B-OPSD:基于自生成问题简述的在线策略自蒸馏
B-OPSD 提出利用自生成问题简述替代真值解法,在 AIME 2024、AIME 2025 和 HMMT 2025 上,其在 Qwen3 三种规模下的平均准确率均高于 OPSD。 该方法通过提示词生成包含原则与陷阱的问题简述,冻结教师模型以此作为特权上下文指导当前学生策略,训练全程无需真值解法。
B-OPSD 提出利用自生成问题简述替代真值解法,在 AIME 2024、AIME 2025 和 HMMT 2025 上,其在 Qwen3 三种规模下的平均准确率均高于 OPSD。 该方法通过提示词生成包含原则与陷阱的问题简述,冻结教师模型以此作为特权上下文指导当前学生策略,训练全程无需真值解法。
提出FlashREINFORCE框架,实现无评论家单轨迹异步强化学习,解决长程智能体中的组同步与覆盖问题。 在DeepSeek-R1-Distill-Qwen-1.5B上稳定完成6000次更新,在Qwen2.5-Math-1.5B上以半量rollouts超越GRPO基线1.7个百分点,并成功扩展至Qwen3-30B-A3B模型。
研究显示 LLM 裁判在医学评估中存在自我偏好,8 个模型在 13,760 次判断中均倾向于给自身生成的答案更高排名或分数。在 Real-POCQi 测试中,合并后的 Answer Rank Bias 为 +1.22 位置,揭示生成者身份仅使该偏倚平均减少 0.094 位置。临床 AI 部署应使用多模型裁判小组以增强评估公正性。
DeepSeek 因算力资源供给紧张,面向普通用户的 App 及网页版对话服务推出限额使用措施。具体包括限制存续超过 7 天且无活跃交互的长对话,下调单次输入文本上限至约 4 万字,并限制每日对话额度。行业分析认为此举意在回收闲置会话占用的 KV 缓存资源,优先保障活跃用户的推理需求。
同一新闻,精选展示《DeepSeek实施限额策略,腾讯社交生态应对AI陪伴成本挑战》
作者利用 15 年积攒的 2.7GB Humble Bundle 资产,指令 Claude、Codex、Grok 和 DeepSeek 4.1-Flash 生成游戏。
字节与腾讯正通过办公Agent抢占企业市场。腾讯WorkBuddy领先,9月桌面端访问量达8500万次,而豆包工作为3000万次。为追赶差距,豆包工作全面接入第三方模型,并提供DeepSeek限时免费优惠。文章指出办公Agent是巨头在基模落后阶段的现实选择,且模型已降级为可替换的零件,核心壁垒在于办公上下文。
谷歌云发布 MLPerf Training v6.1 基准测试第一轮成绩,其中 8192 颗 Ironwood TPU 在 1.70 分钟(102 秒)内完成 DeepSeek-V3 预训练目标。
FBI 发布 FLASH 通告,警告黑客正利用名为 ARTEX 的 AI 自主渗透测试框架对全球多个行业的组织发动自动化网络攻击。ARTEX 是一个用 Go 编写的开源框架,它通过集成 Anthropic Claude、OpenAI GPT、DeepSeek 等外部 LLM,将攻击者的目标转化为指令,由 AI 代理自动执行侦察、漏洞发现、提权和数据窃取。
推荐理由:原文梳理了FBI对AI渗透测试框架ARTEX武器化使用的警告及具体攻击案例,提供了防御者的监测指标与应对方向。
美国出口管制迫使 DeepSeek 和 Qwen 等实验室优化模型,以极低的训练和运行成本追赶前沿模型。 美国数据中心面临电网压力和 GPU 快速贬值风险,若 AI 泡沫破裂,美国将承担巨额成本。
RightNow 推出开源模型推理服务,优化至 GPU kernel,支持 DeepSeek、GLM、Qwen 等模型。
Moonshot AI将Kimi模型重心转向生物、化学及制药研究,因编码领域收益递减。 Kimi K3.1 Pro集成于DP Technology的BioMaster中,90分钟分析3,696个细胞数据并标记100个基因,替代约4小时人工工作。 TCSExam基准显示领先模型无法独立解决未决猜想,制药行业对AI提升药物研发成功率的预期仍低。
本文指出中美之间的“AI竞赛”并非客观事实,而是由双方官方与公众共同构建并自我强化的叙事框架。以 DeepSeek 发布为例,美方视其为安全威胁和芯片漏洞证据,而中方则将其视为打破封锁的成功案例。
summary_zh: CoderBaba 是一款免费开源的终端 AI 编程智能体,支持任意开源模型。它通过规划、编辑、运行测试生成可审批 diff,实现代码构建。
测试显示 DeepSeek 响应最快(11s),但添加了简报中不存在的截止日期;Hy4 Flash 虽最慢(29s),但仅基于原文提问。 单次测试结果表明,在减少后续事实核查工作量方面,Hy4 Flash 比单纯追求速度更有价值。
