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 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 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
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
文章解析 Gemma 4、Laguna XS.2、ZAYA1-8B 和 DeepSeek V4 如何通过 KV 共享、分层注意力预算、mHC 与压缩注意力降低长上下文成本。Gemma 4 E2B 在 128K 上下文中可节省 2.7 GB KV cache，DeepSeek V4-Pro 在 1M-token 上下文下的单 token 推理 FLOPs 和 KV cache 分别降至 DeepSeek V3.2 的 27% 和 10%。这些设计显示 Transformer 架构正以更复杂但更具针对性的改动提升长上下文推理效率。
匹配字段摘要、正文
文章梳理现代开放权重大语言模型采用的注意力变体，包括 MHA、GQA、MLA、滑动窗口注意力、DeepSeek Sparse Attention、门控注意力与混合注意力。作者结合 DeepSeek、Qwen、Gemma、Kimi 等架构，比较各方案在 KV cache、长上下文成本、建模表现和实现复杂度上的差异。文章还介绍了一个包含 45 个条目的大语言模型架构图库。
匹配字段摘要、正文
Vapi 博客介绍 Google 于 2025 年发布的开源权重模型 Gemma 3，它基于 Gemini 2.0 研究，支持文本、图像和视觉输入，可在单 GPU/TPU 上运行，支持 140+ 语言和最高 128k token 上下文，并提供 1B、4B、12B、27B 四种尺寸。文章称 Gemma 3 在人类偏好评测中优于 Llama3-405B 和 DeepSeek-V3，27B 版本在 LMArena Elo 榜得 1338 分，高于 DeepSeek-V3 的 1318 和 o3-mini 的 1304。经量化感知训练后，1B 模型显存占用最低 861 MB（INT4），27B 为 19.9 GB（INT4）；该模型已内置在 Vapi 控制台的 LLM 下拉菜单中。
匹配字段摘要、正文
ARC Prize于2026年11月3日公布DeepSeek V4.1 Flash 1017在ARC-AGI上的验证成绩:ARC-AGI-2为78.1%、每任务0.16美元,ARC-AGI-1为94.5%、每任务0.06美元;ARC-AGI-3在provider adapter harness下为5.8%、成本1.2K美元,标准harness下为0.2%、1.0K美元。ARC Prize称该模型在ARC-AGI-3和ARC-AGI-2上领先开源权重模型,在ARC-AGI-1上追平开源权重模型最好成绩。与2026年9月10日的原版V4.1 Flash相比,1017的ARC-AGI-3半私有集分数从2.68%升至5.81%,公开集从11.05%降至8.97%;在最大推理强度下,其首个动作消耗的推理token在25个公开游戏上平均减少36%,在55个半私有游戏上减少48.6%。
匹配字段标题
ARC Prize于2026年11月3日公布DeepSeek V4.1 Flash 1017在ARC-AGI上的验证成绩:ARC-AGI-2为78.1%、每任务0.16美元,ARC-AGI-1为94.5%、每任务0.06美元;ARC-AGI-3在provider adapter harness下为5.8%、成本1.2K美元,标准harness下为0.2%、1.0K美元。ARC Prize称该模型在ARC-AGI-3和ARC-AGI-2上领先开源权重模型,在ARC-AGI-1上追平开源权重模型最好成绩。与2026年9月10日的原版V4.1 Flash相比,1017的ARC-AGI-3半私有集分数从2.68%升至5.81%,公开集从11.05%降至8.97%;在最大推理强度下,其首个动作消耗的推理token在25个公开游戏上平均减少36%,在55个半私有游戏上减少48.6%。
匹配字段标题
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%。
匹配字段标题
ARC Prize公布了DeepSeek V4.1 Flash 1017在ARC-AGI验证集上的成绩:ARC-AGI-2得分78.1%,每任务成本0.16美元;ARC-AGI-1得分94.5%,每任务成本0.06美元。该机构同时列出DeepSeek Flash系列在ARC-AGI-2上的最好成绩变化:V4 Flash 0731为61.4%,V4.1 Flash为72.9%,V4.1 Flash 1017升至78.1%。此前一天,Guillermo Rauch宣布Vercel将DeepSeek v4.1 Flash (1017)纳入Token Pass,采用DeepSeek新权重,支持1M上下文窗口且无需改动配置;他称该模型速度快、价格极低并提供零数据保留,适合运行由更大更贵模型规划任务的子智能体。目前公开信息为上述成绩与纳入Token Pass两项。
匹配字段标题
ARC Prize公布了DeepSeek V4.1 Flash 1017在ARC-AGI验证集上的成绩:ARC-AGI-2得分78.1%,每任务成本0.16美元;ARC-AGI-1得分94.5%,每任务成本0.06美元。该机构同时列出DeepSeek Flash系列在ARC-AGI-2上的最好成绩变化:V4 Flash 0731为61.4%,V4.1 Flash为72.9%,V4.1 Flash 1017升至78.1%。此前一天,Guillermo Rauch宣布Vercel将DeepSeek v4.1 Flash (1017)纳入Token Pass,采用DeepSeek新权重,支持1M上下文窗口且无需改动配置;他称该模型速度快、价格极低并提供零数据保留,适合运行由更大更贵模型规划任务的子智能体。目前公开信息为上述成绩与纳入Token Pass两项。
匹配字段标题
Artificial Analysis 已将 DeepSeek Search 纳入其搜索指数评测。2026年10月22日的评测结果显示,DeepSeek Search 在该指数上得分69,在27个搜索产品中排第17名,是榜单上价格最低的付费搜索API:每1k次搜索收费0.75美元,单任务成本约0.032美元,在27个产品中排第5便宜。准确率方面,其在AA-Omniscience上为70%、排第10,但需要多跳推理的BrowseComp仅63%、排第25。此外,每次搜索返回约7k token,使模型成本升至榜单第2高。目前尚无后续发展。
