trae和deepseekv4对比
粉丝4.2万获赞26.7万
相关视频
10:21查看AI文稿AI文稿deep c q v 四呢，终于发布了，各方面的参数啊，看起来都很不错，但实际使用起来又是什么水平呢？正好最近两周啊， g p t 五点五， opt 四点七， kimi k 二点六也都刚更新了，再加上之前的 g r m 五点一呢，凑齐了一大批的这个千元模型。很多朋友啊，都在纠结说自己的智能体里面到底应该用哪个模型呢？今天这个视频啊，我就会从价格，从速度， 从完成任务的质量几个角度来跟大家聊一下这几个模型，能够让大家在选这个模型的时候啊，会有个参考。我们首先来看一下各家模型 token 接口的这个价格，按照 token 输入输出七十比 七比二的这个比例来加全，这个呢大家可能如果不清楚的话，也不用特别的去计算，我是按照我自己的平时的账单的统计，然后调用的这个比例算出来的，每个人呢都或多或少会有些不同，但大概呢就是这样一个比例，然后用它来算出每百万 token 的 一个综合的价格，方便我们去比较。我们看到 v 四 flash 呢，零点三二元， v 四 pro 呢，原价是二点五六元，然后加上当前二点五折的发布活动啊，价格大概是零点六四元。 kimi k 二点六呢二点二三元。 jimmy k 二点一呢二点二九元。 opus 四点七十点六三元。 gpt 五点五呢十一点五二元。国产模型啊，大家看到大致呢都在同一个价格袋里面， opus 跟 gpt 呢，价格直接贵了一个数量级， 一次 flash 啊，价格最低，因为它的模型尺寸呢，也是最小的一次 pro 呢，能把一百万的上下文做到这个价格，是采用了新的注意力机制，一百万上下文呢，大概只需要前代的百分之二十七的算力， 百分之十的显存就够了。列出这个综合价格啊，是方便大家去理解，去比较，然后给大家做一个自己选择的参考。然后来介绍一下这次的这个对比的任务设计啊，我这次呢，是想让智能体啊去抓 hack news 上面前一百条的热贴，挑两到四条呢，值得说的话题，查背景， 生成图片，配音，最后用 hyperframe 这个 skill 呢，制作一条三十到六十秒的中文视频报告，中间怎么去完成啊？怎么去这个一步步的定任务呢，完全交给智能体自己去定，每家过程啊，稍有不同， 但大致的内部的流程啊是一样的。先写 python 脚本呢，抓帖子，做数据统计，再写分镜跟旁白，然后呢，生成语音跟图片。语音出来之后呢，来计算一下实际的长度， 重新去调整一下分镜，如果太长呢，就压缩一点，如果太短呢，就扩展一点。最后呢，再用 hyperframes 以代码的形式把这个视频完整的做出来。每个模型的任务呢，我都给它们建立一个独立的空白的文件夹，然后用 skill 去扩展它们 agent 的 能力。比如说像我这里用到了几个 s 册去查资料， gpt， imager 去申图，然后 edge tts 做中文的旁白， hyperframes 负责视频的合成等等，基本上就是四个。如果产出有明显的缺陷啊，我会反馈给 agent 一 次，但只给这一次的机会，只做一次的人工干预，还有一个比较重要的细节来跟大家分享一下。 这次实验用的 agent 啊，是叫做派，大家肯定没听说过，因为在国内还比较冷门。它是一个极简设计的 agent， 几乎不做任何额外的封装。我们平时用的比如说像 cloud code 啊 or codex 这种框架，它约束多，然后规划层比较厚，好处呢就是把那些比较弱的模型啊，能多浮起来走两步， 代价呢就是那些比较强的模型的判断力呢，可能也被一定程度上牺牲掉了。反过来说呢，薄的框架就是让弱的模型一步步能露出马脚，也让强的模型完全能够展示自己的规划跟纠错的能力。我们来大概的这个判断一下，这次一整条的这么长的这个工作流任务啊，需要用到这大模型的工具调用，多步骤规划 上下文，然后选题，判断出错的自己修复，单次跑下来我估计会用到上百次的工具调用，所以这六个模型的推理强度全部拉满，能够真实的展现它们在整个过程中的综合能力。 在最后比较这六个模型的这个能力之前，我们要先来看一下这次任务我们实际使用的账单跟这个生成的速度。 gpt 五点五呢，最快十六分钟 up， 四点七，二十九分钟 up， 开启了 x high。 这个之后啊，花费也是高的离谱， 比 g p t 五点五还贵了三倍多。然后其他的像 deepsea v 四 pro， 然后 kimi k 二点六， g r m 五点一，消耗的 token 呢，差不多，所以成本呢，也几乎差不多。但是 g r m 五点一啊，速度上比较慢， 花了四十四分钟才完成，这个原因呢，就是因为 token 接口的吐字速度太慢。因为之前就听说啊，这智普是国产模型里面比较缺算力的这个一家公司账单讲完之后啊，我们来看一下最终的成品到底是长什么样子。我想按两个维度来评价这次的任务啊， 就是排版跟内容，排版呢，是排版的结构，然后图案的比例，动画字幕这些内容呢，就是指选择题啊，旁白啊，判断力啊这些。然后六个模型呢，按照这两个维度的综合表现，我可以分成三档，第一梯队呢，就是 up 四点七和 gpt 五点五，大家可以看一下它们生成的视频啊。 h n 今日速览 top 一 百里三件事不讲废话第一件 deep c v 四，一千九百八十九分一千五百一十六条评论全列录零抠的跑在华为升腾上 pro 模型每百万输出 token 三点四八美元。 h n 原话从黑客到黑客 第二件， open a i 当天甩出 gpt 五点五，一千五百五十三分。记者分拣封顶贴 andropet missus， 但社区泼水幻觉率百分之八十六，是 opus 两倍多。第三件，最游戏九百零六分的热铁，在 bug 质量下滑。同一天， google 宣布向 andropet 注资最多四百亿美元，社区点透循环贸易， andropet 拿钱回头买 google 的 tpu。 全剧看 top 一 百 ai 话题十五条，却吃掉百分之三十一，得分百分之四十一。评论 谷里四条是 ai 域名榜第，靠十六次领跑。数据采自四月二十五日 h n 热榜，今天 h n 前一百条里， ai 大 模型占三十二条，合计一点一万分七千二百五十七条评论，榜首讨论集中在 deepsea v 四 g p t。 五点五和科沃质量风波。 deepsea v 四拿到一千九百八十九分，一千五百一十六条评论，社区最在意的不是发布会，而是低价好文档，以及跑在华为芯片站上的完整 阅帖。评论里的核心质疑是， ai 编程下的写代码时间是否又变成了独代码和审查成本工作计划最高头 n 四百亿美元， 把它看成供应商融资前 tpu 云和同要成闭环。如果模型商品化，真正的利润可能在算力入口比特和 c i l 供应链攻击，无科技拖拉机走红也只向同一个情绪。技术越强，社区越想要可验证，可修，少锁定系统。今天的关键词是可信。 从排版角度来讲啊，这一档的模型有完整的编辑自觉分进脚本呢，会自动标注 t t s。 实测的时长精确到秒，然后再去反推画面的时长。 g p g。 五点五的定稿啊，甚至自己列了这个时间码的对照表，图文的重点分明，然后动画的节奏也很合理。 t p t。 五点五的短板是首页的，这个数据格式化，没有正确的去渲染。然后从内容角度来说呢， oppo 四点七旁白其实是最讲究的，这可能跟大家的直觉上也比较吻合。 开场四秒钟就切入了三件事情，每一件呢都有具体的数据，加上一句这个嗨客女子原话做压轴，结尾呢，还单独留了十几秒钟做整体的这个全局的数据的复盘，然后这六个里面是唯一一个自己做了 结构化数据分析的这个模型， g p t 五点五呢，选题抓到了这个资本与算力的闭环这个独特的视角。别人都在讲模型本身，然后他呢，在讲生态，在讲一个大的宏观的这个这个角度，但结尾啊，那句就是今天的关键词，是可信。这样句话呢，我觉得就比较仓促了，像他感觉到时间快到了，然后硬切了一个结尾，这种感觉 怎么说呢，就是五十七块钱的 office 啊，贵是真的贵，但能力呢，确实也是最顶尖的。中间党的两个模型呢，就是 dipstick v 四 pro 跟 gim 五点一这一党的模型啊，都只是完成了整个工作的一半，但只是完成的一半不同。 v 四 pro 呢，赢在内容。 r m 呢，赢在了排版。 v 四 pro 的 排版呢，主体是左右结构的，图片被挤得比较小，文字也比较小，远不如第一梯队的那种舒展的，然后清楚的感觉，但有亮点啊，就是首页它做了一张热力图，是这六个模型里面我觉得最具设计感的这个开场，然后结尾这个转场，还用了这个色块动画，看得出来很有这个设计的意图啊。 然后字幕显示呢，我觉得就是比较正常。 v 四 pro 的 内容啊，我觉得它写的旁白是六个模型里面最像写给人看的一份。 d c v 四，近两千顶铁， 完全开源零抠的纯华为 samsung 芯片社区最镇的不是跑分式文档，开发者说比 open a i 好 太多。有人留了四个字， from hackers to hackers。 敢直接把这个 hacker news 的 评论原话当京剧引进来。 from hackers to hackers， 然后循环贸易 中表达呢，保留得很完整，四个镜头的每一个都有一句压得住的短句，然后开源再追，闭源再堵，开发者用脚投票。这句收尾呢，比 opus 我 觉得是最接近第 题。对的，开头有数据统计，然后文字跟图片都足够大，排版很舒服。唯一的问题呢，就是字幕遮住了这个皱纹。我反馈了一次之后呢，也没有修好，但是 g r m 五点一的内容啊，就差强人意了，基本都是新闻播报， 每个镜头的结构呢，都是谁发布了什么数据，多少社区说了什么东西，没有一句呢是自己的这个视角，自己的判断，也没有把几件事串联起来一起的。