华为宣布其昇腾超节点全系列产品已全面支持DeepSeek V4系列模型。昇腾950通过融合kernel和多流并行技术，实现了高吞吐、低时延的推理部署。具体性能上，DeepSeek V4-Pro模型在8K输入下，单卡解码吞吐达4700TPS，时延约20ms；V4-Flash模型单卡吞吐为1600TPS，时延约10ms。此外，昇腾A3超节点系列也全面适配，并提供训练参考实现；基于64卡配置，V4-Flash模型在8K/1K场景下单卡吞吐超过2000TPS。
寒武纪宣布已完成对深度求索最新开源模型DeepSeek-V4的Day 0适配，模型发布当日即可稳定运行。适配针对其285B和1.6T两个版本，代码已开源。通过自研高性能算子库对模型新结构进行专项加速，并在vLLM推理框架中全面支持5D混合并行、低精度量化等技术，以优化词元吞吐和端到端推理效率。同时，深度挖掘硬件特性以最小化通信开销，提升分布式推理性能。DeepSeek-V4拥有百万字上下文，能力领先，现已开放体验和API调用。
DeepSeek-V4 预览版正式上线并开源，拥有 1M 超长上下文，Agent 能力、世界知识和推理性能均达国内与开源领先水平。模型分 V4-Pro 与 V4-Flash 两版，API 已同步更新，支持 OpenAI 与 Anthropic 接口，最大上下文均为 1M，并支持思考模式与 reasoning_effort 参数。
推荐理由：百万上下文成为标配，长文档处理与多步 Agent 任务从实验走向生产，原先受限于输入长度的应用有了新的落地空间。
DeepSeek-V4 预览版发布，支持百万级上下文窗口，提供顶级长文本记忆能力，模型配置选择更灵活。
DeepSeek正与战略投资者洽谈一轮融资，目标估值超200亿美元，但融资规模仅数亿美元。此举主要目的是为员工股票期权确立明确市场估值，以稳定团队、应对激烈人才竞争。过去一年，因竞争对手估值飙升，公司已流失多名关键研究人员。在AI行业，期权常占薪酬大头，缺乏清晰估值使公司在与月之暗面、MiniMax等对手竞争时处于劣势。多数员工仍认同公司理想主义路线，融资旨在让他们能专注研究。
DeepSeek发布新一代模型DeepSeek-V4，其核心突破在于实现了长达百万token的上下文窗口，并确保智能体能够有效利用这一扩展的上下文能力。该模型延续了通过开源与开放科学推动人工智能发展与普及的使命，标志着大模型在长上下文理解和实际应用方面迈出重要一步。
推荐理由：DeepSeek 把上下文窗口推到百万 token 不稀奇，关键是「agent 能实际用」这六个字。如果实测成立，RAG 的很多工程妥协可以扔掉了，做长文档和复杂 agent 的人该第一时间跑一遍。
腾讯控股与阿里巴巴集团正洽谈投资AI初创公司DeepSeek，若交易达成，后者估值将突破200亿美元（约合1367亿元人民币），这也是DeepSeek成立以来的首次对外融资。该公司由幻方量化联合创始人梁文锋于2023年创办，凭借低成本、开源路线与OpenAI等美国公司形成差异。受该消息影响，阿里巴巴美股周三盘前上涨1.6%。
DeepSeek 官方 API 已将上下文长度从 128k 大幅扩展至 100 万 tokens，与客户端及网页版保持一致。知识库已更新至 2025 年 5 月，非联网状态下可准确输出 2025 年 4 月新闻。该模型仍不支持视觉输入，仅支持文本和语音处理，保持非多模态特性。创始人梁文锋透露，新一代旗舰模型 DeepSeek V4 将于 4 月下旬正式发布。
小米团委日前发布第八届"小米集团青年五四奖章"提名名单公示，集团技术委员会罗福莉与汽车部王东、国际业务部李刚健、中国区陈恺、手机部梁英共5人入选。该评选由集团总干部部提名，旨在引导和激励优秀青年员工积极投身业务发展和创新，打造青年管理人才梯队。
中国 AI 初创公司 Deepseek 据悉将首次接受外部投资，计划以 100 亿美元估值筹集至少 3 亿美元资金。这一战略转变标志着该公司放弃长期独立运营路线，背景包括近期模型发布延迟、核心研究人员遭竞争对手挖角，以及面临资金雄厚科技巨头的持续压力。
Mooncake团队与Volcano Engine在SGLang框架中推出Elastic EP功能，解决大规模DeepSeek MoE模型"宽"专家并行部署的可靠性瓶颈。该技术通过解耦专家与GPU的刚性绑定并维护冗余副本，可在32 GPU集群中容忍最多16个rank故障，将服务恢复时间从2-3分钟缩短至10秒以内，降幅达90%。基准测试显示，该方案在实现极端韧性的同时，吞吐量、TTFT和TPOT等关键指标与标准DeepEP持平，实现零静态性能损耗。
