由于没有直接获取到DeepSeek发表的8篇论文内容，仅根据相关搜索文案进行分析总结。
一、技术能力方面的发现*
在与硬件相关的研究中发现接近底层的语言（如C代码），对于整体硬件的利用效率更好。这表明DeepSeek在探索语言与硬件交互方面有深入研究，其成果有助于优化程序开发时对硬件资源的利用。
DeepSeekV3模型仅用557.6万的训练成本，实现了与OpenAIO1推理模型相近的性能。这显示出DeepSeek在成本控制和性能优化上取得了显著成果，可能在模型训练算法或架构上有独特的创新。
DeepSeekR1Zero是一种通过大规模强化学习（RL）训练的模型，没有监督微调（SFT）作为初步步骤，却展示了卓越的推理能力。这意味着DeepSeek在强化学习的应用上取得了突破，为模型训练提供了新的思路。
二、对行业和市场影响方面的发现
DeepSeek冲击了英伟达两大壁垒——NVLink与CUDA，这在某种程度上打掉了英伟达的溢价，但也并未冲垮壁垒。这一发现表明DeepSeek的技术对行业格局产生了影响，推动了行业内的竞争与技术革新。
DeepSeek的出现改变了一些著名AI公司停止基础模型能力研发的悲观预期。这反映出DeepSeek的研究成果和发展态势给整个AI行业带来了积极的信号，激励更多公司投入到AI基础模型研发中。
三、模型特性和用户体验方面的发现
DeepSeek不仅能给出答案，而且还能像学霸解题一样，有推导、分析、检查过程。相比普通AI模型只是机械地复述信息，它更像一个真正会思考的智能助手。这体现出DeepSeek在提升用户体验方面的努力，为用户提供更深入、更智能的交互服务。
在一些研究中发现人类偏好对齐有利于开放的问题回答，但这部分会造成对齐税。这一发现有助于进一步优化DeepSeek模型在回答问题时的策略，平衡回答效果和成本。