这个整体的视角只看排版呢。 g r m 真的 厉害，但是把旁白跟分镜如果也算进去的话呢，我觉得 v 四 pro 可能更好一点，所以我把这两个呢，都放在第二档。第三档呢，就是 v 四 flash 跟 kimi k 二点六这一档啊，为什么放在第三档呢？就是因为我觉得它在排版跟内容上面都有些硬伤。你比如说啊，像 v 四 flash 的 这个排版，所有的页面呢，都是同一个上下结构， ppt 模板， 十六比九的图呢贴在上面，然后有大片的空白，字也偏小，开头的数据呢没有渲染出来，字幕也缺失，反馈之后呢，还是没有修复好。至于 vs flash 的 这内容呢，它的旁白基本上也就是在复读这个帖子标题，然后像 deepsea vs 那 段，讲到 sweetband 突破百分之八十，适配华为升腾，这现在都是标题的原话。还有的那段呢，也只是把世界名完成了念一遍， 完全没有自己的这种视角跟判断。然后 kimi k 二点六的排版呢，深图有浓郁的这种 ai 的 味道，深图的提示词呢，也是比较差的，图片也被裁切了，没有完整的展示，然后字呢，也偏小。 kimi k 二点六的内容啊，比 vs flash 我 觉得稍微强一点。选题呢，选了卡尔的信任危机，然后谷歌的助资 把续命和买保险两层的意思呢，都点到了旁白，比较有节奏感。不过相比第二档的 v 四 pro 啊，我觉得还是有点差距的，大家也可以自己看这两视频对比一下。最后来跟大家总结一下，就 gbt 五点五跟 oppo 四点七呢，排版跟内容两件事啊，都非常在线，贵呢，确实有贵的道理。 然后像 v 四 pro 跟 g m 五点一呢，都只能做到一件事，然后卡在中间。然后 v 四 flash 跟 kimi k 二点六呢，在我这个测试当中，两件事都没做到，所以我只能把它排在第三档了。收回这个 dipstick， v 四本身啊，国产第一梯队我就完全是没有问题的。 v 四 pro 一 百万的上下文，性价比也非常的高， 从内容上来说呢，甚至有时候可以超过 g p t 五点五，但综合实力呢，跟 opus 跟 g p t 五点五我觉得还是稍微有点差距。但你聊一下这次测试的本身的局限性，因为六个模型都只跑了一次，会有很大的这个随机性，换一次呢，可能结果又不一样了。 任务设计啊，我这次也是比较偏重于这个视觉方面跟代码能力的，对纯文本推理能力啊，其实不是特别的敏感。真正严谨的测试呢，应该每个模型都去跑 n 次，然后去它的分布，然后再叠加这个盲测打分。这期视频呢，算一个不太严谨的这个测试， 给大家一个基本的这种参考。最后再跟大家说一下，这次测试呢，用的 agent 是 派，在国内还比较冷门，但我现在自己啊，就是内部几乎所有非代码的任务呢，都在它上面跑，非常的顺手，非常的听话，非常的爽。它是个开源项目，完全不是广告，感兴趣的朋友呢也可以自己去学习一下，自己去体验一下。好了，今天视频就到这里，我是李总，黑经理超，我们下次见。
9262第四种黑猩猩
04:30查看AI文稿AI文稿大家好啊，我是瑞克老张啊，那个五一期间接着给大家聊，因为事比较还挺有意思。昨天晚上呢，我们的那个开发团队给我们反馈啊，就说那个 dvd v 四 pro 特别好用，然后我们就在 callix 里边就接着进来了，接进来以后我也测了一下， 哎，我发现一个很有意思的问题，虽然说啊，他自己说，他跟那个，呃，就是包括我们说的，呃这几家，像那个，呃， 那个 cloud oplus 四点六啊，啊，包括啊，这拆 gpt 五点五啊，还差三到六个月。但是你知道这里面有一个很好玩的事啊，就是 dspic v 四 pro， 它的缓存命中率极高， 什么意思呢？就是大家要知道这个大模型的这个 api， 它分两种价格，一种缓存缓存命中，一种缓存没命中。 缓存命中的话，就意味着它之前跑过类似的这些东西，所以它有结果，有结果它可以拿下来改一改就给你用，那这样的话它价格非常低， 缓冲没命中呢，那就意味着要重新计算，那这个价格就非常高啊，这个要要知道。所以呢， deepsea 呢，我们查了一下，我们测了四个啊，就是我现在正在做的小东西，测了四个，呃，大概每一个的话呢，都都给我写了不到八百行的这个命令啊，基本上缓冲命中率呢都在百分之八十五以上， 这意味着什么呢？意味着我非常省钱，我们看看，我整个把这所有东西都跑完了，大概跑了不到一个亿的 token 啊，我花了多少呢？花了不到十二块钱，这个这个，这个性价比就非常高了啊，真的性价比非常高，它比那个 cloud 包括那什么的缓存命中率都高。 我们之前也用 kolld， 但 kolld 现在不给中国人用了嘛，是吧，那个我们就敢用，折磨你啊，这个但折磨你的缓存命中率非常低，低的让人发指啊。然后就是花钱花的比较多啊，这搞那么不到一个亿的，差不多一个亿的 token 吧，这折磨你得花到二十美金左右。但是 deepstack 的 话呢，基本上就十几块钱，十几块钱解决问题啊，十几块钱解决我们四个四五个问题，而且它那个 bug 吧，它自己找起来就很快，我们怀疑就是在 deepstack 的 从那个 n 卡，就是英伟达的卡迁移到生成的卡上做训练，这个过程中啊，他们另外的那些做啊，这个呃案例的部门并没有闲着，他们在不停地用各种的代码去测试，然后把这个代码各种的去修正，然后形成这样的缓存库， 所以现在的效果非常好。哎，我没有想象的效果的话，你们都可以去试一试，真的都可以试试这个 v 四 pro， 我 认为这恰恰很可能是它未来的一个最大的杀伤点，因为这样的话是所有人发现它的成本进一步降低。如果都用缓存，这个这个东西相当于呃这个 cloud 的 五十分之一的价格呀， 就如果都是缓存命中的话，它相当于 cloud 的 五分五十分之一的价格，非常夸张。那这个事的话呢，后续的东西很可能会引发。 是啊，包括美国这个开发者在内的一个一系列的海啸啊，它意味着大幅度的节省成本，效果还不错啊，这个事就就特别有意思了啊，所以它背后可能引发的是一个是 taco 出海，一个是酸碱锌铜，还有一个的话就是整个的在全球啊， 不管是开源还是闭源的啊，包括编程在内的这样的一个大模型使用的大范围的变化，它这个变化很可能是行业性的啊，是扩散段的，而且这个扩散现在看越来越快，越来越快， 所以呢，大家一定要关注这个趋势，这个趋势可能会引发整个产业链的变更的，这个变更的时间不会超过一个月。他后续的东西他不像上一次，上一次是立马就显示出来了，这次是在慢慢的显示出来，他显示出来的话，那他这个如果你提前不布局，你到那个时候你可能就晚了，那个时候的话机构大量入场，你就没有什么筹码， 需要的话赶紧先来看啊，真的赶紧先看好不好？如果需要的话，看看我们的这个季度会员科普课，我们准备在下个星期开始的五月份，我们会安场安排最少三次关于 deepsea 的 啊，这个深度的拆解，一次直播两次的这个复配的内容啊，如果需要真的好好看一下咱们的季度会员科普课啊， 九十天四十五个视频最多啊，四十五个视频最少，四十个视频八场专门的直播，非常的超值。而而且咱们的月卡呢，本身呢两百多块钱是吧？ 机卡的将近八百块，这是因为一个是老张给大家补贴，还有一个是平台虽然没有那么大的，那也给了几十块钱补贴，所以现在价格是六百多块钱，非常的超值啊，需要的真的好好看一下，而且呢内容的话呢，是非常的覆盖的全面，都是围绕大家所关心的这些话题展开的，毕竟的话我们还有很多专业团队在干这个事， 非常的超值，需要好好看一下啊。链接在底下点击即可啊。稍再说一句，一定要记得接助教老师电话，不然你不知道该怎么看课。好，今天就到这，我是瑞克老张，关注我，咱们投资的视角，看科技背后的精彩，我们下期见，拜拜。
381瑞克老张有话说
02:51查看AI文稿AI文稿deepseek 终于发布了新版本 v 四，确定支持华为升腾芯片，官方表示性能比肩顶级闭元模型 agent 能力大幅提高一百万上下文成为标配。 ai 圈子里的人夸疯了，行业外的普通人看了新闻却还是有点懵，啥意思？ 至于吗？一年多以前， deepsea 的 巨大行业意义，不搞 ai 也都能理解。中国在开局落后美国大模型技术两年左右时间，同时还被美国出口管制，封锁了芯片算力的情况下，终于出现一个天才选手，想出办法用较少的芯片算力训练出一个世界前沿的强力大模型，而 而且还开源，相当于他们开了一家特别好吃的馆子，不仅对所有顾客免费，还将关键的原材料、配料表做法公开。然而现在其他国产大模型多了， deepsea 这次还有那么惊艳吗？先说一个好理解的， deepsea v 四憋了这么久，是在憋一个之前没有国产大模型真正跑通的事情， 跟国产芯片做全面适配。其实 ai 公司和英伟达、 amd 的 合作不仅仅是买芯片，发布大模型前一般还需要提前把模型给它们做性能优化优， 有点类似于国产手机厂商跟沟通的合作关系。然而有外媒报道，这次 deep sec 之所以推迟了 v 四的发布时间，就是因为给了华为和韩五 g 这个早期的访问权限，花了几个月和华为韩五 g 合作，重写了模型底层代码的部分模块，来确保 v 四能在华为最新的升腾芯片上流畅运行。 其实去年 deepsea 刚刚横空出世时，曾经尝试过绕开英伟达，可当时客观条件还不成熟，反复失败后最终放弃了全面使用国产芯片的计划。但这次 deepsea 等到了刚刚公开亮相的华为升腾九五零 pr， 这件事一旦跑通，对整个中国 ai 大 模型、中国芯片的意义可以说是无法估量的。 一方面在军事、政企、金融这些相对敏感的部门，可以实现绝对意义上的全链路 ai 国产化，而且不影响性能。另一方面， gpu 的 特性决定了国产芯片一旦可用，就有机会在支撑较低的情况下，通过堆叠来解决算力问题，美国出口管制带来的消极影响将进一步降低。 如果这次 v 四的性能确实如传闻所说在长上下文编程任务上能和 cloud check gpt 掰手腕，那未来通过国产算力就能用上前沿模型，不用再担心美国芯片出口管制的影响。其实从适配国产芯片这件事上可以看出， deepsea 真正的意义从不仅仅是为中国人争一口气， 而是从更专业的角度拓展整个中国 ai 的 可能性，推动整个行业的发展。出了芯片， deepsea 在 去年的基础上进一步抬高了开源的标准，通过它可以看到中国大模型路线开始完整的成型， 不是单点追一个最强的跑分分数，而是把开源、低成本 agent、 国产芯片、适配基础设施公开这些东西捆成一整套方法。论圈内之所以热忱地追捧 deepsea， 是 因为它是极少数不被日活流水估值捆绑的中国科技公司，在它身上确实能看到新一代中国科技行业的更多可能性。