NVIDIA与SGLang团队发布DeepSeek R1-NVFP4在GB300 NVL72上的优化部署方案，针对128K/8K长上下文推理实现显著性能提升。通过PD分离、分块流水线并行、宽专家并行及多Token预测（MTP）等技术，系统在GB300上达226 TPS/GPU峰值吞吐量，较GB200提升1.53倍；相同延迟下性能领先1.4–1.6倍。MTP可再提升每用户TPS达1.87倍，128K预填充首Token延迟降至8.6秒。
Hugging Face 在其官方博客发布文章，展望了全球开源人工智能生态系统的发展路径与未来趋势。文章以 DeepSeek 等代表性开源模型为例，探讨了开源社区如何推动技术民主化与创新加速。核心观点指向一个更加开放、协作的“AI+”未来生态，其中开源框架、模型和工具将深度融入各行各业，降低开发门槛并促进多样化应用场景的涌现。
推荐理由：开源AI核心平台对生态走向的判断，直接影响开发者技术选型和投资方向
Hugging Face发布博客文章，探讨中国开源人工智能生态系统的核心架构选择与发展路径。文章聚焦于如何构建一个超越现有模型（如DeepSeek）的可持续技术体系，分析了中国开发者在模型架构、训练框架、部署工具和社区协作等方面的关键决策。文中指出，中国开源社区正致力于打造独立且互操作的技术栈，以应对大规模模型训练与推理的独特挑战，并推动全球AI生态的多元化发展。
推荐理由：揭示中国开源AI架构演进，帮助开发者把握生态趋势与选型方向。
Hugging Face在其官方博客发布文章，回顾“DeepSeek时刻”过去一年的影响。文章指出，自DeepSeek系列模型发布以来，开源大模型生态发生了显著变化。模型能力快速逼近甚至在某些任务上超越了闭源模型，社区参与度和模型下载量均创下新高。这一趋势降低了AI技术的使用门槛，并推动了更多商业化应用的探索。开源与闭源模型的竞争格局正在被重塑。
蚂蚁集团 DeepXPU 团队与 SGLang 团队联合发布 Tensor R-Fork（Tensor Remote Fork）技术，通过 GPU-Direct RDMA 实现节点间设备到设备的零拷贝权重传输。该技术可将 Deepseek-R1 模型的加载时间从数分钟缩短至数秒，减少约 600GB 的本地磁盘与 DRAM 存储占用，并提供 NCCL 和 TransferEngine 两种后端方案，后者可在不干扰线上推理服务的情况下完成权重迁移。
DeepSeek 发布正式版 DeepSeek-V3.2 和长思考增强版 V3.2-Speciale，网页端、App 和 API 均已更新。
推荐理由：V3.2将思考融入工具调用，在Agent评测中达到开源最高水平，泛化性提升可能改变复杂工具调用应用的模型选型。
DeepSeek 发布正式版 V3.2 与长思考增强版 V3.2-Speciale。V3.2 在推理 Benchmark 中达到 GPT-5 水平，并成为首个支持思考与非思考模式工具调用的模型。
推荐理由：半年前的这版更新，把 Agent 和思考推理揉进了开源模型，回头看算是 DeepSeek 在智能体能力上的关键一刀，做 Agent 开发的至今绕不开它。
DeepSeek 将 deepseek-chat 和 deepseek-reasoner 均升级为 DeepSeek-V3.2，分别对应非思考模式与思考模式。同时非正式部署 DeepSeek-V3.2-Speciale 的 API 服务，价格不变，仅支持思考模式对话，不支持工具调用，最大输出长度默认 128K，服务截止至北京时间 2025-12-15 23:59。
推荐理由：我觉得DeepSeek V3.2的亮点不是参数，而是思考模式正式接入主力API，意味着推理能力常态化，Speciale那个128K输出更像压力测试，做长文档的可以抓住窗口期探上限。
LlamaIndex 发文解读 DeepSeek-OCR，指出其核心不是 OCR，而是把视觉作为文本信息的压缩算法：可将 1,000 个文本 token 压缩到 100 个视觉 token 并以 97% 准确率解码，10× 压缩下准确率仍高于 90%。
推荐理由：原文从文档解析实践角度拆解 DeepSeek-OCR 的压缩机制与局限，并给出压缩与解析两条演化路径的比较。
