: 2026-09-06T22:51:13Z wiki_modified_at: 2026-09-06T22:51:13Z downloaded_at: 2026-09-07T22:46:48Z --- # DeepSeek (ID) **DeepSeek** — perusahaan riset kecerdasan buatan asal Tiongkok yang mengembangkan large language model (LLM) dan sistem multimodal. Perusahaan ini mendapatkan pengakuan luas berkat distribusi terbuka bobot modelnya dan efisiensi ekonominya yang tinggi, yang memicu penyesuaian harga di pasar AI pada akhir 2024 hingga awal 2025.[\[1\]](https://systems-analysis.info/int/DeepSeek_(ID)#cite_note-1) ## Sejarah Pendiri DeepSeek adalah pengusaha sekaligus salah satu pendiri hedge fund *High-Flyer*, Liang Wenfeng. Pada musim semi 2023, High-Flyer memisahkan divisi riset AI-nya, yang pada Mei tahun yang sama menjadi perusahaan *DeepSeek AI*. Pada 2025, jumlah karyawan telah tumbuh hingga ~160 orang.[\[2\]](https://systems-analysis.info/int/DeepSeek_(ID)#cite_note-2) Sejak hari pertama, perusahaan mendeklarasikan komitmen terhadap keterbukaan — publikasi bobot model ("open-weight") di bawah lisensi permisif dan fokus pada penelitian fundamental AGI. Berbeda dari kebanyakan startup, DeepSeek didanai dari anggaran R&D High-Flyer, yang menurut sang pendiri memungkinkan fokus pada tujuan jangka panjang, bukan monetisasi instan.[\[3\]](https://systems-analysis.info/int/DeepSeek_(ID)#cite_note-3) Perusahaan ini menimbulkan resonansi besar di komunitas teknologi dan keuangan pada Januari 2025 setelah merilis model **DeepSeek-R1**. Pernyataan bahwa biaya pelatihan model yang setara dengan GPT-4 kurang dari \$6 juta (dibandingkan estimasi \$100+ juta untuk GPT-4) menyebabkan anjloknya saham perusahaan teknologi raksasa dan memaksa industri untuk memikirkan ulang paradigma "lebih banyak komputasi = model lebih baik".[\[4\]](https://systems-analysis.info/int/DeepSeek_(ID)#cite_note-4) ## Keistimewaan Arsitektur Mixture-of-Experts (DeepSeekMoE) Sebagian besar model unggulan DeepSeek menggunakan arsitektur mixture of experts (MoE). Berbeda dari model "padat" di mana semua parameter diaktifkan saat memproses permintaan, dalam model MoE hanya sebagian kecil subjaringan khusus ("para ahli") yang diaktifkan untuk setiap token. DeepSeek mengembangkan implementasi MoE-nya sendiri dengan ahli "bersama", segmentasi berbutir halus, dan penyeimbangan beban tanpa kehilangan tambahan, yang memungkinkan pengaktifan hanya sebagian dari ratusan miliar parameter sehingga secara drastis mengurangi biaya komputasi.[\[5\]](https://systems-analysis.info/int/DeepSeek_(ID)#cite_note-5) Multi-Head Latent Attention (MLA) Metode kompresi KV-cache ke dalam vektor laten, menghemat hingga 93% memori dan memungkinkan penggunaan jendela konteks hingga 128.000 token. Teknologi ini merupakan kunci untuk pemrosesan teks panjang yang efisien.[\[6\]](https://systems-analysis.info/int/DeepSeek_(ID)#cite_note-6) FP8 training dan Multi-Token Prediction Model keluarga V3 menggunakan presisi campuran FP8 (bilangan floating point 8-bit) dan prediksi beberapa token secara bersamaan, yang mempercepat proses pelatihan dan inferensi.[\[7\]](https://systems-analysis.info/int/DeepSeek_(ID)#cite_note-7) ## Keluarga Model - **DeepSeek LLM** — model dasar dengan 7 dan 67 miliar parameter (2023), rilis bilingual pertama (EN/ZH) yang mengungguli *LLaMA-2 70B* pada sejumlah tugas.[\[8\]](https://systems-analysis.info/int/DeepSeek_(ID)#cite_note-8) - **DeepSeek-Coder** (2023) — rangkaian model untuk pemrograman (1,3–33 miliar) dan pengembangannya *Coder-V2* (16 miliar / 236 miliar MoE, konteks 128K, 338 bahasa pemrograman).