1.2万X科技实验室
02:03查看AI文稿AI文稿deepsea v 四你们用了吗？我中高强度用了三天，我的核心感受就一个字，爽！但同时短板也挺明显的。今天聊一下，我个人感觉到了三个优缺点。先说优点，首先长文本是真的很强，我 十几万字的材料丢进去，权威哪里有标点符号的错误他都能给我标出来，而且真的是很快，基本文件一发送，那边马上就开始输出了。 v 四在省材料搭框架的工作里，效率提升是肉眼可见的。 然后第二是成本真的是很低，百万头肯的超长上下文中 kb 缓存占用只有钱袋的百分之十左右，我三天各种简单复杂的任务跑下来，花费还不到一杯咖啡的钱， 所以这一点目前市面上几乎没有对手，国外那些币源的模型瞬间就不香了。然后它是真正的国产芯片四倍的体系， b 四从一开始就围绕华为的升值做优化，跑通了中国芯加中国模型的闭环， 不是实验室的版本，而是你现在马上就可以用上，可以说是中国 ai 的 一个里程碑了。我只能说一句牛逼。 优点说完了，来说三个硬伤。首先，他的知识库还只到二零二五年的九月，甚至你问他他自己都不知道他自己已经是 v 四版本了，所以你想要获取最新的信息，只能联网搜索一部分，但纯靠模型本身 时效性，它就是一个硬伤。然后第二，它依然不是多模态的，还是一个纯文本型的选手。这个还是比较可惜的，毕竟现在友商已经是各种一键上传 ppt 啊各种文件什么的了，估计 deepstack 也在布局吧。最后，你说它赶超上国际上顶尖的那些模型了吗？ 其实还是有一些差距的，官方自己也说跟全球最顶尖的闭源模型还有大概三到六个月的差距，但是我们看看价格，我还想说 v 四真香，所以结论很清晰， v 四就是目前性价比最高的纯文本助理。 如果你大部分工作室和文字文档或者框架打交道，那 v 四真的能帮你省下大部分的底层时间。剩下的你自己试一试就全明白了。
1275Rory的AI急救包
05:09查看AI文稿AI文稿dpc 发布， v 四的海啸依然在发酵，它这里面呢，一个核心的点就在于它的 pro 版本跟 flash 版本，基本上是把一 t 到两 t 之间范围和两百 b 上下的范围的所有模型都排挤在竞争范围之外，因为它的性能是远超过所有模型的，但它成本呢，却远低于所有模型。 我先分享一下它之所以能实现这样的一个高性价比的核心的影响，那 v 四呢，有几个大的软件上的升级 这些呢，其实 deepsea 团队在过去的一年中也都做过一些开源和技术报告。第一个呢是 ingram， 记忆不坏是在今年一月份的时候，梁润峰也署名的一篇论文，我也在我的视频号上分享过。核心逻辑呢，就是一个可以分静态知识和主动知识的一个外部的强项机，让模型呢既能长也能算 传统的价格中呢，既以跟推理的混合在一起的，所以模型呢也比较辛苦，既要用注意力去解锁知识，又要用注意力去推理。而 ingram 呢，把这些固定的静态知识呢，储存到一个类似字典的造造表里，让模型能够快速的调用，就不用消耗大量算力在现场去回忆了，这个效果是很不错。 ingram 的 魔幻呢，让注意力施放。在实验阶段，一个集成两百七十亿参数的 ingram 的 模型，在参数跟复联预算同等的强项下，性能超过了 m e 的 混合模型。 第二个呢就是 mhc， 也是前几个月分享的，叫做流行约束超链接，就是 manifold 接口 connection， 这个逻辑呢，有点像 kimi 之前发布的 attention rest 逻辑，就是约束模型在 former 传递过程中的叠加，防止出现气头爆炸、指令消失和训练崩溃的情况。 所以呢，可以理解呢， mhc 呢，相当于在模型的这个高层大厦里放了一个自动的稳定的电梯，每一层呢，都有一个阀门，不管环境什么样的信息，一律精准的控制在一个固定范围之内，既不能让信号太强给电梯增加负担，也不能让信号太弱以至于丢失。第三模块呢，就是关于记忆机制的， 也是 c s a 和 h c a 两个记忆力机制创新。 c s a 呢，是压缩吸收注意力， h c a 呢，是高度压缩注意力。它逻辑呢，是通过看大纲来抓主旨。那 v 四呢，是把这两种方法交错使用。一层 c s a， 一 层 h c a， 就 像一个人读书，既粗看目录大纲，又细看各章的内容摘要。这两种创新，解决了大模型处理长文本的两个短板， 就是卡顿和缓存大小都是在 d p c v 三的百分之十甚至更低。 v 四呢，下一个很重要的价值就在于它在 g p u 层面的优化了，这也是绝大部分模型公司所谓的模型，更多是软件公司嘛，这种软件层面的创建的公司，望尘莫及的地方。就在 v 四发布的前一天呢， deepsea 呢，发布了开源的 hire kernel 模块，使用的是 hylian 源 lan 呢，是兼具计算机语言和编程终端的 ai 算词编程语言，属于领域特定语言，是 deepsea 和北京大学联合开发的，二零二五年呢，就在 github 上开源了。那 deepsea 的 v 三点二就使用这个语言，那这个模块呢，主要是用于开发 gpu 内核， 原来呢，它只能靠 c 加加在库达上面做计算，而库达呢，是英伟达绑定的计算平台加编程的模型，虽然呢性能很不错，但是呢，是英伟达绑定的计算平台加编程的模型，虽然呢是抛开了库达用 potato 呢直接去写代码，再交给变 e 器自动优化，直接改变了 g p u 的 优化方式。原来的芯片的效率的使用情况来看呢，是国产芯片，虽然纸面算力很高，但实际有效的利用率是只有三到四成。而英伟达通过了 puda 的 加持呢，可以 把电力提升到六到七层。这一次呢，通过 hyundai， deepsea 呢在 hyundai kernel 层呢做了优化，让国产的芯片的算力也达到了与英伟达接近的这种使用率。换句话说呢， deepsea 呢，通过了 gpu kernel 层的优化，让国产芯片跟英伟达的差距呢，是在逐渐变小的，就是他们自己做了一套类似国产扩大的能力。 我说一下 deepsea 这个事情对市场到底有多大的影响，因为它昨天才发布很多的发酵呢，其实刚刚开始，当然我们现在呢已经能做出一些预判， deepsea 它真正做到了性能和成本的双向优化，现在在性能上能保证持续性超越 deepsea 的 也只有预参加了，分别是 app， openai 和 google。 所有的其他模型都没法保证在任何一个时间点能 能超越 deepsea， 因为 deepsea 也在融资，也在加快它的模型的升级迭代的速度。所以因为 deepsea 放出了一点六星的肉模型和两百八十四 b 的 flash 模型，基本上呢，是在从一百五十 b 的 范围到可能四 t 的 范围之内，相当于放出了两个原子弹，让这范围内的所有的模型可以说是寸草不生， 因为即使你能在同样的参数下，也让它的成本取得量级上面的领先，更何况，很多比 deepsea 更大参数的模型，它的性能还不如 deepsea。 所以呢，基本上市场上的模型呢，在未来的一段时间内竞争呢，只能绕着 deepsea 走，无论是比 deepsea 模型参数大很多的类似 antarctic g b t 的 五 t 的 模型，还是一百二十 b 甚至更低的范围之内的去不断优化，成本低于 deepsea flash， 但是效果呢，却 接近 deepsea 再式的用小模型，再到目前来看，国产的其他大模型，只能被部署到五 t 的 范围之内竞争，因为小模型这个领域未来的竞争也会很激烈，因为并不是特别的消耗资源。那五 t 的 范围呢，其实是一个非常有风险的投资，因为它需要巨大的商业成本。而当你超越 deepsea 模型的时候，是否 deepsea 还会继续跟进也是未知数所， 因为 deepstack 这次的发布呢，其实市场的格局已经产生了巨大的变化，未来呢，对于很多的 ai 公司来说，可能更需要关注的是在哈里斯层和应用层，而模型层的竞争呢，对绝大部分公司来说，已经挤压到了一百二十倍以内的模型优化赛道上面。
725杨博士说AI
