开源大模型领域近日掀起一场激烈论战！欧洲 AI 公司 Mistral 联合创始人兼 CEO Arthur Mensch 在近期访谈中，针对中国开源 AI 的崛起发表了一番极具争议的言论：“DeepSeek-V3 及后续版本均基于 Mistral 提出的架构构建，双方采用相同架构，而我们已公开重建该架构所需的全部内容”。这番表态瞬间引爆全球开发者社区，网友纷纷拿出论文时间线、架构细节等 “实锤” 反驳，直言 “这是在改写事实”。作为深耕开源生态的社区，DeepSeek Club 带大家梳理事件来龙去脉，拆解这场争议背后的技术真相与行业思考。
事件缘起：一句 “架构同源” 引发轩然大波
在被问及如何看待中国开源 AI 的强势发展时，Arthur Mensch 先是肯定了中国在 AI 领域的实力，认为开源并非零和竞争，而是 “彼此借鉴、共同进步” 的过程。但随后话锋一转，他明确表示：Mistral 是最早发布开源稀疏混合专家模型（MoE）的公司之一，2024 年初推出相关架构后，DeepSeek-V3 及后续版本便在此基础上构建，双方核心架构完全一致。
这番自信满满的表态，在开发者社区引发强烈反弹。网友们的反应从 “难以置信” 到直接吐槽：“Mistral 这是在胡说八道”“难道是我记错了论文发布时间？”。随着更多技术细节被扒出，这场争议迅速从 “口头争论” 升级为 “硬核技术对线”，而核心焦点集中在两个关键维度：论文发布时间线，以及架构设计的本质差异。
关键实锤 1：论文发布仅差 3 天，不存在 “借鉴基础”
要判断 “谁借鉴谁”，论文的提交时间线是最直接的证据。网友们迅速扒出两篇核心论文的 arXiv 提交记录：
-
Mistral 的 Mixtral of Experts 论文提交于 2024 年 1 月 8 日，核心是提出稀疏混合专家（SMoE）模型 Mixtral 8x7B，通过每一层设置 8 个前馈网络块（专家），路由网络为每个 token 选择 2 个专家进行处理，实现 “47B 参数规模，13B 活跃参数推理” 的平衡；
-
DeepSeek 的 DeepSeekMoE 论文提交于 2024 年 1 月 11 日，仅比 Mixtral 晚 3 天。该论文聚焦 “极致专家专业化”，提出了全新的 MoE 架构设计，旨在解决传统 MoE 中专家知识重叠、专业化不足的痛点。
3 天的时间差，意味着两支团队的研发工作几乎是并行推进的，根本不存在 “DeepSeek 在 Mixtral 架构基础上构建” 的前提。正如网友 @eliebakouch 所言：“说 DeepSeek 基于 Mixtral 构建 MoE 纯属无稽之谈，DeepSeek 的 MoE 论文仅在 Mixtral 论文发布 3 天后就出炉了”。更值得注意的是，DeepSeekMoE 论文的参考文献中仅引用了 Google GShard 等经典 MoE 相关研究，并未提及 Mixtral，从学术规范上也佐证了其架构的独立性。
关键实锤 2：架构设计思路迥异，核心创新点完全不同
除了时间线，架构本身的技术细节更能说明问题。表面上看，两者都属于稀疏混合专家模型，核心目标都是通过稀疏激活降低计算成本，但深入拆解后会发现，两者的设计思路、核心创新完全不同，甚至可以说是两条截然不同的技术路径。
1. 设计初衷：工程落地 vs 算法创新
-
Mixtral 的核心思路是 “工程化验证”：将成熟的 MoE 技术与强大的基础模型结合，证明 “通过合理的专家选择机制，可在控制推理成本的同时，实现超越更大稠密模型的性能”。其本质是对现有 MoE 技术的产品化应用，论文中并未深入探讨 MoE 架构的底层优化，甚至未披露训练数据、超参数、消融实验等关键细节，仅提到 “采用 Google GShard 架构，路由更简单，每一层都使用 MoE”；
-
DeepSeekMoE 的核心思路是 “算法级创新”：针对传统 MoE（如 GShard、CShard）中 “专家知识重叠、专业化不足” 的行业痛点，提出了两大核心优化策略 —— 细粒度专家分割与共享专家机制，从根本上重构了 MoE 的专家组织与路由逻辑，属于对 MoE 架构的重新定义。
网友 @gm8xx8 的评价一针见血：“Mixtral 是 GShard 的产品化版本，这符合 Mistral 聚焦产品、缺乏架构野心的定位；而 DeepSeek 是研究驱动的，在开源底层基础设施的同时，正在重新定义 MoE 的设计空间”。
2. 技术细节：四大核心差异，绝非 “相同架构”
通过对比两者的架构设计与数学公式，能更直观地看到差异所在：
| 对比维度 | Mixtral | DeepSeekMoE |
|---|---|---|
| 专家结构 | 沿用标准 MoE 设计，每个专家是完整的 FFN 块，无细分 | 细粒度专家分割：将大专家切分为多个小专家，总参数量不变，组合更灵活 |
