DeepSeek V3 至 V3.2 模型技术演进全览
DeepSeek V3.2 延续 V3 系列架构，并引入 DeepSeek Sparse Attention、自验证、自改进及多项 GRPO 训练调整。文章梳理了 V3、R1、V3.1、V3.2-Exp、DeepSeekMath V2 和 V3.2-Speciale 的演进，解释 MLA、RLVR 与混合推理模式等关键机制。更新部分还介绍了用于改善训练稳定性和收敛表现的 mHC 残差路径研究。
匹配字段标题、摘要、正文
←搜索结果
搜索“DeepSeek”
写给 LLM 读者的强化学习术语：一个分数如何分到每个 token
文章以 DeepSeek-R1-Zero 在 AIME 2024 上 pass@1 从 15.6% 升到 71.0% 为例，说明规则 judge 只给整段回答一个分数，而训练要调整每个 token 的概率。作者用 Is OpenAI open? 的采样例子依次解释 policy、state、action、reward、return、value、Q、advantage、baseline、TD error、GAE、clipping 和 KL，并指出 PPO 用 critic 学习 V、GRPO 用组内平均分代替 V。
匹配字段摘要、正文
Artificial Analysis Intelligence Index v5 上线，Claude…
Artificial Analysis Intelligence Index v5 上线，包含 2 个新基准和 3 项升级，其中 60% 基于私有测试集或留出答案。Claude Opus 5.5（max）以 58 分居首，GPT-6 Astra（max）57 分、GPT-6.1 Sol（max）55 分紧随其后，Gemini 4 Argon（high）以 50 分排在后面。开源权重模型与榜首差距从 3 分扩大到 12 分，已发布权重中 DeepSeek V4.1 Flash 1017（max）和 GLM-5.3（max）以 32 分领先。
匹配字段摘要
Blake Anderson 开源 ai-app-playbook，用 Coding Agent 按固定栈做消费级…
Blake Anderson 开源「ai-app-playbook」，一份给 coding agent 执行的操作规程，覆盖选品、搭建、上架到首月盈利。它分两层：面向人的 playbook/00–13 章节和面向 Agent 的 AGENTS.md（Phase 0–14，每步标注 [AGENT] 或 [HUMAN]），动手前需通过 Gate A 评分。技术栈固定在 Cloudflare Workers、D1、Better Auth、OpenRouter 转 DeepSeek、Superwall 加 Stripe 等，并明确列出 Vercel、Supabase、Next.js 等一长串不用项。
匹配字段摘要、正文
Artificial Analysis 发布 Intelligence Index v5，60% 评测改用私有数据集
Artificial Analysis 发布 Intelligence Index v5，新增 FrontierCode 2.0 和 Terminal-Bench-Science 两项基准，升级 HLE-Diamond、AA-Omniscience v1.1 和 CritPt v2，60% 的评测基于私有测试集或留出答案。Claude Opus 5.5（max）以 58 分居首，GPT-6 Astra（max）57 分、GPT-6.1 Sol（max）55 分紧随其后，Gemini 4 Argon（high）50 分。开源权重模型与领先者的差距从 3 分扩大到 12 分，已发布权重的 DeepSeek V4.1 Flash 1017（max）和 GLM-5.3（max）均为 32 分；领先模型单任务成本相差超过 13 倍，GPT-6.1 Terra（max）为 $0.96，Claude Fable 5.1（max）为 $13.04。同时发布 Progress Index v1，将 2022 年 11 月以来发布的模型放在同一能力尺度上比较。
匹配字段摘要、正文
Kimi K3.1 Pro (Max) 在 Agent Arena 排名第 11，较 Kimi K3 提升 6 个百分点