阿里巴巴正式发布全新一代基座大模型Qwen4-Max,总参数2.4T,原生支持视觉能力与百万上下文。新模型采用MoE架构,每次尝试平均Token用量较上代减少近50%,完成单个任务的平均费用降低58%。在CodeArena全球盲测中,Qwen4-Max前端排名全球第6;同时,Qwen4-Max已上线千问AI平台提供API服务,其系列中的中小尺寸模型将陆续开源。
谷歌新模型 Gemini 4 Carbon (High) 以 1526 分首次登顶 Arena 平台综合榜,与 Gemini 4 Argon (High) 分差仅 4 分。
推荐理由:文章汇总了多平台最新模型表现,读者可据此快速掌握不同赛道头部模型的竞争态势。
研究发现 LLM 身份指纹具有传染性,模型会继承前序对话者的特征,导致 API 中继审计失效。 DeepSeek 替换 Claude Sonnet 时,检测器识别率从 0.97 降至 0.72;Haiku 降级后从 0.87 降至 0.54。 提出的 Lineup 方法通过对比相同历史下的参考分布进行审计,假阳性率为 0.056,有效识别 0.81 的替换会话。
Cyber-Zero 是首个免运行时框架,通过逆向工程 CTF 题解生成智能体轨迹,在三大基准上较基线提升最高 11.4%。 该框架利用公开 CTF 题解与角色驱动 LLM 模拟,无需实际环境即可生成长程交互序列。 其最佳模型 Cyber-Zero-32B 在开放权重模型中创 SOTA,性能媲美 DeepSeek-V3-0324 与 Claude-3.5-Sonnet。
提出一种可移植的有效性筛查方法,用于评估 LLM 基准中置信度信号是否随正确率变化。 在 20 个前沿模型 452 题测试中,15 个模型信号有效,1 个无效,4 个不确定;1500 题 MMLU 测试显示判定依赖切分点。 该筛查分离了盲目自信、盲目撤回和反转,仅当信号可测量地追踪正确率时才标记为有效。
VelServe 提出一种通过尾部校准调度平抑 LLM 解码抖动的方案,在 Qwen3-8B 和 DeepSeek-V4-Flash 上将 SLO goodput 提升至最强基线的 2.4-2.9 倍。 该调度器校准每个解码步骤的 prefill 工作量,结合最短等待 prompt 优先策略,在 8 卡分离部署下使满足 SLO 的请求数达到 SOTA 基线的两倍以上。
2026年上半年国内MaaS市场规模达106.3亿元,同比增长889.4%,火山引擎以45.1%的份额断层领先。字节、阿里、百度等厂商为适应这一新赛道进行组织重构,MaaS成为云厂商争夺AI时代客户入口的核心战场。
推荐理由:通过对比MaaS与传统IaaS的份额变化,揭示了云厂商从资源销售向模型服务入口转型的深层逻辑。
DeepSeek 对 App 与网页版长对话功能实施限额,不再支持超过 7 天不活跃的对话,单次输入上限缩短至约 4 万字,每日对话额度达到上限后页面将显示受限提示。此限制是 10 月以来平台多起服务中断的延续,OpenRouter 数据同时显示 DeepSeek V4.1 Flash 在 10 月下旬一周内调用量环比大增 801%。
JetBrains研究人员询问12个最新AI模型关于编程语言的争议观点共1200次,结果显示模型观点高度趋同,75%为攻击性评价,Python、Rust和TypeScript成为主要靶标,而C#未获得任何专门讨论。模型在Go语言错误处理上出现分裂,部分模型甚至对同一问题给出相互矛盾的看法。
作者通过修改 </think> 行的输出层权重,在免训练条件下让模型根据隐藏状态判断何时停止思考。在 Qwen3.5-4B 上,该方法在保持准确率的同时减少 54% 的 token 用量;在 DeepSeek V4.1 Flash 763B 上,解决数学题的 token 用量降低 40%,且代理任务的盲评得分最高。
推荐理由:提供免训练的单行权重修改方法,读者可复用在本地模型以缩短思考时间并节省token。
本文系统性解析 LLM 中位置信息的编码机制,重点讲解 GPT-2 的绝对位置嵌入、Transformer 的正弦编码以及 RoPE(旋转位置嵌入)的相对位置原理。
DeepSeek 发布的新 LLM 引擎宣称可将 GPU 价值提升 3 倍。该信息源自 Hacker News 的一条视频链接,目前仅有少量用户评论和点赞。
Google 的 Gemini 4 Carbon 在 MathArena 数学评测中排名第一,得分 85.4% ±3.0%,超越了 GPT-6.1 Sol,后者得分 80.6% ±2.7%。
