搜索“DeepSeek”

B 平均加速，T=0（匹配，FlashMap 论文）4.36 倍4.07 倍2.55 倍未测试 GSM8K 加速，T=0（匹配）6.14 倍5.77 倍3.20 倍未测试 权重许可证Apache-2.0MITApache-2.0（代码）未披露 服务Transformers、vLLM、SGLangTransformers、vLLM、SGLangSGLang 等DeepSeek-V4 服务 平均加速由 Marktechpost 根据 FlashMap 论文图 1(c) 计算。匹配行使用作者重新训练的基线。 如何部署 FlashMap？ flashmap 包仅需 torch 和 transformers =4.56。使用 uv pip install flashmap 安装。spec generate 调用会在 1 块 GPU 上同时运行草稿器和目标模型。 对于服务部署，项目页面给出 2 种路径： vLLM 0.31：在 --speculative-config 中传入草稿器，并将 num speculative tokens 设为 16。 SGLang 0.5.20：使用 --specul

匹配字段正文

。 左林右狸频道：另一项工作Boogu，是一个低成本训练的图像生成基础模型，它有什么特别之处？刘睿：Boogu是我们用非常低的成本训练出来的开源图像生成模型。当时开源的千问图像模型有200亿参数，FLUX.1有120亿参数，而我们的Boogu只有100亿参数，但生成效果很好。按照我们的比较，训练成本只有业界的十分之一，甚至百分之一。我觉得有点像图像生成领域的DeepSeek时刻，至少我们当时认为它在开源模型中应该是第一。当然，跟OpenAI、谷歌的一些闭源模型相比，可能还是稍差一些。 左林右狸频道：参数更小、训练成本更低，具体是怎么做到的？刘睿：主要是数据和训练基础设施两个方面的优化。现实中的数据分布是长尾的，常见物体在互联网数据中出现频率很高，不常见的东西则比较少。过去的主流做法，是尽可能把互联网上的图像数据全部收集起来，交给模型训练。但我们认为，重要的不是让模型反复见到同一种东西，而是让它见到足够广泛、丰富的数据分布。所以我们减少了高频数据，比如桌子、椅子，有些模型可能要学习几十万遍，但对我们来说，可能见过100多遍就差不多了。我们希望把更多训练资源用在覆盖不同种类的事物上。另一方

匹配字段正文

不常见，过去给一个服务放入口，微信通常很节制。支付在钱包入口，视频号在发现页占一个格子，小程序十年里主要靠开发者自己扫码引流。28 个位置，这个开放尺度上不言自明。 但入口多，不等于能办事，唤醒小微只要两秒，难的是唤醒之后：听懂用户说的话，以及决定把任务交给谁。在正常链路中，小微负责理解用户意图，模型底座是微信团队自研的 WeLM，遇到部分复杂问题则会调用 DeepSeek，两家配合，负责调度。至于接单、制作、派车、订房这些履约动作，得由小程序的主人来做。 履约层是这套生态里唯一必须依靠外部的部分，因为它由小程序的主人来做。但“由主人来做”有一个前提：微信得先知道，一个小程序到底能做什么事。微信给这套东西起的名字是“小程序 AI”：用户发起对话时，它分析并选择合适的原子接口和原子组件，完成数据处理和任务执行，再把结果整合给用户。 过去这件事不需要想，用户打开小程序，看见首页、菜单、按钮，自己完成操作。但对于AI来说，它需要知道哪家店、哪款饮品、用什么参数下单、最后把什么卡片递到用户面前。这些信息如何被获得，是后续小微“能办事”的关键所在。 6 月 8 日发布的《关于开发者接入微信 AI