Kimi K3.1 Pro (Max) 在 Arena 的 Agent Arena 中排名第 11，基于 4K 多真实智能体会话取得 +7.6% 净提升，较 Kimi K3 (Max) 的第 25 名上升 6 个百分点。其每任务中位成本为 $1.03，比上一版本低 13%，在 Work、Code、Chat 三个类别中分别排第 8、第 9 和第 10。Arena 表示该模型开放权重即将发布，届时将成为 Agent Arena 中排名第一的开源模型，超过 DeepSeek-v4.1-Flash。
匹配字段摘要、正文
Sebastian Raschka 发布 11 小时推理模型从零构建视频课程
Sebastian Raschka 发布 8 个推理模型从零构建的编程视频，共 11 小时，用 Python 和 PyTorch 从预训练的 Qwen3 0.6B 模型出发实现评测、推理时扩展、强化学习和蒸馏。课程先构建数学答案验证器并在 MATH-500 上评测，再实现温度采样、top-p 过滤与自一致性，随后用简化版 GRPO 做 RLVR 训练，最后用 DeepSeek R1 生成的答案蒸馏小模型。内容配套其《Build a Reasoning Model (From Scratch)》一书，早期文本生成与评测示例可在 CPU 上运行，后续训练实验建议使用 GPU。
匹配字段摘要、正文
Kimi K3.1 Pro 在 WebDev Arena 升至第 8，Kimi 回到实验室第 4
Kimi K3.1 Pro 在 Code Arena: WebDev 以 1692 分升至第 8，与 Claude Opus-5（Max）持平，成本低 70%；相比 Kimi K3（Max）的第 17 名、1655 分，提升 9 位、37 分。Kimi 因此回到 Code Arena: WebDev 实验室排名前 4。该模型定价为每百万输入/输出 token 2 美元/10 美元，单任务成本中位数 1.23 美元，比 Kimi K3 低 29%；官方称开放权重即将发布，届时它将成为该榜单排名第一的开源模型，超过 DeepSeek-v4.1-Flash。
匹配字段摘要
Kimi K3.1 Pro 在 Artificial Analysis 网络安全指数得 64%，居开放可用模型首位
Kimi K3.1 Pro 在 Artificial Analysis Cyber Index 上得分 64%，比此前的开放可用模型领先者 DeepSeek V4.1 Flash 1017（57%）高 7 分，比仅通过 OpenAI 可信访问计划提供的 GPT-6 Sol（Daybreak Blue，max，69%）低 5 分。该指数由 CWE-Bench-AA、DeepsecBench-AA 和 CyberGym-E2E-AA 三项基准组成，K3.1 Pro 在 CyberGym-E2E-AA 上拿到 95%，高于 GPT-6 Sol（Daybreak Blue）的 93%。其单任务成本为 2.81 美元，高于 GPT-6 Sol（Daybreak Blue，max）的 1.77 美元和 DeepSeek V4.1 Flash 1017 的 0.42 美元，原因是每 token 价格虽比 Kimi K3 低 33%，但输入 token 用量约为 2 倍。
匹配字段摘要、正文
MiniMax-M3.1-Flash 在 Artificial Analysis 智能指数得分 42
MiniMax-M3.1-Flash 在 Artificial Analysis 智能指数上得分 42，比 MiniMax-M3 高 13 分，单任务成本不到后者一半。它在 Humanity's Last Exam 上得 48%、CritPt 得 22%，均高于 GLM-5.3-Flash 和 Gemini 3.8 Flash，略低于 DeepSeek V4.1 Flash 1017。该模型上下文窗口 1M tokens，支持文本与图像输入，定价 $0.15/$0.60 每 1M 输入/输出 tokens，目前权重闭源，MiniMax 宣布将于 10 月 23 日开放权重。
匹配字段摘要、正文
Artificial Analysis 上线 HealthBench 与 HealthBench…
