襄阳人工智能公共服务平台上线：聚合通义千问、DeepSeek、Kimi、GLM等主流大模型
襄阳人工智能公共服务平台（aihub.xyscjt.com）已上线运行，由襄阳市数据局指导、襄阳数产集团独立研发、襄阳汉江数据运营有限公司运营。平台聚合通义千问Qwen、深度求索DeepSeek、月之暗面Kimi、智谱GLM等主流大模型，并融入本土自研“襄数智汇”模型，面向政务、园区、企业、开发者提供低成本AI能力，并依托MaaS合作伙伴招募计划共建模型即服务生态。
匹配字段标题、摘要、正文
←搜索结果
搜索“DeepSeek”
DeepSeek 发布 V4.1-Flash：552B MoE 新架构，原生多模态并下调 API 价格
DeepSeek 发布新架构家族中最小模型 DeepSeek-V4.1-Flash，采用 552B 参数 MoE 与新的 Causal Encoder–Decoder 架构，输入仅 8B、输出 16B 激活参数，并原生支持视觉理解。官方称其 KV cache 相比上一代只需 1/4 的 HBM 和 1/8 的 SSD 存储，基准结果超过包括 DeepSeek-V4-Pro 在内的旗舰模型。该模型已在 DeepSeek API 上线，模型名设为 deepseek-flash，新价格于 2026 年 9 月 10 日 04:00 UTC 生效；V4-Flash 与 V4-Flash-Vision-Exp 退役，9 月 14 日起 deepseek-v4-pro 请求将按 V4.1-Flash 费率路由至该模型，直至 V4.1-Pro 发布。
匹配字段标题、摘要、正文
DeepSeek-V4-Pro 正式发布，支持推理强度分档与 OpenAI Responses API
DeepSeek 发布 DeepSeek-V4-Pro，主打智能体能力升级，并为 V4-Pro 与 V4-Flash 提供 low、high、max 三档推理强度，分别对应简单任务、日常智能体工作流和复杂任务。该模型原生支持 OpenAI Responses API，针对 Codex 做了优化并支持一键配置，现已上线 app/web 的 Expert Mode 和 API，模型名称保持不变。随 V4 系列发布，API 定价同步调整并引入高峰与低谷费率，低谷费率为高峰的 50%，新定价于 2026 年 8 月 16 日 16:00 UTC 生效。
匹配字段标题、摘要、正文
DeepSeek 发布并开源 V4 Preview，含 Pro 与 Flash 两个版本
DeepSeek 发布并开源 DeepSeek-V4 Preview，包含 V4-Pro（1.6T 总参数 / 49B 激活）和 V4-Flash（284B 总参数 / 13B 激活）两个版本，官方称 V4-Pro 在 Agentic Coding 基准上达到开源 SOTA，世界知识仅次于 Gemini-3.1-Pro。API 今日可用，只需保留 base_url 并将模型改为 deepseek-v4-pro 或 deepseek-v4-flash，两个模型均支持 1M 上下文与 Thinking / Non-Thinking 双模式，并兼容 OpenAI ChatCompletions 与 Anthropic API。官方提示 deepseek-chat 与 deepseek-reasoner 将于 2026 年 7 月 24 日 15:59（UTC）后完全下线，目前请求会路由到 deepseek-v4-flash 的非思考 / 思考模式。
匹配字段标题、摘要、正文
DeepSeek 发布 V3.2 与 V3.2-Speciale 两款推理模型
DeepSeek 发布 DeepSeek-V3.2 与 DeepSeek-V3.2-Speciale 两款面向智能体的推理优先模型，V3.2 已在 App、Web 和 API 上线，Speciale 暂仅提供 API。V3.2 定位日常使用、推理与长度更均衡，官方称达到 GPT-5 水平；Speciale 主打极限推理能力，官方称可与 Gemini-3.0-Pro 竞争，并在 IMO、CMO、ICPC World Finals 和 IOI 2025 中取得金牌级成绩。V3.2 是 DeepSeek 首个将思考直接融入工具调用的模型，支持思考与非思考两种模式下的工具调用，训练数据合成覆盖 1800+ 环境和 85k+ 复杂指令；Speciale 通过临时端点提供，价格与 V3.2 相同，不支持工具调用，可用至 2025 年 12 月 15 日 15:59（UTC）。