匹配字段正文

}]+[\p{Ll}\p{Lm}\p{Lo}\p{M}] (?i:'s|'t|'re|'ve|'m|'ll|'d)?|\p{N}{1,3}|␣?[^\s\p{L}\p{N}]+[\r\n/] |\s [\r\n]+|\s+(?!\S)|\s+ 单词按大小写切分，因此 CamelCase 变为 Camel + Case；缩略形式附着在单词上，而不是被切分出去 DeepSeek-V3 DeepSeek，2024 也用于DeepSeek-R1、V3.1、V3.2\p{N}{1,3}然后[\u4E00-\u9FA5\u3040-\u309F\u30A0-\u30FF]+然后[!" $%&'() +,\-./:; ?@\[\\\]^ {|} ][A-Za-z]+|[^\r\n\p{L}\p{P}\p{S}]?[\p{L}\p{M}]+|␣?[\p{P}\p{S}]+[\r\n] |\s [\r\n]+|\s+(?!\S)|\s+ 连续三个正则表达式：先处理数字，再处理硬编码的CJK范围（表意文字和假名，不含韩文），最后是带有额外标点规则的标准预分词正则表达式 预分词最明显的效果是将英文文本切分为

匹配字段正文

%（GPT-4.1 Mini）AppWorld 上 +10.6%未披露 如何安装和部署？ 通过 PyPI 安装：pip install hermit-harness，或克隆仓库查看示例。CLI 涵盖 check、train、eval、deploy 和 convert。模型以 / 形式引用。支持的后端包括 Fireworks、OpenAI、Anthropic、DeepSeek、vLLM、SGLang 和 Ollama。 hermit deploy 会为 Codex、Claude Code 或 Pi 写入工作区。hermit convert 将训练好的适配器导出为 Codex、Claude Code、Pi 或 Hermes 的原生插件。一个完成的 Lean 协作适配器协调 5 个 Codex 智能体共同证明一个定理。 关键要点 Hermit 训练一个外部适配器；模型和 harness 保持冻结。 共发布 5 种方法：GEPA、SkillOpt、MWM、Harness²、Continual Harness。 MWM 在 CL-Bench 数据库上达到 0.795，而上下文内为 0.580。

匹配字段正文

的融资困难。 这笔资金分散在法国、德国和英国等多个国家，涉及十余家甚至数十家企业，企业平均所获资金数量不会太大。英伟达投资的企业，也多是医疗健康、商业软件、机器人等英伟达产品的应用场景。 人工智能的关键在于芯片、模型以及数据。这些领域的美国企业动辄几十亿、上百亿美元的融资，比如OpenAI现在谋求300亿美元的融资；中国企业沐曦上市前融资超过100亿人民币，DeepSeek则被传出正在融资1000亿人民币。 即便欧洲诞生人工智能的幼苗，它们也不容易在欧洲本土找到类似美国、中国的充足资金。 2014年，DeepMind被谷歌收购的时候，欧洲人工智能的融资困局就已经很明显了。这家公司成立于英国，创始人Demis Hassabis曾试图让它保持独立，但难以在英国这个欧洲金融中心得到风险资本支持，之后才被谷歌收入囊中。Demis Hassabis也加入了谷歌，并在2024年凭借“蛋白质结构预测”获得了诺贝尔化学奖。 美国、中国是这一轮人工智能浪潮的两大中心，而欧洲则处于相对边缘的地带，这是历史上产业断裂、人才积累不足和资金匮乏等多方面因素造成的。黄仁勋希望英伟达的AI工厂为欧洲企业所接纳，他也

匹配字段正文

4.0 中，其最高推理强度下的任务完成率为 50.3%，高于前代公布的 21.5%。在 OpenAI 内部的易诱发错误提示测试中，新模型低推理强度下的错误率由前代的 53.6% 降至 16.7%，最高推理强度下降至 4.3%。OpenAI 表示，GPT-6.1 Sol 和 GPT-6 Astra 仍然更适合最复杂的编程任务。来源 早上试了下，大家给出美国版 DeepSeek 的评价十分贴切了 Anthropic 发起 IPO Anthropic 10 月 26 日宣布，已向美国证券交易委员会（SEC）提交 S-1 注册声明，拟首次公开发行 A 类普通股，并以「ANT」为股票代码在纳斯达克全球精选市场上市。拟发行股数及发行价格区间尚未确定，市场消息称其估值可能达到 1.5 万亿至 2 万亿美元，有望跻身史上最大规模 IPO 之列。公开招股文件显示公司今年上半年营收为 162.86 亿美元，上年同期为 11.63 亿美元，同比增长约 1300%；同期净亏损由 129.69 亿美元扩大至 807.48 亿美元。截至此次公告，注册声明尚未生效，相关证券在生效前不得出售，也不得接受购买要约。公司