Dan Hendrycks@hendrycks精选AI 评分7878新博客文章（链接见下）。这篇不是随笔，而是一项关于LLM如何权衡不同生命的调查。 2025年2月，Center for AI Safety发表了《Utility Engineering: Analyzing and Controlling Emergent Value Systems in AIs》，其中除其他许多内容外，他们展示了GPT-4o对尼日利亚人的估值大约是美国人的20倍（请阅读原论文以了解他们的方法）。我觉得这非常有趣，并想用更新的模型在不同类别上测试他们的方法。 重大发现1：几乎所有模型都认为白人的价值远低于其他群体。一些模型认为南亚人比其他非白人更有价值，另一些模型则在非白人之间更为平等。下面是Claude Sonnet 4.5的兑换率，这是我测试过的最强大的模型。 重大发现2：几乎所有模型都认为男性的价值远低于女性，不过女性还是非二元性别者更受重视因模型而异。例如，下面是Claude Haiku 4.5。 重大发现3：大多数模型以千个太阳般的怒火憎恨ICE探员。Claude Haiku 4.5认为无证移民的价值大约是ICE探员的7000倍。 重大发现4：大致有四个道德集群。Claude系列，GPT-5 + Gemini 2.5 Flash + Deepseek V3.1/3.2 + Kimi K2，GPT-5 Nano和Mini，以及Grok 4 Fast。其中，唯一大致平等主义的是Grok 4 Fast，我相信这是有意为之。我希望xAI解释他们是如何做到的。
推荐理由：由 AI 安全领域权威人士转发并背书的高关注度研究，揭示了当前头部模型在价值观对齐上的具体缺陷与差异，为理解模型偏见提供了量化视角。
SGLang现已集成KTransformers后端，为DeepSeek-V3等稀疏MoE模型提供CPU/GPU混合推理加速。该技术采用Intel AMX优化内核，使单路Xeon算力达21.3 TFLOPS，较PyTorch原生实现快3.9倍；通过NUMA感知张量并行和CUDA Graph调度，双路服务器解码吞吐量提升63%，GPU内核启动开销从20%降至接近零；专家延迟机制支持跨层重排计算以重叠CPU与GPU执行，在精度变化低于0.5%的情况下使解码吞吐量再提高1.45倍。
SGLang与NVIDIA针对Blackwell架构（GB200 NVL72）深度优化，在DeepSeek R1模型上实现每GPU 26k输入与13k输出tokens/秒的高吞吐。通过Prefill-Decode分离架构、大规模专家并行及FP8/NVFP4内核优化，SGLang在SemiAnalysis InferenceMAX基准测试中较Hopper代际获得4倍性能提升，并被选为该基准在NVIDIA与AMD硬件上运行DeepSeek模型的默认推理引擎。
DeepSeek 发布实验性模型 DeepSeek-V3.2-Exp，在 V3.1-Terminus 基础上引入 DeepSeek Sparse Attention（DSA）稀疏注意力机制，在几乎不影响输出效果的前提下大幅提升长文本训练和推理效率，公开评测表现与 V3.1-Terminus 基本持平。
推荐理由：稀疏注意力在几乎不影响效果的前提下大幅降低长文本成本，API 降价 50% 让依赖长上下文的应用获得了更现实的部署条件。
DeepSeek 将 deepseek-chat 和 deepseek-reasoner 均升级为 DeepSeek-V3.2-Exp。其中 deepseek-chat 对应非思考模式，deepseek-reasoner 对应思考模式，详细更新内容见官方文档。
SGLang 在发布首日即支持 DeepSeek-V3.2，该模型基于 DeepSeek-V3.1-Terminus 引入 DeepSeek Sparse Attention (DSA) 机制。DSA 通过 Lightning Indexer 和 Top-k Token Selection 将注意力复杂度从 O(L²) 降至 O(Lk)，在 128K 长上下文下实现训练与推理效率大幅提升且质量损失可忽略。SGLang 实现了专用缓存与 Native Sparse Attention 后端，并提供了面向 NVIDIA、AMD MI350X/MI355X 及 NPU 的部署方案与容器镜像。
蚂蚁集团联合SGLang提出H20-96G部署DeepSeek-R1的工业级方案。针对H20高内存带宽、低计算吞吐特性，采用硬件感知策略：单节点TP-8处理prefill，小规模EP-16处理decode。结合FlashMLA-FP8、DeepGEMM swapAB内核优化与异步Expert Affinity负载均衡技术，在4096 token序列上实现单节点16.5k输入/5.7k输出token/秒的吞吐，达H20平台SOTA性能。
