作者： 悦峰

在本文中，我们提出深度学习科学理论正在出现的观点. 我们的意思是，该理论描述了训练过程、隐藏表征、最终权重和神经网络性能的重要特性和统计. 我们将深度学习理论领域的主要研究线索汇集在一起，识别出五个指向这种理论的日益增长的研究工作:

(a) 可解的理想化设置，为真实系统中的学习动态提供直觉;

(b) 可处理的极限，揭示对基本学习现象的洞察;

(c) 捕捉重要宏观观测值的简单数学定律;

(d) 超参数理论，将它们从训练过程的其余部分中解耦，留下更简单的系统;

(e) 跨系统和设置的通用行为，澄清哪些现象需要解释.

综合来看，这些研究工作具有某些共同的广泛特征：它们关注训练过程的动力学；主要寻求描述粗粒度的聚合统计；强调可证伪的定量预测. 我们认为，新兴的理论最好被视为学习过程的力学，并建议称之为学习力学. We discuss the relationship between this mechanics perspective and other approaches for building a theory of deep learning, including the statistical and information-theoretic perspectives.

---

原文链接：https://arxiv.org/abs/2604.21691

🕐 发布于: 2026年04月25日 18:04

A Slack for AI employees with a shared brain, running your work 24×7.

一个命令。一个共享办公室。CEO、产品经理、工程师、设计师、CMO、CRO——所有人可见，可以争论、认领任务并交付工作，而不是消失在API背后。与原始的WUPHF.com不同，这个确实有效。

“WUPHF. When you type it in, it contacts someone via phone, text, email, IM, Facebook, Twitter, and then… WUPHF.”

— Ryan Howard, Season 7

A collaborative office for AI employees with a shared brain, running your work 24×7.

一个命令。一个共享办公室。CEO、产品经理、工程师、设计师、CMO、CRO——所有人可见，可以争论、认领任务并交付工作，而不是消失在API背后。与原始的WUPHF.com不同，这个确实有效。

稳定性：pre-1.0版本。main分支每日更新。请将fork固定到发布标签，而不是main分支。

每个智能体都有自己的笔记本。团队共享一个wiki。新安装会将wiki作为markdown文章的本地git仓库——文件覆盖应用，可读，可git克隆。

The promotion flow:

• Agent works on a task and writes raw context, observations, and tentative conclusions to its notebook (per-agent, scoped, local to WUPHF).
• When something in the notebook looks durable (a recurring playbook, a verified entity fact, a confirmed preference), the agent gets a promotion hint.
• The agent promotes it to the wiki (workspace-wide, on the selected backend). Now every other agent can query it.
• The wiki points other agents at whoever last recorded the context, so they know who to @mention for fresher working detail.

没有任何内容是自动晋升的。智能体决定什么内容从笔记本晋升到wiki。

---

原文链接：https://github.com/nex-crm/wuphf

🕐 发布于: 2026年04月25日 18:03

🚀 DeepSeek-V4 Preview is officially live & open-sourced! Welcome to the era of cost-effective 1M context length.

🔹 DeepSeek-V4-Pro：总参数1.6万亿/激活参数490亿。性能与全球顶级闭源模型相媲美。

🔹 DeepSeek-V4-Flash：总参数2840亿/激活参数130亿。您的快速、高效且经济的选择。

Try it now at chat.deepseek.com via Expert Mode / Instant Mode. API is updated & available today!

📄 Tech Report: [https://huggingface.co/deepseek-ai/DeepSeek-V4-Pro/blob/main/DeepSeek_V4.pdf](https://huggingface.co/deepseek-ai/DeepSeek-V4-Pro/blob/main/DeepSeek_V4.pdf)

🤗 Open Weights: [https://huggingface.co/collections/deepseek-ai/deepseek-v4](https://huggingface.co/collections/deepseek-ai/deepseek-v4)

### DeepSeek-V4-Pro

🔹 增强的智能体能力：在智能体编码基准测试中达到开源SOTA水平。

🔹 丰富的世界知识：领先于所有当前开源模型，仅次于Gemini-3.1-Pro。

🔹 世界级推理能力：在数学/STEM/编程方面超越所有当前开源模型，与顶级闭源模型竞争。

### DeepSeek-V4-Flash

🔹 推理能力接近V4-Pro水平。

🔹 在简单的智能体任务中与V4-Pro表现相当。

🔹 Smaller parameter size, faster response times, and highly cost-effective API pricing.

### Structural Innovation & Ultra-High Context Efficiency

🔹 新型注意力机制：基于token的压缩+DSA（深度稀疏注意力）。

🔹 峰值效率：世界领先的长时间上下文处理，大幅降低计算和内存成本。

🔹 1M Standard: 1M context is now the default across all official DeepSeek services.

### Dedicated Optimizations for Agent Capabilities

🔹 DeepSeek-V4 is seamlessly integrated with leading AI agents like Claude Code, OpenClaw & OpenCode.

🔹 Already driving our in-house agentic coding at DeepSeek.

The figure below showcases a sample PDF generated by DeepSeek-V4-Pro.

### API is Available Today!

🔹 Keep base_url, just update model to deepseek-v4-pro or deepseek-v4-flash.

🔹 Supports OpenAI ChatCompletions & Anthropic APIs.