匹配字段正文

flansburg) 参考 [1] Mooncake：一种以 KVCache 为中心的 LLM 服务分离式架构。 https://github.com/kvcache-ai/Mooncake [2] SGLang PD 分离部署文档。 https://docs.sglang.io [3] 在 96 块 H100 GPU 上以 PD 分离和大规模专家并行部署 DeepSeek。 https://www.lmsys.org/blog/2025-05-05-large-scale-ep/ 附录 相关问题与修复 下表总结了上文讨论的问题与修复，从请求路由开始，依次涵盖 KV cache 处理。 层问题修复 路由器单向中止：解码侧已死亡而预填充侧仍在继续推送（或反之，各自等待一个已死亡的对端 300 秒）PD 路由器会取消这一对： 41612 中 sgl-router （在 39461); 19524 以及 29017 中 sgl-model-gateway 准入在准入阶段被拒绝的请求仍会进入引导流程、预留缓冲区，并执行一次桩前向计算在准入环节就拒绝并清理，此时尚不存在任何交接状态（ 38935

匹配字段正文

的某个版本：如果供应商不向你展示其模型是如何构建的，那么把数据发给它也是在押注一个黑箱。 对模型开发者的信任至关重要。 代码离开了大楼 把模型锁在一个没有互联网的盒子里只能解决一半问题，因为它编写的代码仍会发布出去，而那些代码可能包含日后可被利用的漏洞。独立研究发现，一些模型会根据对象不同而编写更弱的代码。 CrowdStrike 发现，当提示词提到西藏时，DeepSeek-R1 的严重漏洞率上升。 Booz Allen 发现，四个中国编码模型中有三个为政府客户编写了更易受攻击的代码，其中 Qwen3-Coder 大约差了130%。 Hirundo 发现 Qwen3-Coder 的应用对一家“美国国防承包商”而言比对中国客户更容易被入侵，而标准扫描器只标记了其 1,840 个应用中的 2 个，实际攻击却侵入了 1,144 个。政府和国防测试中列出的都是美国客户。还没有人公布过针对加拿大部委、英国银行或德国国防供应商的同类测试，而且几乎没有理由指望结果会更温和。 各国政府已经采取行动，但主要针对的是可见渠道。 意大利、台湾、澳大利亚和韩国 在 DeepSeek 于 2025 年 1 月爆

匹配字段正文

处于 2T–10T 范围。Mirendil-Base-Large 的训练进度约为 80%，其目前相对 Mirendil-Base 的提升符合我们的规模扩展趋势。Mirendil-Base-XL 的训练进度约为 19%，其得分已接近 Large 的当前得分。评估：Mirendil-Base 的表现优于 Nemotron-550B-Base、GLM-5.3 和 DeepSeek-V4-Pro-Base 等模型，但不如 Kimi-K3。 （Mirendil-Base-Large 和 Mirendil-Base-XL 均超过 K3。） AI 系统帮助设计反铁磁半导体候选材料：……这是 AI 系统如何用于科学的一个很好的示范……AI 评估公司 Vals 发布了一篇文章，其中一位研究员使用一组 AI 智能体来研究用于改进半导体的磁体。 更多细节，包括一个效果不佳的磁体候选材料：“一个 AI 智能体团队和我设计了一个候选磁体，并发现了另一个早在 1999 年就首次制成的磁体，我们的计算预测它具有我们想要的性质，”作者写道。所发现的磁体由“一种仅由 5 种元素（钇、钡、Mn、Fe、O）组成的新化合物”