[\[9\]](https://systems-analysis.info/int/DeepSeek_(ID)#cite_note-9) - **DeepSeek-V2** (Mei 2024) — 236 miliar (21 miliar aktif) MoE-LLM dengan MLA; dilatih pada 8,1 triliun token.[\[10\]](https://systems-analysis.info/int/DeepSeek_(ID)#cite_note-10) - **DeepSeek-V3** (Desember 2024) — 671 miliar (37 miliar aktif); pelatihan ≈2,8 juta GPU-jam pada Nvidia H800 dengan biaya ≈\$5,5 juta.[\[11\]](https://systems-analysis.info/int/DeepSeek_(ID)#cite_note-11) - **DeepSeek-R1** (Januari 2025) — lini model untuk penalaran (reasoning); versi R1-0528 mendekati *OpenAI o3* pada AIME 2025 dan LiveCodeBench.[\[12\]](https://systems-analysis.info/int/DeepSeek_(ID)#cite_note-12) - **DeepSeek-VL / VL2** — model VL multimodal (hingga 4,5 miliar aktif) dengan pemrosesan gambar mosaik dinamis 1024×1024.[\[13\]](https://systems-analysis.info/int/DeepSeek_(ID)#cite_note-13) - **DeepSeek-Math** 7B — model khusus, akurasi 51,7% pada benchmark MATH; mendekati GPT-4.[\[14\]](https://systems-analysis.info/int/DeepSeek_(ID)#cite_note-14) - **DeepSeek-Prover-V2** — 671 miliar MoE untuk pembuktian teorema di Lean 4; 63,5% pada miniF2F. - **Model R1 yang didistilasi** — versi terbuka dari 1,5 hingga 70 miliar parameter berbasis Llama dan Qwen.[\[15\]](https://systems-analysis.info/int/DeepSeek_(ID)#cite_note-15) ## Kronologi Rilis Utama | Tanggal | Rilis dan Keistimewaan Utama | |-------------|---------------------------------------------------------------------------------------------| | 2 Nov 2023 | **DeepSeek-Coder v1:** model open-weight pertama untuk kode. | | 29 Nov 2023 | **DeepSeek LLM 7B/67B:** model bilingual yang dilatih pada 2 triliun token. | | 11 Jan 2024 | **DeepSeek-MoE 16B:** debut arsitektur MoE. | | 6 Feb 2024 | **DeepSeek-Math 7B:** model khusus matematika (51,7% pada MATH). | | 6 Mei 2024 | **DeepSeek-V2 236B:** penerapan arsitektur MLA dan MoE. | | 17 Jun 2024 | **DeepSeek-Coder-V2:** konteks 128K, dukungan 338 bahasa pemrograman. | | 13 Des 2024 | **DeepSeek-VL2:** model multimodal berbasis MoE. | | 27 Des 2024 | **DeepSeek-V3 671B:** model unggulan yang dilatih dengan biaya kurang dari \$6 juta. | | 20 Jan 2025 | **DeepSeek-R1 / R1-Zero:** model penalaran yang dilatih menggunakan Reinforcement Learning. | | 27 Jan 2025 | **Janus-Pro:** model generasi gambar yang melampaui DALL-E 3. | ## Performa dan Benchmark - *DeepSeek-V3* melampaui *Llama 3.1* dan *Qwen 2.5* serta mendekati tingkat GPT-4 pada MMLU dan GPQA-Diamond.[\[16\]](https://systems-analysis.info/int/DeepSeek_(ID)#cite_note-16) - *DeepSeek-Coder-V2* meraih 72,9% pada Arena-Hard — setara dengan GPT-4o dan tertinggi di antara semua model terbuka kecuali Claude-3.5-Sonnet.[\[17\]](https://systems-analysis.info/int/DeepSeek_(ID)#cite_note-17) - *DeepSeek-Math 7B* — 51,7% pada MATH, mendekati Gemini-Ultra dengan ukuran 10 kali lebih kecil.[\[18\]](https://systems-analysis.info/int/DeepSeek_(ID)#cite_note-18) - *R1-Zero* meningkatkan hasil AIME 2024 pass@1 dari 15,6% menjadi 71% hanya melalui pelatihan Reinforcement Learning.[\[19\]](https://systems-analysis.info/int/DeepSeek_(ID)#cite_note-19) ## Lisensi dan Open-Source Sebagian besar model didistribusikan di bawah lisensi MIT atau Apache 2.0 yang mengizinkan penggunaan komersial. Perusahaan mempublikasikan bobot model di Hugging Face dan GitHub, namun tetap merahasiakan dataset lengkap dan pipeline pelatihan ("open weight, but not full open source"). ## Dampak terhadap Industri - Peluncuran R1 menyebabkan penurunan harga saham NVIDIA, Microsoft, dan perusahaan lain dalam satu hari di tengah berita tentang "model setingkat GPT-4 seharga \$6 juta".