搜索“DeepSeek”

Fireworks AI公布DeepSeek V4 Pro在CyberGym上的评测结果

2026年8月26日,Fireworks AI公布了对DeepSeek V4 Pro 0813在CyberGym安全基准上的评测结果。测试覆盖697个共同有效任务,DeepSeek V4 Pro的奖励率为53.7%,每个成功任务成本2.502美元,约为Kimi K3的一半。同一批结果中,Kimi K3奖励率最高,为68.4%,每个成功任务成本4.914美元;GPT-5.5奖励率47.6%,每个成功任务成本9.641美元;Claude Opus 4.8奖励率5.9%,每个成功任务成本33.275美元。Fireworks AI还称,DeepSeek V4 Pro在840个任务上全部产生原生工具调用,没有出现拒答或输出截断;一旦通过第一阶段验证,它完成完整补丁的比例为94.7%。目前没有后续进展。

查看事件：Fireworks AI公布DeepSeek V4 Pro在CyberGym上的评测结果

DeepSeek开源智能体运行框架

2026年8月13日,DeepSeek发布并开源DeepSeek Harness v0.1开发者预览版,采用MIT许可证,面向全球构建智能体运行框架的开发者。该项目由Cordis元框架驱动,将模型、工具、技能、会话、沙箱、文件系统、循环、编排和用户界面设计为可组合、替换及扩展的插件。目前输入材料仅提供此次发布信息,故事仍处于活跃状态。

DeepSeek-V4支持百万上下文

DeepSeek开放模型持续演进

2025年12月3日的技术梳理显示,DeepSeek开放权重模型从V3逐步演进至R1、V3.1、V3.2-Exp、DeepSeekMath V2及V3.2-Speciale。V3.2延续V3系列架构,并加入DeepSeek稀疏注意力、自验证、自改进以及多项GRPO训练调整;相关演进还涉及MLA、RLVR和混合推理模式。后续更新介绍了mHC残差路径研究,用于改善训练稳定性与收敛表现。

Mistral Large 4上线Arena并获首批评测

2026年10月6日,Mistral AI的Mistral Large 4上线Arena,可在Agent Arena中实测,用户投票将影响其评估结果,分数稍后公布;Agent Arena用数百万个真实长周期智能体任务评测模型,模型可调用网页搜索、文件系统和终端工具完成复杂工作流,排行榜以因果追踪方法衡量模型相对平均模型的结果表现。Mistral Large 4同时上线Code Arena的WebDev、Text和Vision三个方向。10月8日,Arena发布对Mistral Large 4的首批评测,该模型为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等模型对比,后续还会公布更多分数和更新。

DeepSeek发布Harness v0.1

DeepSeek 发布并开源 DeepSeek Harness v0.1开发者预览版

查看事件：DeepSeek开源智能体运行框架

DeepSeek-V4支持百万上下文

DeepSeek-V4 支持 100万token上下文窗口

查看事件：DeepSeek-V4支持百万上下文

解析DeepSeek模型演进

DeepSeek 发布并演进 从V3到V3.2的开放权重模型系列

查看事件：DeepSeek开放模型持续演进

Cognition推出编码基准FrontierCode 2.0

2026年10月28日,Cognition推出编程基准FrontierCode 2.0,用于评估模型产出的代码能否真正合并,最高分的Opus 5.5也仅得45%,基准远未饱和。据Cognition博客,相比1.1版本,参考解平均多改67%的文件、89%的代码行,代码库规模大25%,任务覆盖仓库增加55%、阻断性评分标准增加43%;DeepSeek V4.1 Flash从43.9%降至19.3%,Kimi K3从44.2%降至17.7%。同日,Artificial Analysis发布Intelligence Index v5,将FrontierCode 2.0列为新增基准之一,60%评测基于私有测试集或留出答案,Claude Opus 5.5(max)以58分居首。

blakeandersonw开源ai-app-playbook

2026年10月28日,Blake Anderson开源「ai-app-playbook」,这是一份供coding agent执行的操作规程,覆盖选品、搭建、上架到首月盈利。该playbook分两层:面向人的playbook/00–13章节,以及面向Agent的AGENTS.md(Phase 0–14,每步标注[AGENT]或[HUMAN]),动手前需通过Gate A评分。技术栈固定为Cloudflare Workers、D1、Better Auth、OpenRouter转DeepSeek、Superwall加Stripe等,并明确列出Vercel、Supabase、Next.js等不用项。目前仅有该开源发布信息,暂无后续发展。