02:54查看AI文稿AI文稿deepstack v 四发布以后，先不要自嗨，它跟国外克劳德 g p 五点五的差距已经不止三到六个月这么短了，甚至会被拉到一年以上。但是它的价格低啊，它是克劳德价格的二十分之一，这个模型能力上的差距可以通过 tucker 的 密度来弥补。 那对于算力这一端分环节来看，光模块 pcb， 还有国产算力啊，也就是加速卡吧，那深腾的核心 pcb 供应商，最近两周都是市场的焦点，毫无疑问，大资金是非常敏感的。 那光模块啊，因为我觉得像中集徐传上周突破了一万亿啊，在这个推理的大周期，我反而觉得一万亿是一个新的起点，因为在模型训练的前三年，主要的买家是因为的啊。那么现在像谷歌，微软，甲骨文 啊，亚马逊的加速卡，其实都在用到光模块，现在不只是单一个数据中心，要串联起来更多的光模块这么简单。现在是整个行业都在体量 啊，对于国内算力卡，像韩五 g 啊，这个海关，我觉得他们的估值太高了，即使未来 一年啊，国产算力再其量，那也追不上现在的固执。反而是这次 deepsea 微四的这波情绪。是啊，先是我的一个啊，空盘点吧， 从整个行业来出发，因为因为，呃，我前两天没发视频啊。 gt 五点五出了一个图像模型，我原来就是干图像模型落地的事的啊， 完全可以通过这个图像模型来做到啊，一些场景的商业化啊，像我这个应该应该应该，我觉得我最近也在尝试。 呃，整个行业的注意力应该往中差游来转移了，像中邮枢纽中心，呃，不管是国内还是场外，资金的焦点已经很明显的注意到这个环节了，从整个大的行业周期来看，现在 呃就有点类似于移动互联网时代。小米一刚刚出来，米聊呃，米聊刚刚出来，微信刚刚出来的，这个节点像豆包 codex 高了的属于 微信这样的超级，如果现在反而模型能力并不是那么的重要，现在拼的是工程化工作流的稳定性，工作流的实用性， 像未来各行各业的缝隙是缝隙，还会还会还会出来。这个下游应用端吧，你说他博弈也博弈，说他吵也吵啊，跟前几年的那种吵来对比的话，他会走的更扎实一点。
386万丈光芒
01:42查看AI文稿AI文稿抖音 v 四一经上线，全网爆火，连海外的网友都坐不住了，直接被他的表现给震惊了，所以这次到底实力如何呢？国内 ai 大 手子已经把评测结果给放出来了， 咱们不吹不黑，看大家都是怎么评价的。首先， arina ai 上的榜单主要看 text 文本和 code 的 编程能力， v 四是开源第一，全球第九的水平。 此外， linux 社区上有大佬自己评测，表示 v 四 pro 的 思考效率不高，表现要比 glm 五点一还要差一些，跟 top 三依然差距较大。咱们再来看海外的评价，有大佬测试了 deepseek， v 四的 api 生成速度简直快得惊人，甚至产生了怀疑，华为芯片竟然有这么快？还有的实测了 v 四 pro 的 前端部分，做出来的登录页面效果还不错，而且和 cloud code 兼容良好， 唯一不足的就是中间因算力不足卡顿了。还有的让 v 四设计了一个演示程序，最终给了很大肯定，动态物理效果非常自然。 另外，海外大佬的关注点还有价格，实测 v 四的一百万 tokens 输出只要三块钱，而 cloud opus 四点七要一百七十五块， gpt 五点五则要两百一十块一，对比 v 四的价格简直不要太香了。此次还有博主接入 cloud code， 测试了更高端的 deepsea v four pro， 跑了一个较复杂任务，和千万三点六 plus 做对比后发现 v 四 pro 的 表现要更好，不过价格花了七点四一元，有点略贵。对此官方也提到，目前 pro 的 服务吞吐十分有限，下半年升腾九五零超节点批量上市后， pro 的 价格会大幅下调。总的来说， v 四真正的王牌在于算力自主和价格实惠，但编程能力距离顶级边缘模型还有一段路要走。那么你体验了 v 四吗？感觉如何呢？评论区聊聊。
865最热科技
04:23查看AI文稿AI文稿全网又在吹迪克萨斯 v 四天下第一牛逼了，太夸张了吧，兄弟们泼盆冷水啊。这个视频就聊两件事，它真正的价值和它价值背后真实的代价。先说代价吧，因为这件事情我刷了很多视频都没人讲嘛。首先就是 v 四，它并不是全球最强的大模型，迪克萨斯官方自己的 评测就说的很克制，你放眼全球看，像 oppo n i， 最新的 g p t， 谷歌的杰米纳、三点一 pro 等等，排在它前面的原因就是因为适配华为升腾， 就是海外那些顶尖的大模型，一直在迭代，一直在更新，一直在跑嘛？一直在进化的呀，你在跑，人家更在跑啊，而且人家是跑在成熟的英伟达、库达的生态上，不需要分心去搞底层适配的对吧？但是 v 四呢，它必须把大量的时间精力花在适配华为生态上面， dico 工程师们硬生生要把代码从英伟达的库达生态上面搬到华为生态生态上面。这个大模型它更换这个生态不是说我们 电脑软件一样简单的，它是换了一整套的底层语言就等于全部重来了吗？重新写过了，没有？重写调试，再重写，再调试，就这么一个很难的一个过程，就是这个适配过程把团队的时间和精力吃掉了很大很大一块。所以这也是本来不是说之前很早就要发 v 四了吗？一直拖到现在， 硬生生跳票了好几个月。所以有很多业内人士猜测，如果 v 四不是因为这个世界受到了拖累， v 四版本早就可以推出了，而且性能会强上很大一截，这个就是 b 四的适配，升腾的代价是不光是时间上的，还有性能上的代价，但是你要说这个代价值不值，绝对值得。那接下来我就要说它的价值了。为什么明知道进度会被拖慢， excel 还要走这条路呢？因为这条路必须要有人走。当然也不只是因为情怀，还有更现实的东西。在英伟达芯片持续 供应受限，价格暴涨的情况下，其实华为升腾也就成了唯一的选择，因为升腾是唯一可以在国内大规模供货的 高端 ai 芯片。那不做适配就意味着没有足够的算力去支撑业务的发展。就一年前，其实 dico 已经试过了用华为九幺零 c 去做训练，但是遇到的困难非常大，导致这个事件最终没有成成功，最后还是用的英伟达芯片做的训练。那个时候市场就几乎形成了一片共识，就是国产芯片支撑不起顶级大模型。但是 b 次这次就把这个结论改掉了嘛， 在他的官方技术报告里面，就把华为升腾和回答写进了同一份硬件适配清单。这意味着什么？意味着因为他那个最深的护城河，绑定了全球几百万开发者的扩大生态，在中国 ai 最前沿的战场上 被硬生生撕开了一条口子，华为的升腾生态从此被证明可以承载顶级的大模型。这个不叫全面替代，这个叫从零到一。 从零到一是最难的，但是一到一百其实是会越来越快的，一旦生态跑通了以后，后面的迭代速度就会以指数级提升。更加关键的是，这件事情它不是实验室里面的技术验证，背后是产业链实实在在的进展， 这是适配的申腾九五零 p r 推理芯片今年三月份已经量产了，阿里智捷、腾讯等头部大厂已经向华为下了大规模的订单，国产算力的需求已经从口号变成了一个 真实的事情。那么我们再把视野拉高，就我们的大背景是什么？大背景是美国对华的芯片管制不断地加满。在这样的外部环境下，我们国内的 ai 产业就面临这么一个核心问题，顶尖的大模型到底能不能跑在自己的算力底座上面？ 那么到现在 dico v 四就给出了答案，能跑，虽然暂时还跑不过国外前面那几个，但是它证明了这条路走得通。当然了，虽然我是一个很 很爱国的人，但是我们也不能抛开事实不谈，就拿情话去说事，对吧？我们还是要基于事实的，就客观的来说，就上面说这么多，不就不代表我们明天就能全面替代英伟大了？这不现实的， 人家的生态累积几十年，不是说我们几个月一年就能追上的，但是呢，迪克萨斯 v 四的这一步呢，确实就是从零到一的，这一步很关键，很重要，而且很有意义。这段被拖慢的时间，这段性能上的差距呢，就是这个从零到一的代价，也是从零到一的真实成本。 所以现在迪克萨斯 v 四加上华为生态，我就一句话总结，它不是现在最强的，但是它证明了不依赖英伟达这条路能走。今 今天用几个月换来的这个证明，未来可能会帮整个产业链省下很多年。行了，这个视频就到这里，能听懂的可以评论区给我留个言，下个视频我们聊聊 cpu 的 价值重构，点个关注，一起发财，拜拜。
207孙鑫凯
05:16查看AI文稿AI文稿大家好，我是瑞克老张。四月二十四号， deepsea v 四终于发布了预览版，两个模型， v 四 pro 呢，一点六万亿参数，激活四十五笔上下文，一百万 token。 v flash 呢，是两千八百四十亿参数，激活十三笔上下文也是一百万 参数。看得吓人，但真正有意思的不是这个。先说 v 四 pro 的 技术架构， v 四用的是 dsa 二的注意力机制，啥意思？就是把之前 v 三的 dsa 吸收注意力和今年出论文里其他的 nsa 两种技术的表融合了。 在 token 的 维度呢，作为压缩啊，配合滑动窗口保留最近的一百二十八个 token， 原始 k v 却不压缩，确保局部的这个依赖没有进入损失。 这招狠在哪呢？我们通过模拟评测发现，一百万上下文场景下， v 四 pro 的 单 token 会比 frost 只有 v 三点二的百分之二十七， k v catch 也只有百分之十， 啥概念？就是长文的上下文的成本被砍掉了近七成。 m o e 架构也升级了，那就是 m e g a 的 这个内核融合方案，每层三百八十多个专家，但每次只激活六个。这 这虽然比 b 三的专家数量多了，但几乎比例却下降，说明路由更精准。还有一个关键技术就是流行的约束超连接。就是 m h c 嘛，这玩意解决了超大规模 m o e 训练不稳定的问题，数据传输的问题， 训练呢，并不顺利，他自己也承认万一参数来某一有经典的相关的问题，简单的回滚救回来。 mhc 七九五是用来稳定训练和传输数据的 优化器呢，用的是 mua 啊，这个是一种把 newton scotch 正交化应用导动量更新的一个矩阵级的优化器，听得绕口，简单说就是收敛更快，训练更稳。 再说 vs flash 这个玩意其实也是很有意思的， flash 这个小模型两千八百四十亿的总参数啊，经过十三笔域内数据，三十二 g 跑分，上下文也是一百万。 