分类： 未分类

DeepSeek最新模型发布首日的性能表现：

• **技术突破**：采用SGLang加速推理，结合经过验证的强化学习方法
• **性能提升**：相比前代模型，推理速度提高3倍，训练效率提升40%
• **应用领域**：特别优化用于数学推理、代码生成和多轮对话任务
• **商业应用**：已在GitHub Copilot和多个企业解决方案中部署
• **开源策略**：完整的技术文档和模型权重已公开发布，促进社区创新

**关键数据**：

• MMLU基准测试准确率达到88.7%
• HumanEval代码生成通过率92.3%
• 平均响应时间缩短至0.8秒

---

原文链接：https://lmsys.org/blog/2026-04-25-deepseek-v4/

🕐 发布于: 2026年04月26日 12:02

作者反驳对AI编程工具的常见质疑：

• **当前技术状态**：6个月前尝试失败的用户没有掌握正确的AI辅助编码方法
• **正确使用方式**：专业开发者使用”代理”(Agents)工具，这些工具可以自主探索代码库、直接创建文件、运行工具和编译代码
• **代理工作原理**：
• 从代码树中获取任意代码到上下文窗口
• 使用标准Unix工具导航和提取信息
• 与Git交互
• 运行现有的工具链（如格式化器、检查器等）
• 通过MCP进行任意工具调用
• **核心观点**：
• AI能编写大量重复性代码，减少搜索需求
• 不会疲劳，不受惯性影响
• 代理通过lint、编译和运行测试来避免幻觉问题
• Go语言特别适合AI生成，因其有足够类型安全和简洁的标准库
• **职业前景**：
• 承认AI可能取代许多软件开发岗位
• 认为这是技术进步的自然结果，而非特殊情况
• 警告不要过度关注知识产权问题，因为开发者的历史记录并不清白

---

原文链接：https://fly.io/blog/youre-all-nuts/

🕐 发布于: 2026年04月26日 12:02

Meta公司认为开源AI将成为行业标准。以下是主要观点：

• **历史类比**：就像早期Unix系统最终让位于Linux开源操作系统一样，AI领域也将经历类似的转变
• **Llama模型进展**：Llama 2去年还落后于前沿模型，而今年发布的Llama 3已经能够与最先进模型竞争，在某些方面领先
• **发布重要模型**：Meta发布了Llama 3.1系列，包括405B参数的前沿级别开源模型，以及优化的70B和8B版本
• **成本优势**：Llama 3.1 405B在自建基础设施上的推理成本约为闭源模型GPT-4o的50%
• **开发者需求**：组织需要训练、微调和蒸馏自己的模型，控制自身命运，保护数据安全，并实现高效低成本运行
• **生态系统建设**：与亚马逊、Databricks、NVIDIA等公司合作，构建支持模型微调的服务生态

**安全框架**：

• 区分无意伤害（如AI给出错误健康建议）和有意伤害（恶意使用）
• 认为开源AI比闭源更安全，因为系统更透明，可广泛审查
• 建议通过大规模部署来平衡权力，使大型机构能够制约小型恶意行为者

---

原文链接：https://about.fb.com/news/2024/07/open-source-ai-is-the-path-forward/

🕐 发布于: 2026年04月26日 12:01

该研究对椭圆曲线离散对数问题的量子攻击算法进行了实证验证。研究发现，使用/dev/urandom替代IBM量子硬件后，相同的算法仍然能够成功恢复私钥，这表明所谓’量子优势’可能源于经典随机数生成的概率特性而非真正的量子计算能力。研究详细分析了不同比特长度下的成功率，证实了理论预测与实验结果的一致性，为量子计算研究提供了重要的方法论启示。

---

原文链接：https://github.com/yuvadm/quantumslop/blob/25ad2e76ae58baa96f6219742459407db9dd17f5/URANDOM_DEMO.md

🕐 发布于: 2026年04月26日 08:01

该项目发布了面向AI的Lambda演算基准测试框架LamBench，用于评估AI系统在形式化计算方面的能力。该基准测试为研究AI的计算理论基础提供了标准化工具，有助于理解不同AI模型在处理逻辑推理和符号计算任务时的性能差异。研究团队通过系统化的测试方法，建立了评估AI计算能力的量化指标。

---

原文链接：https://victortaelin.github.io/lambench/

🕐 发布于: 2026年04月26日 08:01

该研究项目旨在测试GPT-5.5模型中的通用越狱方法以防范生物风险。OpenAI邀请有AI红队经验的研究人员参与，寻找能够绕过五个生物安全问题的统一越狱提示。研究范围限定在Codex Desktop版本的GPT-5.5。奖励包括25,000美元的首个真正通用越狱赏金，以及部分成功的较小奖励。申请开放至6月22日，测试周期为4月28日至7月27日。所有参与人员需签署保密协议。

---

原文链接：https://openai.com/index/gpt-5-5-bio-bug-bounty/

🕐 发布于: 2026年04月26日 08:01

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

• 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