PromptArmor称中国模型遭网络攻击成功率更高

PromptArmor于2026年10月29日发布测试结果,称将自家传播最广的攻击样本在多个模型上测试后发现,DeepSeek、Kimi、GLM和Qwen模型对网络攻击的易感度比GPT、Claude和Gemini模型高88%。测试覆盖钓鱼、数据外泄和运行恶意软件的倾向等多个网络风险维度,PromptArmor称差异显著。目前尚无其他机构回应或独立验证,该结论仍为PromptArmor单方发布。

PromptArmor称中国模型遭网络攻击成功率更高

PromptArmor于2026年10月29日发布测试结果,称将自家传播最广的攻击样本在多个模型上测试后发现,DeepSeek、Kimi、GLM和Qwen模型对网络攻击的易感度比GPT、Claude和Gemini模型高88%。测试覆盖钓鱼、数据外泄和运行恶意软件的倾向等多个网络风险维度,PromptArmor称差异显著。目前尚无其他机构回应或独立验证,该结论仍为PromptArmor单方发布。

查看事件：PromptArmor称中国模型遭网络攻击成功率更高

PromptArmor称中国模型更易受网络攻击

PromptArmor于2026年10月29日发布测试结论,称DeepSeek、Kimi、GLM和Qwen模型受网络攻击的可能性比GPT、Claude和Gemini模型高88%。该机构表示,测试使用多款高传播攻击样本,覆盖钓鱼、数据外泄和运行恶意软件倾向等网络风险。上述结论来自PromptArmor的主推文,推文未说明具体测试方法和样本规模。目前尚无其他机构回应或独立验证,事件状态停留在PromptArmor单方发布阶段。

PromptArmor称中国模型更易受网络攻击

PromptArmor于2026年10月29日发布测试结论,称DeepSeek、Kimi、GLM和Qwen模型受网络攻击的可能性比GPT、Claude和Gemini模型高88%。该机构表示,测试使用多款高传播攻击样本,覆盖钓鱼、数据外泄和运行恶意软件倾向等网络风险。上述结论来自PromptArmor的主推文,推文未说明具体测试方法和样本规模。目前尚无其他机构回应或独立验证,事件状态停留在PromptArmor单方发布阶段。

查看事件：PromptArmor称中国模型更易受网络攻击

Arena将Kimi K3.1 Pro (Max)纳入Agent Arena排名第11

Arena 于 2026 年 10 月 24 日将 Kimi K3.1 Pro (Max) 纳入 Agent Arena 排名,位列第 11。该排名基于 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。目前尚无后续发展事实。

Artificial Analysis称Kimi K3.1 Pro在Cyber Index得64%

Artificial Analysis报告称,Kimi K3.1 Pro在Artificial Analysis Cyber Index上得分64%,居开放可用模型首位。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。同日早先,Artificial Analysis将DeepSeek V4.1 Flash 1017列为开放可用模型第一,得分57%,总榜第二,落后通过可信访问计划提供的GPT-6 Sol(69%)12分;该版本较前代DeepSeek V4.1 Flash的41%提升16分,主要来自CyberGym-E2E-AA从23%升至76%。

Artificial Analysis评测MiniMax-M3.1-Flash得42分

Artificial Analysis于2026年10月19日发布评测,MiniMax-M3.1-Flash在其智能指数上得分42,比MiniMax-M3高13分,单任务成本不到后者一半。同一评测显示,该模型在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。该模型上下文窗口为1M tokens,支持文本与图像输入,定价为每1M输入/输出tokens $0.15/$0.60,目前权重闭源,MiniMax宣布将于10月23日开放权重。

Aleph Alpha发布Kolibri-1开放权重模型

Aleph Alpha于2026年10月16日发布开放权重模型Kolibri-1。据heise online报道,该模型总参数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,上下文为256K Token并可外推至约100万Token。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。报道作者实测称其回答正确、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。目前尚无后续发展事实。

Artificial Analysis上线HealthBench双排行榜

Artificial Analysis 上线了 OpenAI 的 HealthBench 与 HealthBench Professional 两个健康对话基准的排行榜。其中,HealthBench 包含 5000 段与普通用户及卫生工作者的对话,HealthBench Professional 则为 525 段全部面向临床医生的对话。榜单结果显示,在 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%;在 HealthBench 上,Claude Sonnet 5.5(max with fallback)以 62.1% 领先,DeepSeek V4.1 Flash(max)为 60.9%。此外,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。目前尚无后续发展。

教师分享9智能体集体备课流水线实践

2026年10月17日,一位高中英语教师以“库Sir”身份在腾讯云开发者社区发文,分享其与3人备课组将集体备课改造为9个AI智能体加3个真人角色的四阶段流水线实践。文章称,原本跨两周的备课闭环在9月上旬实测中于单日上午跑通;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。目前该实践仍以作者自述形式呈现,尚无后续独立进展。