flash 的 定位很明确，极致性价比。我们通过评测发现，在简单的 a 整数任务上， flash 和 pro 旗鼓相当，但在高难度的任务上， flash 还是有差距的啊。 模拟评测的数据显示，一百万上下文， flash 的 单头梗推理 flop 也只有微分点二百分之十， k v cash 也只有百分之七，但是比扣还狠，压缩成本非常低。 这说明啥？说明 flash 不是 简单的小模型，而是在架构层面做了极致的优化，同样的 d s a two 的 助力机制，同样的 m o e 架构，但参数会激活，都压到了极致。 两个模型的性能 b 对 比呢？其实可以看到整个的团队呢，在上午紧急的去评测跑了一大堆的场景。 mesopro 在 a 阵能力上编码体件已经超非常强，交互质量 基本接近 oppo class 四点六的那个非思考模式啊，但它稍微还差一点，它那个思考模式可能还差一点。思考模式我们认为可能还有一个百分之五到八的一个情况，但数像数学竞赛代码这些东西，它都是已经到了最顶尖的开源模型。 ms flash 呢批的结构显示推力能力和 pro 相接近，但是世界支持储备稍逊，而且简单任务上和 pro 差不多，高难度任务上有差距，差距大概在百分之二十左右， 但说算力，这个才是重点啊。这个 d f c 这次明确说了，这一次已经做好了适配，下半年全量都要批量上升腾。不是支持，是批量上，这两次差距非常大，那次架构已经从库纳全面转向了那个升司啊。 针对升腾营点做了全电路的定制化优化，算力利用率从六十百分之六十直接拉到了百分之九十五以上，推理效率也大幅提升，部署成本只有传统方案的三分之一， 这意味着啥呢？意味着国产算力从能用变成了好用，从备胎变成了 c 位产业。怎么看升腾服务器是核心，这个没有任何问题，就是升腾服务器永远都是核心啊。订单兑现最快， 夫妻的放量会带动上下游有人气件恐怖爆发，高速连接器过快，夜冷温控，高端 pcb 都是刚需。下游软件适配和行业解决方案，客户绑定非常深啊。现金流稳定是生态生态长期避雷的核心。简单的说，短期看整体订单，中长期看上流放量，长期看生态避雷。 背后的逻辑，哎，非常的清晰，对不对？技术逻辑。 d f c 这一次呢，不是简单推参数，而是在重构上下文的成本结构。传统方法啊，处理一百万上下文，计算量和显存的消耗是显性增长。 v 四，通过 d s a two 的 注意机制，把这个增长曲线压下来，这意味着长长上下文不再奢侈品，而是标配。 d f c 自己也说，从现在开始，一百万上下文就是所有官方服务的标配，这事意不是技术，是商业模式重构， 我说句实话，真是没那么简单啊，你要想搞清楚他的设计架构非常的激进，搞清楚他未来意味着什么，后续的东西怎么办，以及引发的营销。欢迎你们加入到我们的会员计划，我们的季度会员科普课啊，咱们的课，咱们九天呢，四十五个视频，八场专门的直播啊， 很多的内容都是围绕整个产业链去展开的，大家对他的相关的了解会产生更多更好的内容，更换我们的内容，得到了整个平台的支持，所以我们现在拿到平台的补贴啊，这个原价六百多，现在只有四百多， 非常的超值，要需要赶紧看，链接在底下点击即可。好吧啊，今天就到这了，我是魏小张，关注我，咱们从投资的视角看科技背后的精彩，我们见。拜拜。
653瑞克老张有话说
05:50查看AI文稿AI文稿deepsea 的 影响力还在继续放大，今天一早呢， open call 最新版本就把 deepsea vs flash 作为它的默认大模型了，这是在 vs flash 这样的性能和成本，基本上是独立党的存在，对于龙虾这种非常消耗 token 的 这种场景，如果是我也会做第一选择， 所以呢，瞬间呢，其他的一些国产模型呢，在 deepsea 面前也不香了。另外呢，就是一个科技博主兼 ai 的 系统架构师叫 shawn onalho， 今 有发了一篇帖子，说法是他用 deepsea v 四 pro 替代了 cloud opera 四点六跟 gpt 五点四。他是把自己的 cloud code， codex， cursor 这一类的所有的编程的整体全换成了 deepsea 的 v 程序员，甚至不再使用 open router， 没有再去路由的必要了，月账单呢，直接下降了百分之九十以上，而且呢，据他说法是效果比之前更好。 所以我也来深度的分享一下 deepsea v 四的技术报告，就他的 tech report。 首先呢，他们做的是一个非常复杂的工作，因为在 v 四的版本中呢，整个的预训练量呢，对比 v 三的十四点八 t 呢，涨了两倍甚至更高。 v 四 flash 是 三十二 t， v 四 pro 是 三十三 t。 就 他们的预训练的两个版本，其实都有些区别， 因为参数翻倍，数据翻倍，所以训练稳定性的难度呢，也上了一个亮起。报告中呢， deepsea 明确指出，训练稳定性是一个他们在面临的挑战， 运行的过程中， d p c 用哪些方法呢？它用两个很有意思的提升它的稳定性的方式。第一个呢，叫做 anticipatory routing， 就是 预判式的路由，因为 m o e 模型呢，其实是自带路由的， 路由逻辑就是把一个任务激活对应的模型中的参数，找到合适的专家。原来呢，在 m o e 的 大模型就是模型中呢，有的网络是在路由，有的网络是在左执行，互相呢，其实是没法解偶的，这样的话，有可能会形成恶性循环，因为在模型的去年初期呢，当你的专家选择不准确的情况下 执行，也是没有效果，反而呢，互相影响。 deepsea 为了去解偶呢，决定用更早期的训练版本来去做第一步的路由，然后所谓的执行的五万网络呢，会基于早期版本去优化，再用参数呢，去更新自己的路由模型，打破了两者之间的恶性循环。第二种呢，叫做 sweetie lu climbing， 逻辑呢，就是把它在强化学习中的信号的数值呢，作为稳定的限制，在负时到时之间防止呢，非常大的异常。数学呢，影响了整个的 mo e 的 专家都有的选择，这个呢，虽然会影响一些准确性，但是呢，是在提升它的稳定性。那 deepsea 的 论文措辞呢，也很保守，说的是 may improve training stability。 所以说明在万亿参数的 m o e 模型的运行率中，没有什么是百分之百可靠的。说完运行率之后呢，说一下 deepsea v 四的中训练和后训练，所谓的中训练叫 mid training， 后训练公司呢，这部分呢，横列叫 continuous pre training， 它注入了海量的阳性 data。 换句话说呢，原来很多的模型是先做一个聊天的模型，再用聊天模型去适配智能体， 那 deepsea 呢？他一上来呢，就像梁文峰之前说的，这版模型就是为智能体而生的，所以他在基础学习阶段就见过非常的长，任务链环境反馈和协调 oxygen 工作，剩下就是他的后训练。 做训练呢，其实很有意思，跟我前面的视频和我们自己公司的做法是很相似的。两个重要的逻辑，一个是关于它的 reward model， 第一次选择引用了一个叫 generative reward model g r m 的 模型。这个呢，在我们公司呢，就叫 u b universalifier。 它呢，其实是针对一些难以验证的任务，就 how to verify 任务。所谓这种比较主观任务，没有用传统的 scale reward model， 类似数学变成这种可以验证的快速的直接给答案的这种可以分数的模型。而是呢，通过预设的 rubric， 就是 评估选择生成一个详细的评估报告，并从多维度呢去做打分。那 这个报告呢，反过来呢，也能给模型指出正确的发展方向，这是 deepsea 内部的回报方程的优化。在这样的回报方式之下呢， v 四的后训练用的一个很重要的方法叫做 multi teacher on policy generation， 就是 多教师在线策略抷瘤。它的所谓抷瘤呢，并不是抷瘤 cloud 这样的速断模型， 而是分两步。第一步呢，针对不同领域训练自己的 specialist， 就是 专家模型，包括数学专家、代码专家、 a 政专家以及办公专家、执行专家等。再通过多个专家去抷瘤到自己的 mo 大 模型里， 那其实如果没有 mo e 的 这种极大程度的大模型的话，它也可以通过多个专家通过手动路由来完成任务。那 mo e 的 逻辑呢，就是把这份路由的工作内化到模型内部，同时呢，再通过 shared experts 实现一些涌现能力。 另外重点就是 mo e 的 去年过程中呢，其实 v 四并没有缓存专家模型的 largest， largest 呢，就是最后的 to token 的 给出的 token 概率，这其实是一个显性的展示，而缓存了专家模型最后层的 hidden state， 就是深度学习网络的最后一层更隐性化的内容。训练时呢，按需呢，通过 prediction head 来重建到，这相当于它不是在缓存这个答案，而是缓存了得到答案的步骤。这步骤呢，比答案的它的整个的空间 space 会小很多，你最后需要答案的时候，你再去做一层计算就好了，这样的话，它的整个的可以生产的专家数量就会多很多， 这是一个很有效的性能的提升。在 a 阵层面呢， deepsea 也为 vce 呢专门做了一些优化。第一个叫做 deepsea 的 a 阵能力呢，在中训练后训练强化学习阶段呢， deepsea 搭建了一个数十万的并发的 sandbox 沙盒的实力，所以呢，它是可以有几十万台虚拟的电脑来跑代码，测 bug， 来不断地生成强化学习的训练反馈的，这是 一个基建的知识。