Artificial Analysis 为 OpenAI 的 HealthBench 和 HealthBench Professional 两个健康对话基准上线排行榜，前者含 5000 段与普通用户及卫生工作者的对话，后者为 525 段全部面向临床医生的对话。HealthBench Professional 上 GPT-6 Astra（max）以 66.0% 的长度调整分居首，GPT-6.1 Sol（max）为 65.1%，Claude Sonnet 5.5（max with fallback）为 63.0%。HealthBench 上 Claude Sonnet 5.5（max with fallback）以 62.1% 领先，DeepSeek V4.1 Flash（max）为 60.9%；Claude Opus 5.5 与 Claude Fable 5.1 平均回答约 5900 字符，长度调整后失分超过 11 分。
匹配字段摘要、正文
开发者用 AI 智能体给智能电视去广告、换桌面
TechCrunch 报道，一些开发者和 vibe coder 正用 AI 智能体改造智能电视，去掉开机广告、关闭观看追踪、替换卡顿的桌面。GitHub 项目 dumbtv 已在 Fire TV Edition 以及 Sony、TCL、Philips、Hisense、Xiaomi、Shield 的 Android/Google TV 上做过端到端测试，作者 Sabuwala 称用 Deepseek V4.1 Flash、Claude Opus 5.5 和 Claude Sonnet 5.5 编写。cleanyourtv 作者 Gathin T. 称用 Claude Code 通过 Wi-Fi 移除 25 个小米软件包并重写桌面，几天内有数千人对自己的电视做了同样操作。这些方案仍在完善中，有人反馈 Claude 不响应简单指令，也有人称把 Android TV 刷成了砖。
匹配字段摘要、正文
3人备课组用9个AI智能体把两周集体备课压到1个上午
一位高中英语教师与3人备课组把集体备课改造成9个AI智能体加3个真人角色的四阶段流水线，原本跨两周的备课闭环在9月上旬实测单日上午跑通。四套提示词分别负责学情三维归因、每条不超过100字的四段式研讨意见、80分钟对辩主持稿和三维评分归档，共识执行率从经常烂尾变为100%。作者还记录了二次质检分数降6分实为评分量表变化、教师对格式约束的抵触、成员出差由副备兼顶三个坑，并称该SOP跨学科通用，提示词可在豆包、Kimi、ChatGPT、DeepSeek上运行。
匹配字段摘要、正文
Aleph Alpha 发布 Kolibri-1：78B 参数、德语推理的开放权重模型
Aleph Alpha 发布开放权重模型 Kolibri-1，总参数 78B，采用 384 个专家、6 个路由专家的 MoE 结构，推理时仅激活 3.46B 参数，上下文 256K Token 并可外推至约 100 万 Token。该模型专注德语和英语，tokenizer 对德语词切分更省 Token，例如德国联邦议院术语表仅需 1137 Token，而对比的 DeepSeek-V4.1-Flash 需要 1910 Token；预训练使用 20 万亿 Token，数据截至 2026 年 6 月 18 日。作者实测其回答正确、德语推理过程明显，并称 Merlin-Arthur 协议让模型在基准中幻觉更少，但实际效果仍需在真实使用中检验。
匹配字段摘要、正文
NVIDIA Vera Rubin NVL72 智能体推理首测：每兆瓦吞吐最高约 5.7 倍于 GB300
Artificial Analysis 在 AA-AgentPerf 上发布 NVIDIA Vera Rubin NVL72 的初步结果，在 DeepSeek V4 Pro 上每兆瓦总吞吐最高约为前代 GB300 NVL72 的 5.7 倍，DeepSeek V4.1 Flash 约 5.4 倍，GLM-5.2 约 3.0 倍，Kimi K3 约 2.8 倍。Vera Rubin 是 NVIDIA Blackwell 的继任者，NVL72 为机架级系统，含 72 颗 Rubin GPU 和 36 颗 Vera CPU，每颗 GPU 内存与 Blackwell Ultra 同为 288 GB，但内存带宽为 2.4 倍、NVLink 带宽 1.7 倍、密集 NVFP4 算力 2.3 倍。AA-AgentPerf 通过回放真实智能体编码会话衡量推理性能，Vera Rubin 在 DeepSeek V4.1 Flash 上创下 906 tok/s 的单用户速度纪录。