| 路由机制 | 所有专家地位平等，路由网络动态选择 Top-2 专家 | 引入 “共享专家 + 路由专家” 双轨制：共享专家始终激活，负责通用知识；路由专家参与 Top-K 竞争，负责特定知识 |
| 知识分布 | 扁平分布，通用知识与特定知识混杂在同一专家中 | 解耦分布，共享专家与路由专家各司其职，专业化程度更高 |
| 数学表达 | y=∑(i∈Top2) Expert_i (x)，仅依赖选中的 2 个专家输出 | g (x)=∑(i∈TopK) Expert_i (x) + ∑(j∈Shared) Expert_j (x)，融合共享专家与路由专家的输出 |
更具戏剧性的是，2025 年 12 月 Mistral 发布的 Mistral 3 Large 模型，被网友扒出 “几乎照搬了 DeepSeek-V3 的架构”。开发者 @Sebastian Raschka 在查阅配置文件后发现：“Mistral 3 Large 使用了 DeepSeek V3 的架构，包括 MLA 模块，唯一的区别是它的专家数量减少了 2 倍，但每个专家的规模扩大了 2 倍”。这一发现让 Mistral CEO 的言论更显矛盾，网友调侃：“到底是谁借鉴谁的架构？这简直是岁月史书式发言”。
3. 性能验证：创新架构带来显著优势
DeepSeekMoE 的架构创新也得到了性能数据的佐证：
-
基础规模（2B 参数）：DeepSeekMoE 2B 与参数 1.5 倍于它的 CShard 2.9B 性能相当，且接近同参数量稠密模型的性能上限；
-
中等规模（16B 参数）：仅需约 40% 的计算量，就能达到 LLaMA2 7B 的性能水平；
-
大规模（145B 参数）：相比 GShard 架构优势显著，性能与 DeepSeek 67B 相当，但仅需 28.5%（最低可至 18.2%）的计算量。
而 DeepSeek-V3（671B 参数）的实际表现更能说明问题：其采用 “1 个共享专家 + 8 个路由专家” 的激活模式，每 token 仅激活 37B 参数，却能实现高效推理；而 Mistral 3 Large（673B 参数）虽架构高度相似，但采用 “1 个共享专家 + 4 个路由专家” 模式，激活参数达 398B，在计算效率上明显处于劣势。这也从侧面证明，DeepSeek 的架构设计在 “性能 - 效率” 平衡上更具优势。
网友热议：开源精神是 “互相成就”，而非 “歪曲事实”
这场争议引发了开源社区对 “开源精神” 的广泛讨论。多数网友认为，开源的核心是 “开放、协作、共同进步”，不同团队之间相互借鉴技术思路是正常现象，但前提是尊重事实，不能歪曲研发历程、抢占创新功劳。
-
网友 @Vexxter4sure 评论：“广义上讲，Mistral 是 MoE 应用的先驱，但他们的执行力与 DeepSeek 在稀疏 MoE、MLA 等技术上取得的成就相比相去甚远。他们的优势就像浸在牛奶咖啡里的巧克力面包一样，瞬间消散了”；
-
网友 @OmarBessa 吐槽：“Mistral 被发现用了 DeepSeek 的架构，现在却试图通过诋毁超越他们的对手来挽回面子”；
-
还有网友感慨：“最初发布 Mistral-7B 时的 Mistral 和今天的 Mistral 判若两人，曾经惊艳开源圈的创新者，现在却陷入了‘歪曲事实’的争议中”。
事实上，开源社区的健康发展，依赖于对创新的尊重、对事实的敬畏。DeepSeek 作为国产开源大模型的代表，始终坚持 “开源共享、研究驱动” 的理念，从 DeepSeekMoE 到 Engram 架构，再到即将发布的 DeepSeek-V4，每一步都以解决行业痛点、推动技术进步为目标，并用论文、代码、性能数据等实实在在的成果说话。而 Mistral CEO 的这番言论，显然违背了开源精神的核心，也难怪会遭到网友的一致反驳。
行业启示：技术竞争的核心是创新，而非口水战
这场争议的背后，反映的是全球开源大模型赛道的激烈竞争。随着 AI 技术的飞速发展，开源已成为推动技术普及、加速创新迭代的核心力量，而真正的竞争，从来不是 “谁借鉴了谁” 的口水战，而是 “谁能真正解决行业痛点、谁能做出突破性创新” 的实力比拼。
DeepSeek 用实际行动证明：中国开源 AI 的崛起，靠的不是 “借鉴”，而是持续的研发投入、对技术本质的深刻洞察，以及对开源精神的坚守。从 DeepSeek-R1 在推理领域的突破，到 Engram 架构解决大模型幻觉问题，再到 DeepSeek-V4 即将带来的低门槛部署、专业知识库插件等创新，每一项成果都凝聚着团队的技术积累与创新思考。
正如网友所言：“嘴炮无用，技术实力才是硬道理”。据悉，DeepSeek 已瞄准春节前后发布全新版本，届时将带来更多架构与功能创新。我们相信，随着更多中国开源力量的崛起，全球 AI 领域将形成更健康、更具活力的竞争格局，而创新终将成为行业发展的唯一通行证。