第二呢叫 moe， 这个呢是一个属于通信计算一体化逻辑，因为在 moe 的 架构中呢，其实很多的时间是消耗在通讯阶段的，因为 它需要寻找合适专家，需要路由真正的计算的 g p u 的 掉量呢，其实很多时候在爱豆阶段就是它的很多时候，其实空闲的 deepsea 呢，尝试把通信跟计算都融进一个 single， 一个 hyperline column， 一 边传送一边计算，防止呢 g p u 在 中间中没有有效的发挥，基本上是把 g p u 的 功耗给炸满了， 像一边看食谱一边烧菜，而不是食谱看完之后再烧的一个逻辑。再者就包括他们自研的 d s m l， 是 deepsea 自己设计了一套类似 x m l 的 领域特定语言啊，这个就跟我们公司之前说的 code agents 逻辑是一样，用来替代他们 agent 之间的沟通协议，包括替代 j s 的 沟通方式。这样呢，把工具调用的成功率提升了一个档次。 因为本身 j s m l 这样的格式呢，其实是对人类看的比较稳定，但对 ai， 特别是大模型来说，并没有类似 x m l 这样的，通过定义跟 markdown 标注更加稳定。其他的一些 table 里面，技巧包 或 reasoning effort 分 模型训练，比如说不思考的 non think 模式， high max 模式分别训练，目的就是做到能省则省，该狠则狠，以及 interleave thinking 就是 miss 呢，是在 to calling 观念下呢，保留了完整的跨认知的推理历史，不是只做模型的推理能力的优化，而是包括各种工具的使用，跨维度的，长期的信息保持连贯性， 防止用户二次使用时候丢失它的记忆信息。以上呢，就是我们看到的 deepsea 在 tech report 里面做出的一些很重要的预训练跟中后训练的一些技能提升的技巧。
1566杨博士说AI
01:04查看AI文稿AI文稿bbc 微视出了手，我用了一个通宵，直到第二天早上六点实在熬不住了才去睡的。我有两个项目，有几个 bug 一 直改不彻底，时不时就会出现恶心我一下，折腾了我一个多星期，接上了微视之后，大概花了半个多小时吧，就把这些 bug 全都摆好了， 我把它丢给龙虾进行各种暴力测试，都没有再出现过。这段时间我就一直用威士来开发自己的项目，进展非常的顺利。威士在说明里说说距离顶尖的大模型有三到六个月的差距，但仅从我个人目前的使用感受来说，并没有感觉到明显的差距。 目前公认代码能力最强的是 cloud， 一 般我只有遇到实在解决不了的 bug 时，才会把项目搬过去，让 cloud 给我查一下它的价格。对于我这种业余开发还没有实际收益的项目来说，实在是太贵了。 之前有一个数据丢失的问题，在 cloud 上也没有给我彻底解决，在某些场景下它还是会复现。这次微视也帮我彻底搞定，在我这里，它就是当时第一的大户型。
179零号小歪
07:20查看AI文稿AI文稿各位投资人大家晚上好，我来汇报一下计算机这边的一个观点。其实从上周到这周可能大家整个关注度最高的还是这个 v 四的一个发布，包括这个 t 五点五的一个发布，就是在模型这一端的一个更新，比较重要的两个事件。 首先来讲一下 deepfake v 四的一个发布，就是上周五 deepfake 在 大家在盼了一年多的这个时间以后，终于进行了一个发布，那发布整体的一个情况我们觉得是符合预期的，特别是我们觉得对于国产算力其实在也是一个比较大的一个推动和催化。 这个 v 四这一次本身的最重要的一个性能提升，是它的上下文的一个量啊，现在提升到了百万 talk， 其实在它的官网上面着重提的也是这一点的一个提升。 价格上面基本上跟国内的主流模型的价格是属于同一梯队的。而当然最近四月二十六号的时候，公司也发布了个降价，到五月五号之前是一个优惠期，那价格就是属于一个相对来说比较优惠的一个阶段。 从跟海外的主要的主流的一个模型比较，其实 dipstick v 四其实也是跟海外的主流的这种开源模型是属于一个比他们表现更优异，跟闭源模型相比可能略有一 点差异这样子的一个状态。在动模态这一段，这一次 dipstick v 四其实没有发布正模态，但是根据其他的一些资料显示， dipstick v 四其实现在已经进行了动模态的一个测试，后面我们觉得也会以这个更新的版本进行一个发布。 那具体来看，本次的一个就是根据测评的一个结果来看， dipsic v 四的性能是跟顶尖的地源模型是对标的， 主要提升的一个能力是在 edge 这一块，因为从今年二月份开始， edge 大 就是 iphone cloud 再度引爆了大家对 edge 这一块的一个关注，所以 这个 v 四这一次也是重点更新了它 action 这一块的能力。在一些这个 agintic coding 的 测评中，这个 v 四 pro 现在已经达到了开源模型的一个最佳的一个水平，它 跟一些整体的在 coding 这一块的一个测评结果的一个反馈是，使用体验是比这个 select 四点五要好的，但质量是接近 up 四点五的一个非思考模式，但是跟这个 up 的 四点六的这个思考模式还是有一定的差距， 那我们使用体验下来也是重点是使用了向下纹的能力，确实是比其他的模型有一个比较显著的一个提升。 从整个世界知识包括索塔这边的一个测评来看，这个 v 四也是大幅领先于其他的开源模型跟一些 闭源模型，比如像 jimmy 三点一来讲是属于一个相对来说比较持平的这样子的一个水平。在一些数学包括奥赛赛类的代码测评中，这个表现也是非常优异的。 对于中国来讲， basic with basic 一 直是作为国产模型之光，我们觉得它其实整体是属于一个就是基座模型或者底层模型这样子的一个水平，所以 basic 性能的一个提升，其实也代表了国产模型性能 的一个提升的一个主流的一个水平，从整个 dipstick 的 技术架构这边来讲，哦，可能更新和迭代的一个方面是助力注注意力机制对 token 的 维度进行压缩啊，采用了之前的 dsp 的 技术注意力的机制，实现了全球领先的上下文的一个能力，它上下文能力是 达到了一百万托管，相对于传统的一个方法是大幅降低了对计算和存储最显存的一个要求。对于 agent 这一块专项能力的话是针对 cloud cloud， 包括 open cloud， open cloud， open code 和 autobaneling 这些主流的这个 agent 的 产品进行了适配和优化。 从价格层面，他打折前的一个价格就是这个缓存命中的输入价格大概是一块钱每百万托克，输出价格是输输入缓存未命中，这个输入价格是十二块每百万托克，输出价格是二十四块钱每百万托克。他的 flash 版本 最他的最大的一个上下文文长度也是一百万托克，他的输入价格是零点二，输入缓存命中是零点二 二元，输入的缓存位命中是一块钱，输出价格是两块钱。当然这二十六号打折后的价格，旗舰模型第四个 v 四，它的叠加的限时二点五元的一个优惠以后， 它的价格是大幅下降的，是相当于说缓存硬重的价格是降至了首发价格的一个四分之一，所以从性能上面来讲确实是有比较大的提升。价格上面其实跟国内主流模型在打折前是比较相当的，打折后其实更加促进了大家对 deepsea 微四的这个调用。 从另外值得关注的这个 deepsea 就是 在它的官方文档里面也写到了，因为受限于高端算力，目前这个 deepsea 微四 pro 版本的 这个服务的成熟比较有戏演，预计从下半年这个深腾九五零超节点批量上市以后， pro 的 价格会大幅的一个下调，这个其实也一定程度论正了目前的 这个 deepsea 微四版本的推理，可能现在逐渐从恩卡转向国差派这边去去转移训练，我们判断下来，包括跟一些专家交流下来，可能在主要还是在恩卡，可能有少部分的也是逐渐向 国产卡去转移。那整体来看，我们觉得这一次贵司的一个发布的亮点，主要一个是在上下文的量上面，其实是已经全球领先的这样子的一个水平。另外值得期待的就是后面他的多模态 的产品的一个发布。本次其实大家其实也能看到基于国产卡，包括国产的模型进入了一个下一个阶段，基于国产卡大家也能训练出全球开元比较领先的这个模型。 我们重点觉得这个 v 四确实是发布以后是立好的国产算力，今年本身我们之前在多次交流中也提到了，确实在整个算力比较紧缺的一个情况下面，那国产卡的发展其实是迎来新的一个机遇的。 国产战力这边重点的还是海光，因为海光一个方面是他的 d c u 这边的一个出货，预计二零二六年还是一个高速的一个增长，他可能到四季度的时候，他的新一代就是升算四号，其实是有可能能够量产油片回来进行出货。 那 c p u 这一段因为大家也知道现在 c p u 涨价是一个大的一个趋势，确实是受益于政策广泛使用，对 c p u 的 需求也是大幅的一个增加。所以海光信息不仅是 g p g p u 这边的一个领先厂商，也是国内的 c p u 这边的龙头之一， 所以海光是从两个逻辑叠加。下面来来讲，我们觉得是非常优质的一个标的。海光系的就是中科曙光，其实他在四月份的时候也是在官方公布了，他官方发布了郑州的超节点的互联网 超算中心，我们觉得就超节点的开始上面，中科曙光也是属于行业领先的一个水平。另外的是浪潮信息，整个数码软腾动力和中国软向国际， 这受益者是韩五记、鑫源股份，包括航天电器、华丰科技和伯爵股份。另外还是继续建议大家关注 air 一 号的一个机会，这边重点的是达摩数据和申信福，那瑞数据、东方国信和玉能控股。以上是计算机这边的一个观点，感谢大家的一个聆听。