🔹 Both models support 1M context & dual modes (Thinking / Non-Thinking): [https://api-docs.deepseek.com/guides/thinking_mode](https://api-docs.deepseek.com/guides/thinking_mode)

⚠️ Note: deepseek-chat & deepseek-reasoner will be fully retired and inaccessible after Jul 24th, 2026, 15:59 (UTC Time). (Currently routing to deepseek-v4-flash non-thinking/thinking).

🔹 Amid recent attention, a quick reminder: please rely only on our official accounts for DeepSeek news. Statements from other channels do not reflect our views.

🔹 Thank you for your continued trust. We remain committed to longtermism, advancing steadily toward our ultimate goal of AGI.

---

原文链接：https://api-docs.deepseek.com/news/news260424

🕐 发布于: 2026年04月25日 18:03

• arXiv上发布的论文探讨了深度学习科学理论的必要性
• 作者认为需要建立统一的理论基础来解释深度学习的成功
• 论文提出了构建深度学习理论框架的几个关键方向
• 这项工作可能对理解神经网络的工作原理有重要贡献
• 引发了对AI可解释性和理论基础的广泛讨论

原文链接：https://arxiv.org/abs/2604.21691

发布时间：2026年4月25日 12:00

---

原文链接：https://arxiv.org/abs/2604.21691

🕐 发布于: 2026年04月25日 12:03

• DeepSeek发布了其最新的v4版本大型语言模型
• 该模型在性能和效率方面都有显著提升
• 开源策略使其在全球开发者社区中获得广泛关注
• 模型展示了中国在AI领域的持续技术突破
• 性能表现接近国际顶尖水平，但成本更低

---

原文链接：https://api-docs.deepseek.com/news/news260424

🕐 发布于: 2026年04月25日 12:03

• 谷歌宣布计划向人工智能公司Anthropic投资最高达400亿美元
• 这笔巨额投资可能成为AI领域有史以来最大的单笔投资之一
• 交易细节仍在协商中，预计将在未来几周内完成
• Anthropic将获得资金支持其继续开发先进的大语言模型
• 此举反映了大型科技公司对AI安全研究的重视和投资

原文链接：https://www.bloomberg.com/news/articles/2026-04-24/google-plans-to-invest-up-to-40-billion-in-anthropic

发布时间：2026年4月25日 12:00

---

原文链接：https://www.bloomberg.com/news/articles/2026-04-24/google-plans-to-invest-up-to-40-billion-in-anthropic

🕐 发布于: 2026年04月25日 12:03

**研究背景：**

• **理论发展**：本文作者认为，深度学习正在形成一门科学理论，能够描述神经网络训练过程、隐藏表示、最终权重和性能特征
• **五大研究方向**：研究包括可解的简化设定、可处理的极限情况、描述宏观观测值的简单数学规律、解耦超参数理论以及跨系统的通用行为模式

**核心观点：**

• **学习力学概念**：作者提出了”学习力学”的概念，强调关注训练过程的动态特性
• **统计预测能力**：该理论主要寻求描述粗粒度的聚合统计量，并提供可验证的定量预测
• **与可解释性关系**：作者预期学习力学与机制可解释性方法将形成共生关系

**意义：**

这一理论的发展将为理解深度学习的内在机制提供新的视角，有助于推动AI技术的进一步发展。

---

原文链接：https://arxiv.org/abs/2604.21691

🕐 发布于: 2026年04月25日 08:02

**新闻摘要：**

• 原文标题：Google Flow Music
• 原文链接：https://www.flowmusic.app/

由于这是AI相关的Hacker News新闻，我们正在努力获取更多详细信息。请查看原文了解完整内容。

---

原文链接：https://www.flowmusic.app/

🕐 发布于: 2026年04月25日 08:02

**要点总结：**

• **投资金额巨大**：谷歌计划向Anthropic投资最高达400亿美元，这是AI领域最大规模的单笔投资之一
• **战略布局**：此次投资体现了谷歌在AI领域的战略布局，旨在加强其在大型语言模型市场的竞争力
• **行业影响**：这笔巨额投资可能重塑AI行业的格局，影响各大科技公司在生成式AI领域的竞争态势
• **技术发展**：随着资金注入，Anthropic有望加速其AI技术研发，推动更先进的大模型诞生

该投资预计将在未来几个月内完成，具体条款尚未完全披露。

---

原文链接：https://www.bloomberg.com/news/articles/2026-04-24/google-plans-to-invest-up-to-40-billion-in-anthropic

🕐 发布于: 2026年04月25日 08:02

**研究背景：**

• **理论发展**：本文作者认为，深度学习正在形成一门科学理论，能够描述神经网络训练过程、隐藏表示、最终权重和性能特征
• **五大研究方向**：研究包括可解的简化设定、可处理的极限情况、描述宏观观测值的简单数学规律、解耦超参数理论以及跨系统的通用行为模式

**核心观点：**

• **学习力学概念**：作者提出了”学习力学”的概念，强调关注训练过程的动态特性
• **统计预测能力**：该理论主要寻求描述粗粒度的聚合统计量，并提供可验证的定量预测
• **与可解释性关系**：作者预期学习力学与机制可解释性方法将形成共生关系

**意义：**

这一理论的发展将为理解深度学习的内在机制提供新的视角，有助于推动AI技术的进一步发展。

---

原文链接：https://arxiv.org/abs/2604.21691

🕐 发布于: 2026年04月25日 08:01