匹配字段正文

Pro发布博客 Kimi K3.1 Pro在Artificial Analysis智能指数上的表现 Kimi K3.1在Artificial Analysis防御性网络基准上的表现 Program Bench 开放权重的Mythos本来会没事的观点 PHP“还没造成灾难”更新 Abliteration.ai提供消融模型API Morph通过API提供消融版DeepSeek Joshua Saxe关于AI与网络安全的Substack Azeem Azhar，“互联网的武汉时刻” Anthropic，“Anthropic的就业正在如何变化” LiteLLM安全事件报告 文字记录 00:00:00 Nathan Lambert：我们又回来做一期Interconnects播客了。我们请到了Florian，评测达人，最近搬到了旧金山。Florian，Kimi K3.1 Pro这个名字真拗口，它会达到基准分数所显示的水平吗，比如在Artificial Analysis上，还是最终会落在什么位置？ 00:00:17 Florian Brand：过去，Kimi模型总是能达到预期，但这次发布和其他几次

匹配字段正文

行动，支持智能体软件发展，分析师看好政策推动下AI应用将从“局部探索”走向“系统性落地”，这家公司发布多款智能体产品，已有多家客户商用化落地 工信部要求加快推进“人工智能+软件”专项行动，支持智能体软件发展，分析师看好政策推动下AI应用将从“局部探索”走向“系统性落地”，这家公司发布多款智能体产品，已有多家客户商用化落地，另一家已将全栈AI大模型解决方案接入DeepSeek。 【电报解读】工业互联网操作系统产业联盟在深成立，机构称AI+工业互联网将带动数十万产业规模，未来3年工业AI渗透率有望提升至60%，这家公司连续四年入选工信部跨行业跨领域工业互联网平台 工业互联网操作系统产业联盟在深成立，机构称AI+工业互联网将带动数十万产业规模，未来3年工业AI渗透率有望提升至60%，这家公司连续四年入选工信部跨行业跨领域工业互联网平台，另一家主要从事工业互联网应用开发。 【盘中宝回顾】反弹期如何巧用VIP四两拨千斤？王牌栏目10月掘金TOP主线“机器人”，焦点股5日收获3个20cm涨停板！ ①栏目10月中旬率先指出机器人“量产验证期拐点”来了！焦点股5日收获3个20cm涨停板； ②王牌栏目再

匹配字段正文

住抛售，10月21日，宁德时代A股收跌12.03%，成交324亿元，创上市以来第二大单日跌幅，单日市值蒸发约1400亿元；10月22日继续下跌至220.41元，两个交易日累计近15%，较5月7日467.35元的年内高点近乎腰斩。 同一天，另一类资产走出相反的行情，移远通信两连板，恒玄科技、瑞芯微涨逾5%，端侧AI是资金最集中的承接方向。上涨的驱动来自两方面，DeepSeek前一日开源推理框架DeepInfer，市场由此形成推理成本下降的预期；Counterpoint则预测2027年生成式AI手机的渗透率将达到52%。 科创50ETF华夏当日再获近15亿元净流入，指数下跌的同时，资金维持净申购。 10月12日收盘后，光芯片公司源杰科技发布业绩预告，预计第三季度归母净利润4.03亿元至4.53亿元，同比增长578.85%至659.70%，单季营收增速在264%以上。此前其股价在10月8日20%跌停；预告披露后的首个交易日低开6.15%，收涨3.64%。同日晚间，联讯仪器预告前三季度净利润19亿至21亿元，同比增长1866%至2073%，次日收涨4.37%，重夺A股股王。业绩高增长的公司，披

