DeepSeek 在模型训练期间通过结合数据匿名化、访问控制和隐私保护技术来优先考虑数据隐私。这个过程始于严格的数据预处理，以移除或模糊个人身份信息 (PII) 和敏感细节。例如，数据集可能会使用自动化工具进行清洗，以检测和屏蔽姓名、地址或信用卡号等模式。这一步骤确保输入到模型的原始数据不会暴露个人身份。此外，有时还会使用合成数据生成来模拟真实世界模式，而无需依赖实际用户数据，从而进一步降低隐私风险。
训练数据的访问受到严格管理，以防止未经授权的使用。数据在静止和传输过程中都会被加密，通常使用行业标准协议，如用于存储的 AES-256 和用于数据传输的 TLS。基于角色的访问控制 (RBAC) 限制了哪些团队成员可以与特定数据集交互，并且审计日志会跟踪数据访问情况以确保问责制。例如，负责模型架构的开发人员可能只能访问标记化或聚合的数据，而原始数据集仅限于一小部分授权人员。这种分层方法最大限度地减少了暴露，并符合最小权限原则。
DeepSeek 还采用技术方法来降低训练期间的隐私风险。差分隐私技术，例如向数据集或梯度添加受控噪声，有助于防止模型记忆特定数据点。联邦学习框架允许在去中心化数据上进行训练，而无需集中敏感信息——例如，在设备本地处理用户数据并仅共享模型更新。训练后，模型会接受审计以检测潜在的隐私泄露，例如意外记忆 PII。这些措施确保符合 GDPR 等法规，同时保持模型性能，在实用性和用户信任之间取得平衡。