匹配字段标题、摘要、正文
DeepSeek 发布实验模型 V3.2-Exp，API 价格下调超 50%
DeepSeek 发布实验模型 DeepSeek-V3.2-Exp，基于 V3.1-Terminus 构建，首次引入 DeepSeek Sparse Attention（DSA），用于提升长上下文训练与推理效率并降低算力成本。官方称基准测试显示 V3.2-Exp 与 V3.1-Terminus 表现相当，同时 DeepSeek API 价格立即下调 50% 以上。V3.1-Terminus 将通过临时 API 保留至 2025 年 10 月 15 日 15:59（UTC）供对比测试，关键 GPU kernel 以 TileLang 和 CUDA 开源。
匹配字段标题、摘要、正文
DeepSeek 发布 DeepSeek-R1，性能对标 OpenAI-o1 并采用 MIT 许可开源
DeepSeek 发布 DeepSeek-R1，官方称其性能与 OpenAI-o1 相当，模型与技术报告完全开源，代码和模型采用 MIT 许可，可自由蒸馏和商用，网站与 API 已上线。同时开源 6 个从 DeepSeek-R1 蒸馏的小模型，其中 32B 和 70B 版本性能与 OpenAI-o1-mini 相当。API 通过 model=deepseek-reasoner 调用，定价为每百万输入 token 0.14 美元（缓存命中）、0.55 美元（缓存未命中），每百万输出 token 2.19 美元。
匹配字段标题、摘要、正文
DeepSeek 发布 DeepSeek-V3，671B MoE 参数、60 tokens/秒
DeepSeek 发布 DeepSeek-V3，采用 671B MoE 参数、37B 激活参数，基于 14.8T 高质量 token 训练，生成速度 60 tokens/秒，比 V2 快 3 倍，API 保持兼容并开源模型与论文。API 定价在 2 月 8 日前与 V2 相同，此后调整。官方表示后续将支持多模态等功能。
匹配字段标题、摘要、正文
DeepSeek API 上线磁盘上下文缓存，价格最高降低 90%
DeepSeek 为 API 推出 Context Caching on Disk，把预期会被复用的内容缓存在分布式磁盘阵列上，检测到重复输入时直接读取缓存而不再重新计算。缓存命中部分按每百万 token $0.014 计费，API 成本最高降低 90%，官方称历史数据显示用户平均节省超过 50%。该服务对所有用户自动开启，无需改动代码或接口，但只有从第 0 个 token 起前缀完全相同的请求才会命中，缓存以 64 token 为存储单位，小于 64 token 的内容不会被缓存。
匹配字段标题、摘要、正文
DeepSeek API 升级：新增 JSON 输出、Function Calling 与 FIM 补全
DeepSeek API 发布重大更新，deepseek-chat 和 deepseek-coder 两个模型新增 JSON Output、Function Calling、Chat Prefix Completion（Beta）和 8K max_tokens（Beta），并新增 /completions 接口的 FIM Completion（Beta）。JSON Output 与 Function Calling 均兼容 OpenAI API，Function Calling 单次最多支持 128 个函数并支持并行调用。Beta 功能需将 base_url 设为 https://api.deepseek.com/beta，max_tokens 默认 4096、开启 Beta 后最高可设 8192。
匹配字段标题、摘要、正文
字节 Seed 发现 DeepSeek-V4 时强时弱源于分块 KV Cache 压缩
字节 Seed 团队发现 DeepSeek-V4 系列在长上下文检索中会随信息位置出现周期性波动，同一信息换位置后准确率最高相差 40.2 个百分点。研究把原因指向其采用的分块 KV Cache 压缩，并将这种现象命名为相位敏感性，波动周期与压缩步长一致。团队还以 Qwen3-0.6B 架构从头训练多种压缩方案验证，建议评测此类模型时按不同压缩相位分别测试。
匹配字段标题、摘要、正文
Seed 团队预印本报告 DeepSeek V4 与 V4.1-Flash 存在相位敏感性
