DeepSeek 团队开源面向昇腾的基础组件，与华为昇腾共建高效易用的 AI 芯片软件生态。华为提供联合定义的昇腾超节点 SuperPoD Flex 和 UBL128 组网方案，可实现 128 卡 3.2Tbps 单层交换 Scale-up 网络和 256K 卡两层交换 Scale-out 网络，支持超低时延推理与前沿基座模型大规模训练。DeepSeek 团队开发的高性能 DeepEP 通信库涵盖 EP、CP、PP、FSDP 等模式下的通信算子，互联带宽实测达到 Dispatch 375 GB/s、Combine 347 GB/s，接近硬件上限。
匹配字段标题、摘要、正文
习近平与特朗普在纽约峰会上同意开启正式 AI 对话，并成立双边贸易委员会；阿里发布自研 AI 芯片并承诺到 2032 年建成 20GW AI 数据中心容量。DeepSeek 接近完成 75 亿美元融资、年化收入达 10 亿美元，但中国监管机构据报对其与 Moonshot 展开数据安全调查。
匹配字段标题、摘要、正文
Cheepseek 行动第二阶段： DeepSeek v4.1 Flash 的 60 美元用量现已永久有效 尽情享用 :)
匹配字段标题、摘要、正文
DeepSeek 研究员刘胜与在 DeepSeek V4.1-Flash 发布后发文，称最前沿智能应以开放且廉价的方式提供给所有人，并直言不希望 Anthropic 掌控最先进 AI 或 AGI。该文在微信博客仍可访问，获虎嗅、36Kr、第一财经等媒体报道，知乎和小红书上以支持声音为主。
匹配字段标题、摘要、正文
NVIDIA Transformer Engine 结合 JAX，在 NVIDIA GB200 上把 DeepSeek-V3 的 MoE 训练吞吐从 103 TFLOPS/GPU 提升到 1,068 TFLOPS/GPU，达 10.4 倍。其分组 GEMM 内核可在单次调用中处理各专家不等的 token 数量，实现无丢弃 MoE；NCCL EP 融合 dispatch 与 combine 并去重 token 以降低网络流量。在 GB300 NVL72 上训练 DeepSeek-V3 671B 时，该方案在 1,024 块 GPU 下保持 97% 扩展效率。
匹配字段标题、摘要、正文
Fireworks 对 DeepSeek-V4.1-Flash 做了完整基准测试，在 DeepSWE 上达到 GPT-6 Astra 级别的编码精度，单任务成本 0.43 美元，比 Gemini 3.8 Flash 低 5.5 倍、比 GPT-6 Astra 低 15 倍、比 Claude Opus 5 低 28 倍。该模型为 552B 参数 MoE，采用编码器-解码器分离架构，输入 8B、输出 16B 激活参数，KV Cache 相比 DeepSeek V4 仅占 1/4 HBM 和 1/8 SSD 存储，本次运行 99.6% 输入 token 命中缓存。在 HLE 上它单独运行得 34.52%，落后于 Astra 的 50.40%，但与 Astra 组成 oracle router 后达到 54.80%，高于 Astra 单独运行。
匹配字段标题、摘要、正文
Fireworks 发布 DeepSeek-V4.1-Flash，在 DeepSWE 上 pass@1 为 74.34%，与 GPT-6-Astra 的 74.12% 处于同一水平，单任务成本 0.43 美元，约为 Astra 的 1/15。该模型为 552B 参数 MoE，采用输入 8B、输出 16B 的分离激活预算，KV Cache 的 HBM 占用降至上一代 V4 的 1/4。在 HLE 上它得分 34.52%，低于 Astra 的 50.40%，作者认为它更适合智能体编码而非高难推理。
匹配字段标题、摘要、正文
DeepSeek 发布 552B 参数的 MoE 模型 DeepSeek-V4.1-Flash，每 token 激活 8–16B 参数，在 Terminal-Bench 2.1 的编码与智能体任务上超过 OpenAI GPT-5.6 Sol 和 Moonshot Kimi K3；同周 DeepSeek 据报聘请中信证券等四家承销商筹备上海科创板上市，Pre-IPO 估值约 5000 亿元人民币（约 740 亿美元）。腾讯投资的燧原科技在科创板 IPO 募资 61.2 亿元，股价盘中最高涨 234%、收盘涨 188%，市值约 255 亿美元。Anthropic 称其阻断三家中国实验室通过 Claude 路由数百万用户查询以获取训练数据的行动，美方官员称之为工业级技术窃取，中方否认并警告将反制。
匹配字段标题、摘要、正文
DeepSeek 本周发布并开源 DeepSeek-V4.1-Flash，这是一个 552B 参数、8B 激活参数用于 prefill、16B 用于 decode 的多模态 MoE 模型，支持 1M token 上下文窗口，已上线 HuggingFace 与 Baseten Model APIs。它采用 Causal Encoder-Decoder 架构，prefill 只跑 20 层编码器，decode 跑完整模型，官方称全局 KV cache 内存仅为 V4-Flash 的四分之一。在编码与智能体基准上，V4.1-Flash 以约三分之一的总参数量超过 V4-Pro，长程智能体任务提升达两位数，但 Automation-Bench 得分 54.8，复杂工作流仍有约一半失败。
匹配字段标题、摘要、正文
DeepSeek 将与开源社区合作支持 V4.1-Flash 推理，并探索更多部署选项。团队还面向计划使用 2,000 GPUs 和存储集群进行大规模部署的用户提供沟通渠道。
匹配字段标题、摘要
DeepSeek 表示，V4.1-Flash 通过更高效的架构降低服务成本，并下调 API 价格。峰谷定价机制保持不变，非高峰费率为高峰费率的 50%；新价格于 2026 年 9 月 10 日 04:00 UTC 生效。