匹配字段摘要、正文
Artificial Analysis 上线 FrontierCode 1.1 编码智能体排行榜
Artificial Analysis 上线 FrontierCode 1.1 排行榜，该评测由 Cognition 构建，用真实开源仓库的合并标准检验编码智能体，共 150 个任务，本次运行其中 100 个主任务集，全部任务私有以避免污染。Claude Opus 5.5（max with fallback）以 52% 居首，但其尝试中仅 58% 通过阻断性检查，100 个任务中有 9 个没有任何模型通过；前九名模型分数集中在 43% 至 52%，开源权重模型 MiMo-V2.6-Pro 以 45% 领先，DeepSeek V4.1 Flash（max）和 Kimi K3（max）为 44%。GPT-6.1 Sol（max）以每任务 0.81 美元取得 49%，与 Claude Fable 5.1（max with fallback）持平，成本不到后者的十分之一。
匹配字段摘要、正文
Arena 实测 Mistral Large 4：1T 参数、49B 激活，对比 GPT-6.1 Sol 等模型
Arena 发布对 Mistral Large 4 的首批评测，该模型由 MistralAI 推出，为 1T 参数、49B 激活，开放权重将于本月底发布。Arena 用一系列真实场景测试将其与多家闭源和开源模型对比，包括 GPT-6.1 Sol、Astra、Claude Fable、Claude Opus 5.5、Claude Sonnet 5.5、Kimi K3、GLM 5.3 Flash、DeepSeek Flash 和 Muse Spark，以展示其当前水平，后续还会公布更多分数和更新。
匹配字段摘要、正文
Inception 公布 Mercury 2 在 PinchBench 上的评测结果
Inception Labs 公布 Mercury 2 在 PinchBench 上的评测结果：任务成功率 78%，高于 GPT-5 Mini 的 75%、Gemini 2.5 Flash 的 71%、DeepSeek Chat 的 72% 和 GPT-4o 的 71%，并在同准确率档位中执行时间最快。定价为每 100 万 token 输入 0.25 美元、输出 0.75 美元，约为 Claude 4.5 Haiku 输入输出的四分之一。PinchBench 基于 OpenClaw 构建，考察工具调用、多步推理和真实任务完成情况，Mercury 2 的速度来自并行细化而非逐 token 生成。
匹配字段摘要、正文
LMSYS 公开 infer-forge：围绕 SGLang 的 Harness、Loop 与 Graph 工程方法
LMSYS 发布 infer-forge 方法论文，介绍围绕 SGLang 的推理工程系统，由 MonoRepo、Harness、Task Loop 和 Task Graph 四层结构组成，用于让跨仓库的推理优化工作可复现、可验证。该系统为内部工程系统，并非 SGLang 或 LMSYS 官方组件，目前不开源，文章公开的是构建方法论，供团队交给 AI 编码工具并结合自身系统上下文搭建适配实现。文中给出使用记录：一位工程师 4 月至 7 月的在飞任务峰值从 2 个升至 9 个，DeepSeek-V4-Pro 服务项目中 38 个可独立验证的任务节点被组织成任务图。
匹配字段摘要、正文
如何控制大语言模型的推理力度
文章解释了大语言模型如何通过不同推理力度，在回答质量、token 消耗、成本和延迟之间进行权衡。其实现通常结合混合 SFT 数据、按模式调整的 RL 奖励、长度惩罚、独立专家模型或硬性 token 预算；DeepSeek V4、Nemotron 3 Ultra、Kimi K3、GLM-5、Qwen3 和 Inkling 采用了不同组合。模型规模与推理力度是两套独立控制方式，较小模型提高推理力度有时可达到与较大模型降低推理力度相近的基准成绩。
匹配字段摘要、正文