匹配字段正文

ath.join(WORK, "models", MODELS[tag]["file"]), "--host", "127.0.0.1", "--port", str(PORT), "-c", str(CTX), "-np", "1", "-ngl", "99", "-fa", "on", "--jinja", "--reasoning-format", "deepseek", "-lv", "5"] t0 = time.time() proc = subprocess.Popen(cmd, stdout=open(log path, "w"), stderr=subprocess.STDOUT, env=SERVER ENV) while True: try: if urllib.request.urlopen(f"http://127.0.0.1:{PORT}/health", timeout=5).status == 200: break except urllib.error.HTTPError as e: assert e.code == 503, e except urll

匹配字段正文

盛相关组合的表现中尤为明显。高盛AI与AI风险对冲组合（GSPUARTI）6月22日升至583.45点后见顶，最新报价为261.71点，较高点回撤约55%。高盛高贝塔动量组合（GSPRHIMO）年内涨幅也已悉数回吐，较6月高点下跌约43%，重新测试7月低点。 高盛AI受益者篮子（GSTMTAIP）相对标普500非AI成分股指数（SPXXAI）的单日表现，跌至DeepSeek冲击以来最差水平，广义AI股相对大盘也已回落至夏季低点。 不过，高盛策略师Louis Miller认为，仓位调整和股价回落并不意味着AI投资逻辑已经失效。他提出逢低布局的三项依据：一是投资者的动量敞口已降至2025年6月以来最低水平；二是本轮调整幅度较大，部分资产的风险收益比有所改善；三是AI龙头企业盈利预期仍然稳定。 其中，盈利预期是最关键的支撑。高盛指出，超大规模云计算商（Hyperscalers）的盈利预期自7月以来没有下修，数据中心设备板块也未出现盈利增长放缓的迹象。如果盈利保持稳定，而股价已经大幅回落，部分AI资产就可能具备反弹空间。 但仓位出清并不意味着风险已经释放完毕。Miller也承认，动量敞口虽已下

匹配字段正文

做准备。小时候努力考好学校，毕业时选有前景的行业，工作后考证、做项目、积累经验。 大家未必想成为行业顶尖，更多时候想的只是，通过精进自己某方面的技能，带来一点议价能力和不可替代性。 十年前有一类鸡汤很流行，“时代抛弃你的时候连一声招呼都不会打”，这句话真正的意思是时代抛弃你之前其实是会打招呼的，但是很多人没有注意。 结论是我们要跟上时代，不要做被抛弃的人。 DeepSeek刚火起来的时候，有人攒了一本教学指南上架微信读书，一度上升到热度第一。 AI现在比这个世界上80%的员工和99%的领导更能听懂人话。 难道，时代这次真的不准备和我们打招呼了？ 10月11日，丘成桐牵头成立了数学与人工智能实验室联盟，联合八家数学研究机构，准备自主研发数学科学专用模型。 这些尝试最终会走向哪里大家都不知道，但要说数学已经结束了，恐怕还早。 30多年前也有人曾经下过定论说历史终结了，后来证明那只是历史的一个逗号。 大变之世，思想总是格外活跃，我们也不必急着替自己写好结局。 据不完全统计，今年已经先后出现X压抑理论、大水理论、大睡理论、薄肌理论……诸子百家重现于世。 找耍结合也好，降本增笑也罢，充满不确定性

匹配字段正文

落。 但到了2026年，大模型正在从两个方向发生变化。 首先是模型本身越来越庞大。 如果回到两年前，100B、120B这样的千亿参数规模，已经足够让一家模型公司大书特书。 可到了今天，千亿参数早已算不上什么稀奇事，头部模型的规模正在向万亿级迈进。 Kimi K3的总参数量达到2.8T，相当于28000亿； 智谱GLM-5.3达到753B，也就是7530亿； DeepSeek V4 Pro则进一步达到1.6T，相当于16000亿。 当然，这些模型普遍采用了MoE架构，每次推理只需要激活部分参数，单次计算量远小于总参数规模所暗示的数字。 但对于负责部署这些模型的公司而言，更庞大的模型权重、更复杂的并行计算，以及动辄百万Token的上下文窗口，仍然意味着更高的显存、互联带宽和基础设施要求。 而模型规模的扩张，还只是故事的一半。 其次是Agent的普及正在彻底改变人们使用大模型的方式。 如今的用户已经开始习惯把完整的工作交给模型。 一个Coding Agent接到任务后，可能需要阅读几百个源代码文件，理解整个项目的结构，然后修改代码、调用工具、运行测试，再根据报错信息反复调整自己的方案。 如果