匹配字段标题、摘要
DeepSeek API 已上线原生多模态模型 V4.1-Flash，调用时需将模型设为 deepseek-flash。V4-Flash 与 V4-Flash-Vision-Exp 已退役，其旧模型名暂时路由至新模型；自 2026 年 9 月 14 日 04:00 UTC 起，deepseek-v4-pro 请求也将按 V4.1-Flash 费率转发至该模型，直至 V4.1-Pro 上线。
匹配字段标题、摘要、正文
DeepSeek 介绍了一种 552B 参数的 MoE 非对称架构，采用新的 Causal Encoder–Decoder，输入仅激活 8B 参数，输出激活 16B 参数。其称新预训练方法与更大规模的 RL 后训练使该架构的基准测试成绩超过包括 DeepSeek-V4-Pro 在内的旗舰模型。
匹配字段标题、摘要、正文
DeepSeek 推出 DeepSeek-V4.1-Flash，这是其新架构模型族中最小的模型，具备原生视觉理解能力。该模型旨在增强能力、加快推理、提高吞吐量，并支持扩展至更大模型。
匹配字段标题、摘要、正文
SGLang 与 Miles 宣布为 DeepSeek-V4.1 提供 Day-0 支持。SGLang 支持将 189 GiB 的 Engram fp8 表放入主机内存，在 4x GB300（TP4/EP4）上使 KV cache 容量提升 36%，解码吞吐与 TTFT 基本持平，28 项贪心探测补全与基线一致；Miles 则完成强化学习侧验证。
匹配字段标题、摘要、正文
中国 AI 周报汇总本周三项焦点：智谱认领神秘模型“Ox Alpha”为 GLM-5.3-Flash，DeepSeek 以接近 $74 billion 的目标估值推进上市前融资，北京举办第二届世界人形机器人运动会。GLM-5.3-Flash 采用 320-billion-parameter、18B active 的多模态架构，并完全运行于中国国产芯片；智谱随后以 MIT license 开放 GLM-5.3 权重。同期还有 Hy4、Qwen3.8-Flash、Ling-3.0-flash-Fin 等模型进展，以及 AI 产品整合、监管和安全动态。
匹配字段标题、摘要、正文
SGLang 发布 SSD Expert Pack 方案，把放不进显存和内存的路由专家权重留在 NVMe SSD 上，只按路由器选择读取专家，并用 direct I/O、pinned 缓冲和 GPU 缓存把 SSD 容量变成可用的权重层。在 Intel Ultra5 230F、32 GB 内存、TiPro9000 2 TB 磁盘和 RTX 5090 32 GB 的消费级机器上，DeepSeek-V4-Flash 相对 Ollama 基线在 Alpaca 和 MMLU 上 prefill 提升 2.28x 和 3.39x，decode 提升 6.92x 和 6.55x；Kimi-K3 相对 llama.cpp 的 prefill 提升 6.96x 和 5.80x，decode 提升 3.30x 和 3.52x。该路径不裁剪、不跳过专家，也不改变 Expert Top-K，属于显式开启的加载格式，需要额外 SSD 容量和数十分钟的 Pack 构建时间。
匹配字段标题、摘要、正文
DeepLearning.AI 的 The Batch 第 368 期关注 GLM-5.3 的漏洞利用、AI 模型与硬件的提速，以及 DeepSeek 的新智能体框架。Andrew Ng 在信中强调，即便用编码智能体写代码，软件工程基本功仍不可少，否则智能体容易在延迟、可用性、一致性、可靠性、可维护性、简洁性和成本上做出错误取舍。
匹配字段标题、摘要
Fireworks 用 SWE-Bench Verified、LiveCodeBench v6、Aider Polyglot 和 Terminal-Bench 2.1 四套基准测试 DeepSeek V4 Pro 0813，其在 SWE-Bench Verified 上得分 95.2%，高于 Kimi K3 的 92.6% 和 Fable 5 的 85.4%，在 LiveCodeBench v6 上为 92.0%。成本方面，DeepSeek V4 Pro 在 SWE-bench 上每解决一个任务花费 $0.309，Fable 5 为 $0.808；在 LiveCodeBench 上分别为 $0.040 和 $0.225。短板在 Aider Polyglot 的多语言广度，Java 仅 48.9%，Fable 5 为 74.5%。在 409 个任务的合并集合上做 oracle 路由后准确率 92.4%，高于单用 Fable 5 的 86.6%，每任务成本 $0.279 对 $4.510，86.3% 的任务被路由到 V4 Pro。
匹配字段标题、摘要、正文
Fireworks 用 SWE-Bench Verified、LiveCodeBench v6、Aider Polyglot v1 和 Terminal-Bench 2.1 四组基准测试 DeepSeek V4 Pro 0813，其在 SWE-Bench 上每解决一个任务花费 $0.309，Fable 5 为 $0.808，LiveCodeBench 上为 $0.040 对 $0.225。在 409 个任务的合并样本上，DeepSeek V4 Pro 与 Fable 5 的 oracle 路由达到 92.4% 准确率，高于单用 Fable 5 的 86.6%，每任务成本 $0.279 对 $4.510，其中 86.3% 的任务路由到 V4 Pro。该模型在 Aider Polyglot 的 Java 子集上仅 48.9%，明显低于 Fable 5 的 74.5%，Fireworks 认为 Java 为主的代码库更适合多模型路由；DeepSeek V4 Pro 的训练已在 Fireworks 上线，支持 SFT、DPO 和 RFT。
匹配字段标题、摘要、正文