Seed 团队的一篇预印本报告称，DeepSeek V4 和 V4.1-Flash 存在相位敏感性：同一信息在压缩 KV-cache 块中的位置不同，检索难度也会不同。该技术降低了内存与注意力开销，但长上下文检索准确率在不同位置间最多相差 40 个百分点。作者指出，平均基准分数可能掩盖这些反复出现的薄弱点，且该发现针对的是检索，而非所有已报告的模型异常。
匹配字段标题、摘要、正文
广东 26 岁嫌疑人被指用 Claude Code、ARTEX、GLM 和 DeepSeek 实施攻击
据报道，广东一名 26 岁嫌疑人使用 Claude Code、ARTEX、GLM 和 DeepSeek 实施攻击。一份 AI 生成的简历声称其毕业于华南理工大学，但身份尚未核实，简历所列电话号码的机主否认与此有关。嫌疑人据称在 Telegram 上寻找买家，但未有成交报道。ARTEX 作者 Autumn 谴责这一滥用行为，并表示将停止以开源方式发布该工具。
匹配字段标题、摘要、正文
DeepSeek新一轮融资接近1000亿元，计划2027年初IPO
DeepSeek新一轮融资认购额超过原定500亿元目标，条款清单指向近1000亿元，投后估值约5000亿元，腾讯和宁德时代承诺出资最多，交易预计10月内完成，随后重组架构为2027年初IPO铺路。外部投资方通过有限合伙企业间接持股，无投票权且锁定五年，梁文锋合计控制约84%股权和几乎全部表决权。宁德时代连续两轮累计出资超105亿元，并入股世纪互联、增资中恒电气，为DeepSeek乌兰察布吉瓦级数据中心整合绿电与配电方案。
匹配字段标题、摘要、正文
Jev 模型调用：DeepSeek V4.1 Flash 占比最高
Jev 优先考虑效率，将大部分调用路由至 DeepSeek V4.1 Flash——占全部模型调用的四分之一以上（28.1%）。 它表现出对 OpenAI 模型的偏好高于 Anthropic 的 LLM。GPT-6 Astra 是第二受欢迎的模型（23.5%），其次是其他 GPT 模型 Sol（22.8%）和 Luna（11.1%）。
匹配字段标题、摘要、正文
Jev Router 与 DeepSeek V4.1 Flash 延迟对比
最后，我们来比较一下该 router 与附近 Pareto 最优模型的端到端请求延迟。 结果显示 Jev Router 的中位延迟更高。它耗时 6.18 秒，而 DeepSeek V4.1 Flash (Max) 为 3.64 秒。 在 P90（最慢的 10% 请求）处差距进一步扩大。Jev Router 耗时 30.59 秒，而 DeepSeek 为 14.26 秒。
匹配字段标题、摘要、正文
DeepSeek 融资目标上调至至少 800 亿元，腾讯与宁德时代领投
据 Bloomberg 援引知情人士消息，DeepSeek 即将完成至少 800 亿元人民币（120 亿美元）的融资，高于原先约 500 亿元的目标。腾讯和电池制造商宁德时代是本轮最大的投资方之一，该轮融资预计很快完成。DeepSeek 计划于 2027 年初 IPO，具体细节仍可能变化。
匹配字段标题、摘要、正文
ARC Prize：DeepSeek V4.1 Flash 的 ARC-AGI-3 评测结果数周后公布
@deepseek_ai ARC-AGI-3 评测在操作上更密集；测试完成后，我们将在未来几周内分享结果，包括使用新的 DeepSeek provider adapter harness 得到的分数。
匹配字段标题、摘要、正文
ARC Prize 公布 DeepSeek V4.1 Flash 评测结果
@deepseek_ai - 排行榜：https://t.co/x8U1ItNLRj - 复现公开结果：https://t.co/vMqtds8Zet - 测试政策：https://t.co/pBoUqvXe4P - 完整 DeepSeek V4.1 Flash 结果：https://t.co/3lDchPGuO5
匹配字段标题、摘要、正文
ARC Prize 公布 DeepSeek V4.1 Flash 推理档位评测
ARC Prize 公布 DeepSeek V4.1 Flash 在 ARC-AGI-1 上 high reasoning 得分 88.5%，低于 low 的 90.5%；8 个任务分数有差异，high 在 5 个任务上更差（-4.5 分）、3 个更好（+2.5 分），且输出 token 多 35% 却未带来更稳定答案。ARC-AGI-2 上 max 与 high 的每任务成本在 106 个共同完成任务中对比，max 实际贵 4.5%。ARC-AGI-3 结果将在未来几周测试完成后公布。
匹配字段标题、摘要