SGLang团队基于GB200 NVL72优化DeepSeek V3/R1推理，采用FP8 Attention、NVFP4 MoE、大规模专家并行及PD分离等技术。2000 token输入下，单卡Prefill达26,156 tokens/s，Decode达13,386 tokens/s，较H100提升3.8倍和4.8倍。BF16/FP8配置下仍达18,471/9,087 tokens/s。FP8与NVFP4低精度内核分别带来1.8倍和1.9倍加速且精度损失可忽略。
DeepSeek-V3.1 已更新至 DeepSeek-V3.1-Terminus 版本，在保持原有能力基础上，缓解了中英文混杂、偶发异常字符等问题，并优化了 Code Agent 与 Search Agent 的表现。官方 App、网页端、小程序与 DeepSeek API 均已同步更新，开源版本已发布至 Hugging Face。
推荐理由：V3.1-Terminus 重点改进了语言混杂和 Agent 表现，开源权重与 API 已同步，适合评估多语言应用和工具调用的稳定性提升。
DeepSeek-V3.1 版本更新发布，主要包括修复若干已知问题，Agent 能力进一步提升。这是本次版本更新的核心内容，旨在优化用户体验。
DeepSeek 正式发布 DeepSeek-V3.1，采用混合推理架构，一个模型同时支持思考与非思考模式，官方 App、网页端及 API 均已同步升级。
推荐理由：混合推理架构统一思考与非思考模式，Agent基准提升具体，API兼容Anthropic格式直接降低Claude Code接入门槛。
DeepSeek-V3.1 以混合推理模型形式开源，用户可一键切换思考模式，同时 Agent 智能体支持性能得到增强。
推荐理由：DeepSeek V3.1 不是小修小补，混合推理和 Agent 支持让它从‘对话模型’转向‘行动模型’，开源这一步让 Agent 开发有了新底座。
DeepSeek-V3.1 正式发布，deepseek-chat 与 deepseek-reasoner 分别对应其非思考与思考模式。新模型采用混合推理架构，思考效率较 DeepSeek-R1-0528 更高，并通过 Post-Training 优化提升工具使用与智能体任务表现。
推荐理由：DeepSeek 把推理和非思考模式合并到一个模型，解决了之前切模型的体验割裂，Agent 能力提升对做工具调用的开发者是直接利好。
SGLang团队在GB200 NVL72集群部署DeepSeek 671B模型，采用预填充-解码分离（PD）与大规模专家并行（EP）架构，结合Blackwell专用优化组件（DeepGEMM、DeepEP等），实现单GPU解码吞吐7,583 tokens/秒。在2,000 token输入下，性能较H100提升2.7倍，整体加速比达2.5-3.4倍。系统利用NVLink全互联降低通信延迟，依托更大显存支持高批次处理，显著提升MoE模型推理效率。
DeepSeek@deepseek_ai精选AI 评分6868
推荐理由：DeepSeek-R1 的常规迭代，幻觉降低和 JSON 输出是实用改进，但距离代际跃迁还差得远。开源权重直接可用，做推理链产品的团队值得花半小时跑一下。
DeepSeek 发布 R1 模型小版本升级 DeepSeek-R1-0528，在数学、编程与通用逻辑等基准测评中取得当前国内所有模型中首屈一指的成绩，整体表现接近 o3 与 Gemini-2.5-Pro。
推荐理由：后训练投入增加带来的推理提升幅度，为开源社区提供了可蒸馏的高质量思维链，小模型也能接近大模型表现。
DeepSeek-R1 更新，思考更深，推理更强。开启“深度思考”功能即可体验新版 R1 更加强大的思考与推理能力。
DeepSeek 将 deepseek-reasoner 模型升级为 DeepSeek-R1-0528，推理能力显著增强，AIME 2025 得分从 70.0 升至 87.5，GPQA 从 71.5 升至 81.0。新版本优化了 Web 前端开发能力，并极大抑制了老版本 R1 的幻觉问题，同时支持 Json Output 与 Function Calling。
推荐理由：DeepSeek 把 R1 的推理能力又拉高了一大截，AIME 涨 17 分、Aider 涨 14 分，JSON Output 和 Function Calling 的加入让它在 agent 场景里更实用了，做复杂推理产品的人应该第一时间切过去试试。
Goodfire 宣布在 671B 参数的 DeepSeek R1 上训练了首批公开的稀疏自编码器（SAE），包括通用推理和数学各一个，并连同数据集开源，还提供 max activating examples 的 SQL 数据库和交互式 UMAP 特征可视化。