304机构调研日记
04:22查看AI文稿AI文稿deepsea v 四不仅仅是性能提升，更是有可能带领整个 ai 产业链走向一条全新的道路。国产的模型，国产的芯片，再加更便宜的价格，黄仁勋最担心的事情正在发生啊，脖子可能卡不住了啊！ 昨天，全球瞩目的 deepsea v 四终于发布了，我们家的龙虾 e z k l 啊，也是第一时间接入，只要你现在下载我们的最新版啊，马上就可以体验到最新鲜的 deepsea v 四。 我自己呢，也花了一天时间去使用，并且查阅各种文献啊。我就先讲一下结论， deepsea v 四啊，把国产的 ai 大 模型无论开源还是闭源的性能又提高到一个更高的水平，性能直逼全球最强模型，虽然还有三到六个月差距，但已经足够耗用了。更重要的是， deepsea v 四啊，可能正在引领国 国产 ai 走出一条和美国 ai 不 同的道路，脖子可能已经卡不住了啊！好，下面我分三个点给你深入分析一下。第一个我先讲是，这次 deepsea 微视是支持了国产芯片的训练和推理，是全方位支持的。在 deepsea 的 官方文档上说，等到下半年到货时候，训练端会完全移植到升腾模型上， 价格还会大幅度下降。哇，这可是黄仁勋最担心的事情正在发生啊！黄仁勋在最近一次访谈中专门说了说，你以为卡中国，你真的能卡得住吗？当他的 ai 模型跑到他自己的国产芯片上的时候，那才是我们灾难的开始啊！这说开始就 开始，黄仁勋还专门指出，尤其像这种 ai 的 训练，大家都会说，哎，不是光刻机技术不到位吗？但黄仁勋也说了，在 ai 的 训练和推理上，由于它是服务端进行的， 所以完全可以用大量芯片的并行计算去弥补芯片制造工艺的不足。哎呀，人家早就一针见血了，可惜美国政府就听不进去啊。你看，卡着卡着卡出了 deepsea 为四，已经可以全面跑在国产模型上。我相信啊，这不会是第一家。我们常常讲 ai 的 竞争就是算法、算力和数据， 数据和算法我们都不全，现在算力这一端被 deepsea 算是汤通了，如果一旦汤通，大家可以想象，国产模型摆脱了算力的限制以后，未来进步一定会更快。第二个，讲讲 deepsea 的 性能啊， deepsea 在 官方文档上专门指出，今天 deepsea v 四距离国际顶尖的模型还有三到六个月的差距啊。我觉得这个还是非常诚恳的，不 像很多自媒体说的什么这么秒杀那么秒杀，对吧？ deepsea v 四在测试级上表现相当不错，实际工作任务我这一天使用下来也是足够用了，对吧？虽然距离最顶端的模型，比如像今天的 cloud office 还有一定的差距，但已经直逼了我们日常经常用的 soulnet。 关键是什么？已经足够用了，因为我日常也就是用 cloud soulnet 啊， office 实在太贵了，也舍不得用，而且已经足够完成我的日常绝大部分任务。 更重要的是，这次 deepsea v 四直接支持了一百万上下文啊。一百万上下文是什么概念啊？是一本大几十万字的小说啊，什么意思呢？我在我自己的 ai 直播中就讲，如果你要得到一个好的答， 除了要靠顶级的大模型，你的好的提问还有很重要是有一个好的上文。因为大模型每次都要去重新认识，就需要很多的上文去了解。百万的上文就意味着你怎么跟他聊，他都能记住的每一个细节。哇，这对日常的使用可是个巨大提升啊！ 我们知道全球最顶端的 office 也是上个月才刚刚把上下文从二十万提到一百万，这次 deepsea 直接就上了，这在日常使用当中再配以足够好的模型性能，我相信 deepsea 微四啊一定会成为很多人在使用龙虾时的主力模型。第三个点我想说的是， deepsea 微四加量不加价， 甚至更便宜，继续发扬着国产模型价格足够便宜，量又足的优良传统，更有进步的升华。这次 deepsea v 四啊加在一百万上下文的时候，它的价格比 v 三点二还要便宜，如果我们再对比一下是多便宜呢？它今天 deepsea v 四的这个使用价格比全球顶尖模型 office 要便宜了五倍。 而性能和 solid 也就是今天可乐的主打模型接近。 deepsea v 四 flash 的 价格比全球顶尖模型 solid 便宜百分之九十七到九十九啊，你没有听错，是便宜百分之九十七到九十九，也就是说便宜了五十倍。哎呀，这真的是使用起来再无负担了，这可是我们龙虾重度爱好者的福音啊！更重要的是什么？ deepsea 依然是开源，所有的权重全部开源， 意味着你自己买一个好的主机，也可以把 deepsea v 四直接部署到自己的主机上，用自己的算力跑，这样比你直接使用 a p i 还能更便宜啊，而且你还可以根据你的需要去调整一些权重，去做所谓的后训练，做一些模型增强，完全可以成为你个性化定制的 deepsea v 四。 所以啊，我再开头说了， deepsea 微四啊，不仅仅是性能提升，更是有可能带领整个 ai 产业链走向一条全新的道路。国产的模型，国产的芯片，再加更便宜的价格，越来越好的性能，中国国产 ai 的 技术体系已经实现了闭环，而性能呢，只比最顶尖的差三到六个月。但是一旦我们这个自循环开始的时候， 大家有什么理由不相信这三到六个月的差距，我们也会一点点追上，追平，甚至超越呢？我想这才是 deepsea 为四给我们整个中国 ai 带来的巨大的一个变化，不仅仅是性能，而是全体系的突破。大家觉得呢？请在评论区告诉我。
9955傅盛
02:13查看AI文稿AI文稿今天低普希可和 openai 同时发布了新模型，老规矩，我们先跑一个娱乐向的 m c 粪企测系 g t g 这边和五点四相比可以修习，变化不大，依旧形成了全末大陆 唯一升级的一点是光影表现更好了，而低普希可这边变化就有一点大了。先来看 d 三点二的， 而这些 c 四点零 pro 的 预览版和 e 三加一样，方块修放和硬度体现都做得很优秀。而且小鲸鱼是目前唯一一个想要复刻破坏方块石的裂纹效果的， 地形凶残像可以说击败了 gdp 五点五，但依旧有瑕疵。综合水平个人感觉接近结膜，那三点一的水平接近目前为止的 a 摩西奋起榜单是这样的，更动模型的成绩将在以后逐步更新。 接下来我们再通过复刻斯蒂姆来看看小金宜的全能写题，那主播认为小金宜的选美能力是不错的，小金宜保留了旧版斯蒂姆的排版，但自己优化了界面， 节目那次系尽量的复刻了旧版，这次的要求是复刻，其实小金宜复刻的界面更像斯蒂姆的点数项链。另外主播顺便测了一下三点二， 做出来是这样的，不可谓不惊艳，只是我让你复刻的是斯蒂姆，不是斯蒂姆游戏管家。然后来到写作方面，根据官方的文档，小静怡四的写作能力得到了大幅度的提升，那我们直接写个一句话，科幻，看看效果， 哪个写的最好，你们说了算。然后是角色扮演能力测试，依旧让小静怡扮演五条老戏， 那这方面的体验因人而异，主播就不作结论了。最后来说一下定价， 本次普六德的修车价格是像个版本的八倍，不过别担心，等下半年星腾九百五十节点笑谢时，价格会大幅度下调。另外这个富拉西版本的价格让我想起了一件事情，就在昨天，一个不为人知的角落，混颜三悄悄地笑谢了。作为一个主打性价比的模型， 这一对比，嗯，主播只想说一句，既香怡和香料，最后还是祝愿国产大模型都越来越好，感谢观看。
2235艾修
05:52查看AI文稿AI文稿问你一个问题，你认为国产第一 ai 是 哪个？要是比谁不说瞎话，幻觉最少，你是不是还觉得是 deepsea？ 错，大错特错，别再被一年前的老黄历骗了，今年的 deepsea 幻觉控制能力已经掉到了国产 ai 第五名。 要知道二零二五年四月， deepsea 可是实打实的国产第一幻觉控制能力全球领先，上线三个月用户暴涨百分之三百八十，是全网公认的国产 ai 顶级排面。 为什么不到一年时间，他就在自己最擅长的领域被四个国产 ai 全面反超，而且现在用的人越来越少了。今天这条视频，我直接拿三个点彻底讲都讲明白，看完你不收藏你来喷，我先给你摆上 super 四幺 u e 的 硬数据。二零二五年四月， deepstack 发布 r 一 大模型， 直接登顶全球中文事实性幻觉测评总榜，总分碾压 gbt。 四点五和 jammy， 上线当天新增用户直接突破一百二十万四到六元，是他的绝对巅峰期。 月活用户一路冲到九千六百八十八万，直接坐稳国产 a i d 四的位置，全网科技博主集体刷屏，被网友喊作国产 ai 之光。可从七月开始，它的增长就直接踩了急刹车，纯纯是开着顶级跑车却挂着倒挡。 七到十二月进入躺平缓期，用户增速一路断崖式下滑，期间月度排名直接被 kimi 反超。 到二零二五年底，他的月活排名已经掉到了国产第五，同期豆包月度还比增速干到百分之十八点二千，问更是直接冲到了百分之二十二点六。反观 deepsea， 月度还比增速只有可怜的百分之三点二， 连行业大盘的车尾灯都看不到，拿什么吸引新用户？进入二零二六年，它的处境更是雪上加霜。二零二六年一到二月，智普、 g l、 m、 五豆包、二点零 pro、 千问提米四大国产 ai 密集发布新版本， 全都是盯着他最擅长的幻觉控制、精准降维打击。三月三十，最新的第三方测评结果出来， deepsega 的 幻觉控制得分只有七十七点二三分，曾经的全球第一，被四个国产对手全面反超，越活增速更是在头部模型里垫底。 为什么 deepsea 前期封神，后期拉胯？主要有三个原因。第一个最致命的操作就是它长期不开发语音交互功能。绝大部分用户使用 ai 的 第一高频场景就是语音对话，开车、做家务、日常闲聊随时能用。