匹配字段标题
Artificial Analysis 已将 DeepSeek Search 纳入其搜索指数评测。2026年10月22日的评测结果显示,DeepSeek Search 在该指数上得分69,在27个搜索产品中排第17名,是榜单上价格最低的付费搜索API:每1k次搜索收费0.75美元,单任务成本约0.032美元,在27个产品中排第5便宜。准确率方面,其在AA-Omniscience上为70%、排第10,但需要多跳推理的BrowseComp仅63%、排第25。此外,每次搜索返回约7k token,使模型成本升至榜单第2高。目前尚无后续发展。
匹配字段标题
2026年10月17日,DeepSeek发布DeepSeek-V4.1-Flash-1017,官方称其基准表现更强、任务完成更快、输出更短,在性能与成本上实现帕累托改进,已在官网、App和API上线;同日该模型在OpenRouter上线。官方还宣布Search与Fetch API向所有人开放,每个端点每1000次调用收费0.75美元,通过DeepSeek Harness、Claude Code和Codex中的服务端工具发起的调用暂时免费,计费自2026年10月31日16:00 UTC开始。10月17日,Thomas Wolf评论称DeepSeek将此次称为“minor update”,但Terminal-Bench 4.0从31.2升至42.3。10月19日,Arena宣布该模型以1670分成为Code Arena: WebDev排名最高的开源模型。10月20日,OpenCode将其在Go和Free中更新至1017版本;Unsloth发布可在本地运行的GGUF,1-bit量化版保留约88.2%准确率、体积从508GB降至250GB;Arena又宣布其登顶Agent Arena开源模型榜
匹配字段标题
2026年10月17日,DeepSeek发布DeepSeek-V4.1-Flash-1017,官方称其基准表现更强、任务完成更快、输出更短,在性能与成本上实现帕累托改进,已在官网、App和API上线;同日该模型在OpenRouter上线。官方还宣布Search与Fetch API向所有人开放,每个端点每1000次调用收费0.75美元,通过DeepSeek Harness、Claude Code和Codex中的服务端工具发起的调用暂时免费,计费自2026年10月31日16:00 UTC开始。10月17日,Thomas Wolf评论称DeepSeek将此次称为“minor update”,但Terminal-Bench 4.0从31.2升至42.3。10月19日,Arena宣布该模型以1670分成为Code Arena: WebDev排名最高的开源模型。10月20日,OpenCode将其在Go和Free中更新至1017版本;Unsloth发布可在本地运行的GGUF,1-bit量化版保留约88.2%准确率、体积从508GB降至250GB;Arena又宣布其登顶Agent Arena开源模型榜
匹配字段标题
2026年10月17日,DeepSeek发布DeepSeek-V4.1-Flash-1017,官方称其基准表现更强、任务完成更快、输出更短,在性能与成本上实现帕累托改进,已在官网、App和API上线;同日该模型在OpenRouter上线。官方还宣布Search与Fetch API向所有人开放,每个端点每1000次调用收费0.75美元,通过DeepSeek Harness、Claude Code和Codex中的服务端工具发起的调用暂时免费,计费自2026年10月31日16:00 UTC开始。10月17日,Thomas Wolf评论称DeepSeek将此次称为“minor update”,但Terminal-Bench 4.0从31.2升至42.3。10月19日,Arena宣布该模型以1670分成为Code Arena: WebDev排名最高的开源模型。10月20日,OpenCode将其在Go和Free中更新至1017版本;Unsloth发布可在本地运行的GGUF,1-bit量化版保留约88.2%准确率、体积从508GB降至250GB;Arena又宣布其登顶Agent Arena开源模型榜
匹配字段标题
2026年10月14日,Artificial Analysis将DeepSeek V4.1 Flash加入其智能体推理性能基准AA-AgentPerf,并给出NVIDIA与AMD硬件的实测结果。在每用户100 tokens/s下,NVIDIA GB300以约261M tokens/s每兆瓦居首,其后为B300(约220M)、B200(约193M)、GB200(约178M)和MI355X(约128M)。V4.1 Flash在Artificial Analysis Intelligence Index上得分39,高于此前的V4 Pro 0813(36),参数量约为其三分之一(552B backbone、16B激活,对比1.6T与49B),最少可在2张GPU上运行,相比V4 Pro 0813在每用户100 tokens/s下每兆瓦吞吐提升约1.3倍(GB300)至6.2倍(B200)。2026年10月15日,Artificial Analysis又将AMD MI355X加入AA-AgentPerf,在单台8-GPU节点上测试Kimi K3、GLM-5.2/5.3和DeepSeek V4 Pr
匹配字段标题
Artificial Analysis 加入 DeepSeek V4.1 Flash
English translation is being prepared.
匹配字段标题
2026年10月14日,ARC Prize公布DeepSeek V4.1 Flash在ARC-AGI-3的评测成绩。据ARC Prize发布的结果,该模型在ARC-AGI-3上得分为3.3%、成本878美元(provider adapter harness),在标准harness下为0.9%、成本1.2k美元。ARC Prize称,这是其评测过的首个在ARC-AGI-3上以低于1k美元总评测成本得分超过3%的模型。该帖同时给出排行榜、公开结果复现方式、测试政策以及完整的DeepSeek V4.1 Flash结果链接。ARC Prize还提及此前关于DeepSeek V4.1 Flash在ARC-AGI-1和ARC-AGI-2上成绩的帖子。
匹配字段标题