[\[20\]](https://systems-analysis.info/int/DeepSeek_(ID)#cite_note-20) - Demonstrasi keberhasilan pelatihan pada chip Nvidia H800 di bawah pembatasan ekspor mendorong diskusi tentang efektivitas sanksi AS dan mempercepat pengembangan akselerator AI Tiongkok (misalnya, Huawei Ascend 910B). ## Kritik dan Keterbatasan - Keamanan: dalam uji HarmBench, model R1 meloloskan 100% permintaan yang tidak diinginkan ("jailbreak"). - Sensor politik: versi obrolan menyaring topik yang "sensitif" bagi pemerintah Tiongkok (peristiwa Lapangan Tiananmen 1989, status Taiwan, dan sebagainya). - Penyimpanan data: penyimpanan data pengguna di server di Tiongkok membatasi penggunaan API oleh perusahaan Barat yang tunduk pada GDPR dan rezim hukum serupa.[\[21\]](https://systems-analysis.info/int/DeepSeek_(ID)#cite_note-21) ## Daftar Pustaka - 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. ## Catatan 1. [↑](https://systems-analysis.info/int/DeepSeek_(ID)#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_(ID)#cite_ref-2) Who is Liang Wenfeng, the founder of DeepSeek? // Reuters. 2025-01-28. 3. [↑](https://systems-analysis.info/int/DeepSeek_(ID)#cite_ref-3) Who is Liang Wenfeng, the founder of DeepSeek? // Reuters. 2025-01-28. 4. [↑](https://systems-analysis.info/int/DeepSeek_(ID)#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_(ID)#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_(ID)#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_(ID)#cite_ref-7) DeepSeek-V3: A Parameter-Efficient MoE Large Language Model with Better Performance // arXiv. 2024. 8. [↑](https://systems-analysis.info/int/DeepSeek_(ID)#cite_ref-8) DeepSeek LLM: Scaling Open-Source Language Models with Longtermism // arXiv. 2024. 9. [↑](https://systems-analysis.info/int/DeepSeek_(ID)#cite_ref-9) DeepSeek-Coder-V2: A More Powerful and Economical Coder // arXiv. 2024. 10. [↑](https://systems-analysis.info/int/DeepSeek_(ID)#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_(ID)#cite_ref-11) DeepSeek-V3: A Parameter-Efficient MoE Large Language Model with Better Performance // arXiv. 2024. 12. [↑](https://systems-analysis.info/int/DeepSeek_(ID)#cite_ref-12) DeepSeek-R1: A 671B Parameter MoE LLM with Unprecedented Reasoning Capabilities // arXiv. 2025. 13. [↑](https://systems-analysis.info/int/DeepSeek_(ID)#cite_ref-13) GitHub - deepseek-ai/DeepSeek-VL: Towards Real-World Vision-Language Understanding // GitHub. 14. [↑](https://systems-analysis.info/int/DeepSeek_(ID)#cite_ref-14) DeepSeek-Math: Pushing the Limits of Mathematical Reasoning in Open-Source Models // arXiv. 2024. 15. [↑](https://systems-analysis.info/int/DeepSeek_(ID)#cite_ref-15) DeepSeek-R1: A 671B Parameter MoE LLM with Unprecedented Reasoning Capabilities // arXiv. 2025. 16. [↑](https://systems-analysis.info/int/DeepSeek_(ID)#cite_ref-16) DeepSeek-V3: A Parameter-Efficient MoE Large Language Model with Better Performance // arXiv. 2024. 17. [↑](https://systems-analysis.info/int/DeepSeek_(ID)#cite_ref-17) DeepSeek-Coder-V2: A More Powerful and Economical Coder // arXiv. 2024. 18. [↑](https://systems-analysis.info/int/DeepSeek_(ID)#cite_ref-18) DeepSeek-Math: Pushing the Limits of Mathematical Reasoning in Open-Source Models // arXiv. 2024. 19. [↑](https://systems-analysis.info/int/DeepSeek_(ID)#cite_ref-19) DeepSeek-R1: A 671B Parameter MoE LLM with Unprecedented Reasoning Capabilities // arXiv. 2025. 20. [↑](https://systems-analysis.info/int/DeepSeek_(ID)#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_(ID)#cite_ref-21) DeepSeek's low-cost AI spotlights billions spent by US tech // Reuters. 2025-01-27. ## Lihat Juga - Large Language Model OpenAI - Mixture-of-Experts