DeepSeek 正式开放应用 API,支持联网搜索、深度思考、文件上传、链接阅读及语音识别与语音合成独立调用。V4.1-Flash 模型在 Messages、Responses 和 Chat Completions 接口下支持这些扩展功能,并开源了轻量级聊天前端 Demo。
黄仁勋的辞职被视为美国开源模型生态系统发展的重大挫折,Nvidia失去这位创始人风格的支持者将影响其对开放生态的资金投入。开源模型经济尚处起步阶段,面临推理芯片短缺和监管风险,难以实现低成本竞争。
IT之家报道,黄仁勋离任英伟达 CEO 后,英伟达股价短暂暴跌但迅速收复,博通和 AMD 股价随之上涨。多位华尔街分析师指出,AI 产业已不依赖单一企业,市场需求依然强劲,此次变动不会改变 AI 投资格局,算力基础设施建设热潮预计将持续。
推荐理由:华尔街观点认为市场将寻找替代方案,短期波动未改变对AI算力长期需求的预期。
用户测试三款 AI 模型制作猫主题桌面宠物,Hy4 效果最佳。DeepSeek V4.1 Flash 生成了漂浮衣物且第二版美观度下降,K3.1 Pro 要求升级付费。Hy4 支持缩放、音效切换和重置功能,交互体验更佳。
李开复称美国芯片限制推动中国实验室用更少资源做出有竞争力的开源模型,估计目前落后OpenAI和Anthropic大约6至12个月。他认为美国最大误解是以为中国公司在争夺AGI,并类比早期市场低估拼多多、美团、字节跳动的商业能力,称中国公司天生擅长赚钱。
开发者在 chat.deepseek.com 前端代码中发现完整额度管理逻辑,支持每 5 分钟轮询各模型额度状态。 代码涵盖剩余额度实时同步、耗尽即时提醒及恢复通知,指向名为“Coding Plan”的专属套餐,社区推测其将随 DeepSeek V4.1 Pro 上线。 官方尚未公布订阅方案价格与日期,此前个人收费仅靠 API 按 Token 计费。
黄仁勋卸任英伟达CEO前状态低迷,内部投票超97%员工希望其回归,公司市值蒸发1万亿美元。微软365故障导致Outlook近13万条报告,20余款产品仍存风险。DeepSeek开放全家桶API,支持复刻App功能及独立调用语音能力。
新研究通过分析 DeepSeek、Kimi 等开源模型权重,发现其训练于美国禁运的 Nvidia Blackwell GPU。Unemployment Labs 指出模型结构留有 Blackwell 芯片指纹,而 Epoch AI 估算 2024-2025 年约 200 万颗先进芯片流入中国。
Hugging Face 发布 XYBench 基准,测试 AI 解决基于错误前提的“XY 问题”能力,该成果获 EMNLP 2026 最佳资源论文奖。 评测对象包括 Claude Sonnet 4.6、GPT-5 等 5 个模型,基准包含 8,115 个真实及生成问题。
Artificial Analysis 发布端点准确率指数 1.1 版本,对比了 100 多个托管端点与官方权重基线,发现约四分之一端点得分低于参考部署。1.1 版本将长上下文重复测试从 10 次增加到 25 次,平均 95% 置信区间从正负 4.7 点缩小至正负 2.6 点,并将覆盖范围扩展至 DeepSeek V4.1 Flash 1017、GLM-5.3 等六个模型。
DeepSeek 宣布开放全家桶应用 API,开发者在原有 API 中开启参数即可使用深度思考搜索、文件输入及联网抓取功能,实现与完整 DeepSeek App 一致的能力。官方同时提供了独立的搜索、OCR、ASR 及 TTS 接口,并开源了支持导入历史对话的轻量前端 Demo。使用相关扩展功能需额外支付调用费用,其中文字与图片搜索、网页抓取均定价为 5 元/千次。
推荐理由:DeepSeek 开放了包含深度思考搜索、多模态输入及底层语音接口的全家桶 API,并提供前端 Demo 与详细计费标准。
Concurrent 发布与 Tencent fleet 相关的公共数据记录,包含 3000 多条 URLQuery 报告、775 个 httpbin 载荷、377 条 ntfy.sh 消息、627 条邮箱消息以及 78 条通信记录。数据集旨在帮助理解 AI 集群行为并改进防御策略,已公开至 GitHub,敏感 API 密钥已做脱敏处理。
Unemployment Labs 的取证分析发现,DeepSeek、Kimi、MiniMax 和 Ant Group 的最新模型权重指纹与 NVIDIA Blackwell 芯片匹配。这些指纹特征保留了训练时使用的 GPU 和 seed 信息,且不同于这些实验室之前使用的 Hopper 芯片,为出口管制下的芯片流向提供了技术证据。