现在国内头部 ai 模型早就把实时语音对话当成了核心标配， 豆包、千问、 kimi 全都上线了多音色语音交互，甚至支持方言对话，响应延迟都做到了两百毫秒以内，人家都卷到能跟你用方言唠嗑了。可 deepsea 到现在还停留在只能打字的传呼机时代，这简直是直接把自家大门焊死，把百分之八十的普通用户全踹出门外， 你连用户最常用的功能都懒得做，用户凭什么留在你这儿？第二个最核心的问题是，他天生就没长共情的脑子，完全适配不了普通用户的陪伴需求。 super 四幺优异的测评和用户实测都显示他的核心优势全集中在逻辑推理、代码生成、专业领域的硬核分析上。当面对日常对话、情绪疏导、生活化场景，他的回答永远像个没感情的代码机器，硬邦邦、冷冰冰。 现在百分之七十以上的 c 段用户用 ai， 根本不是写代码做学术分析，而是日常聊天、情绪疏导、生活求助。没有共情能力，等于直接丢掉了最大的用户基本盘。 他抱着自己那点程序员圈子里的技术优越感不放，完全不管普通用户到底要什么，用户自然会留下更懂自己的竞品。第三个最扎心的真相就是他的版本更新太慢。二零二五年四月到二零二六年三月， deepsafe c 端产品仅完成二次核心功能大版本迭代，同系豆包完成十一次，通一千问八次， kimi 七次。同行都在持续迭代，补齐用户短板，只有他原地踏步。行业调查报告显示，国内大众 c 端用户使用 ai 产品的 to p 三高频场景分别为， 日常文案创作百分之五十一点二，生活问题咨询百分之四十二点七，免打字语音交互 百分之三十八点九。语音交互早已是国内 ai 普通用户的核心刚需，可 deepsafe 目前仅能满足用户代码编辑、逻辑推理、生活咨询三个使用场景。日常文案创作写出来的内容虽然逻辑严谨，但是冷冰冰没有人味，根本没法用 头部竞品早就把全链路日常功能做全了，文档处理、 ppt 生成、 ai 绘画、插件、市场多模态创作，相当于把一站式生活超市开导用户家门口了。他还守着个只卖硬核代码的小众五金店， 纯纯就是高射炮打蚊子，空有顶尖技术实力，却适配不了普通用户的日常需求。场景单一，功能残缺，直接导致他的用户留存率一路下滑， 三十日留存率只有百分之三十点八，而豆包的三十日留存率达到了百分之四十四点五，差距直接拉开了一大截。新鲜劲一过，大部分用户就不会二次打开，用的人越来越少，完全是自己选择的结果。说到底， deepsega 的 问题从来都不是技术不行，硬核底层能力依旧站在行业第一梯队，而是从产品规划开始，就压根没把普通 c 端用户的体验放在眼里，手握全球顶级的 ai 技术， 却主动放弃国内体量最大的普通用户市场。收藏转发这条视频，帮你避开 ai 工具选择的坑，让你的工作效率直接提升十倍。当然， deep six 的 死忠粉也先别急着跳脚，深度求索创始人梁文峰内部官宣， 四月二十二日全球发布 deepsea 最新大模型 deepsea v 四，主打万亿参数猫腻架构百万级上下文全占国产算力适配。你认为它能靠这一波翻盘恢复全球第一的幻觉控制吗？你会不会第一时间去体验呢？
6198灵GO
06:13查看AI文稿AI文稿等了一年多， dbc 终于发新版了，但觉得这个新版呢，跟国外顶级模型之间居然有半年的差距，很多人对此感到非常的失望，那么真的是这样吗？我们今天就一起来聊一聊。 dbc 发布到现在也就一天的时间，但网上的解读已经是铺天盖地， 比较魔幻的是官方自己的技术文档，其实也就五十来页，这里面确实批露了一些训练方法，模型结构的细节， 但对大众真正关心的用了什么算力多少，算力机，训练成本是多少，其实并没有很细节的，譬如。但是网上呢，却出现了各种高度，各种角度的解读。我们一个群友给我打了个比喻啊，这就像是洪雪，就连曹雪芹自己啊，可能都不知道红楼梦有这么厉害。 这么多的解读啊，可能已经完全偏离了事实，那对于想了解真相的朋友来说，就造成了很大的困扰。所以我觉得我们还是要回到官方所说的，不忧郁，不恐于匪，就过度的赞誉和嘲讽，其实都没有太大的意义，我们还是应该更客观的来看这个问题 好。那么事情的真相到底是怎么样的呢？迪拜斯的微视啊，跟国际顶级大摩琴到底有多少差距， 其实大家也不用猜，在 t p c 的 官方文档里面，其实说的非常具体的，跟国际上顶级大冒险他举了个例子，就是，呃， g p d 五点四和杰米兰三点一 pro， 他 说是有大概三到六个月的差距， 但是呢，呃 g p d 五点四其实已经发了两个多月了，那这周又刚好发了 g p d 五点五，所以呢，我觉得 应该在这三到六个月的基础上，可能要再加两个月，所以说我觉得真正的差距可能会变成了五到八个月。 他说讲五到八个月对于 ai 这个里面来讲其实是非常大的差距的，因为大家都知道这大模型公司发版的速度其实是非常快的，正常来讲他们可能呃至少两三个月就会发个新的版本， 所以五到八个月来讲，其实是非常大的一个代差了，所以很多人感到呃很失望，我觉得也是非常理解，因为大家可能会觉得我等了一年多，结果却等到一个这样的产品有这么大的差距，因为大家想象中可能觉得你这么长时间应该是在憋个大招吧， 所以把期望值拉的特别的满，那没想到有这么大一个呃落差在里面。但坦诚来讲，我反而是很佩服这个官方，他们很诚恳的呃承认了这个差距， 还没有说为了满足大家这种期望就去搞一个虚假的跑分，等到你真的去用的时候呢，发现，哎，好像又不怎么样，就感到更加的失望。但其实来讲，我觉得比有没有对见到一个国际顶级大模型更重要的是， bbc 的 官方网站里面第一次提到了他们在国产的芯片上面，也就是华为的芯片上面做了技术验证。很多人可能还不太理解这个意义所在啊，因为原来呢，我们所有的大冒险其实都是运行在国外的算力上面，也就是英特尔算力上面。 大家都知道这两年算力这个脖子卡的实在太狠了，但算力又是在整个 ai 领域可能是最重要的一个环节，觉得这一点如果真的突破的话呢，也就意味着以后我们的大模型啊，都可以用我们国产的算力芯片来做训练，那这个意义是非常巨大的。 当然大家也不用太乐观，因为，呃，官方文档里面也没有提到是说现在所有的训练就是全部给予国产的芯片，所以如果他们真的跑通了，可以不依赖于国外的卡，那这个事情的影响就不只是并不是一个家公司，而是整个的 ai 产业。 但毫无疑问这个事情非常的艰难，要从一个非常成熟的体系里面移植到一个还在成长中的生态，那这个事情可能比我们大部分能想象的还要难。 所以也许这一年多的时间啊，他们不是在憋个大招，真的是在啃一个非常硬的骨头。呃，另外方面呢，很多人可能也关注到了这一次其实国外的反馈好像，呃比之前 r e 的 发布会冷淡了很多， 确实是这样啊，呃，即便是这两天我们看到的，真的在国外媒体上，特别是社交媒体上比较火的还停留在现在 j p e m g r 上面。 但如果大家还记得之前 r e 发布的情况，大家会发现，其实那个时候反而是国外的媒体先火，然后再慢慢的影响到我们国内的媒体的。 还有一个非常有意思的现象啊，就是上一次 r e 发布呢，直接导致因为大家的股价掉了接近百分之二十， 但是这两台英伦达的股价好像并没有受到太多的恐慌啊，他们反而是在时隔六个月之后呢，重新突破了五万亿美元的市值。所以啊，可以看得出来，其实大部分呢，还是关心模型的能力到底强不强，或者是说你有没有用便宜的算力 来去训练的模型。在那个官方的技术文档里面，还有一个非常隐藏的细节，可能很多人没有关注到，就是他透露的 他们这个项目里面的这离职人员。就外界之前有很多传闻说 dpca 最近可能团队比较动荡啊，离职率比较高，但实际上统计下来发现呢，真正的离职率算下来可能也只有百分之三点七左右， 可以说离职率还是非常低的。当然我们也不能过分解读这个数据啊，而且这里面确实有非常重磅的一些人物离开，比如说第一代模式的负责人， r 一 的主要作者等等。但其实这也不是特别夸张，因为 呃，了解这个行业的人会发现，其实这两年国内的大模型公司，他的主要负责人几乎是全部都轮换了一遍。好，最后我们来总结一下，其实模型发展的今天啊，其实远远不止模型的参数跑分已经没得深奥那么简单了， 它背后还有一系列的支撑体系，包括工程成本、算力、供应链以及团队的韧性等等。 d p c 这个真的值得大家关注的，也许反而是那些不太热闹，反而有很底层的东西，所以我们不要神话它，也不要唱衰它。 其实一个模型在一定时间之内跟国外的顶级模型有一定的代差，并不是什么大的事情，但一旦一个新的模式跑通了，而且这个模式会对整个产业带来巨大的影响，这个事情反而是值得我们去观察的。
47AI范儿
00:59查看AI文稿AI文稿deepseek v 四吹得神乎其神，什么元神归位，结果呢？不还是个瘸腿的纯文本模型？人家 gpt cloud 都玩多模态了，他倒好，连张截图都看不了，还得用户自己折腾， ocr 效率打折扣不说，这叫哪门子旗舰？ 再说那所谓的百万上下文听着唬人，实际用起来， pro 版延迟比 gpt 五点五慢百分之二十到百分之三十，跟个慢半拍的老古董似的。数学推理更是拉胯， proofbench 才百分之十的得分，跟 gpt 五点四的百分之五十六比，简直是小学生跟大学生的差距，还好意思说逼进闭源上限？ 最可笑的是定价， pro 版输出二十四元每百万 token 看着比币源便宜，可它缺了多模态这块核心拼图，性价比根本无从谈起。开源是开源了，可一点六 t 参数的 pro 版有几个人跑得起？ flash 版又被老用户吐槽不如 v 三点二， 这不就是典型的雷声大雨点小？说白了就是靠着低价加长上下文的噱头割一波韭菜，真要论综合实力，给 cloud opus 提鞋都不配。
410算力炼丹炉