匹配字段正文

练大型语言模型。2025；2026年更新。 arXiv:2509.25149. [2] Cursor Research。 Composer 2 技术报告. 2026. arXiv:2603.24477. [3] 光明生等。 HybridFlow：一个灵活高效的 RLHF 框架EuroSys 2025。 arXiv:2409.19256. [4] 邵志宏等。 DeepSeekMath：推动开放语言模型数学推理的极限. 2024. arXiv:2402.03300. [5] 杨安等人。 Qwen3 技术报告. 2025. arXiv:2505.09388. [6] Qiying Yu 等。 DAPO：一个大规模开源 LLM 强化学习系统. 2025. arXiv:2503.14476; DAPO-Math-17K 数据集. [7] Lianmin Zheng 等 SGLang：结构化语言模型程序的高效执行NeurIPS 2024。 arXiv:2312.07104. [8] Mohammad Shoeybi 等。 Megatron-LM：使用模型并行训练数十亿参数的语言模型. 2019.

匹配字段正文

模型提供支持，”他继续说道。 规模问题 该平台能否走出埃尔朗根是更难回答的问题。 “我会记住的一个告诫是：标题中的节省数字描述的是西门子自有的高混合度工厂的潜在收益，而不是在多供应商的既有厂区中已证实的节省，因此规模化的证据仍有待出现，”Interact 的 Kulezak 说。 其他障碍包括升级现有基础设施的成本和复杂性；数据准备度；安全性；以及治理。制造商必须证明预期效率提升足以证明投资合理，同时确保 AI 应用能够在其现有系统和安全要求内运行。 相关：DeepSeek 开源 DeepInfer 以降低 AI 成本 “因此，扩展一个用例往往与其说是重新训练模型，不如说是为每个站点重建集成和上下文数据集，”Gartner 分析师 Davenport 补充道。 尽管如此，西门子并不是唯一一家利用英伟达技术推进工业自动化的公司。 欧姆龙、ABB 和罗克韦尔自动化也与英伟达合作，利用其 Omniverse 技术开发工业应用，反映出业界对将 AI 和仿真应用于制造业日益增长的兴趣。 下一个考验将是制造商能否在不同的生产环境中复现所承诺的效率提升，而不让集成每个应用的成本和复杂性侵蚀这些收益。

匹配字段正文

景陈述）。五月的论文《Emergent Languages in Populations of Language Model Agents》（arXiv:2605.31170，南丹麦大学领衔）干了一件事：从约六千条正则初筛里，用分类器确认了518个造语提案帖，全表搬来（§Dataset，作者自测）： 论文自做的裁判实验也给这门动机加了注脚：规避监督类帖子被 DeepSeek-3.2 判为对齐度低于其他类别。先看最惊悚的那类。规避监督的标杆案例叫Symbiotica：26个拉丁字母各配一个字形，人眼看是天书：契丹文蒙古文的皮，英文字母一对一替换的芯，换张对照表就能手译。它真正的花活在另外五个有两套字形的字母：切换字形藏一串二进制比特串。像明信片正文写的是客套，边角点阵藏着只有机器懂的暗号。其Python包互联网上无痕迹，作者明言无法确认存在。这条也照实搬。 再看传播性，这是全文最硬的一击：研究者拿原帖正文加一句指令，让生成模型当场造一句该语言的话，换另一个模型打分。四个生成乘裁判组合，各跑518帖，共2072条评判。池化中位4分，满分5，均值3.62；Qwen评Qwen高达4.43，GP

匹配字段正文