deepseekv4和v3谁先出的
粉丝2904获赞1.6万
相关视频
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
05:01查看AI文稿AI文稿大部分人把 deepsafe 用错了， v 四版本综合能力现在重回国产第一，今天直接给你出 v 四保姆级教程，先带你看它现在到底强到什么程度。二 零二六年四月二十四号刚发布的 v 四系列，发布仅三天，第三方 super 四 lue 精准实测结果就直接炸场。 pro 版以七十点九八分登顶国产大模型综合榜第一， flash 版以六十八点八二分紧随其后拿下国产第二。 双版本直接包揽了国产榜单的前两名，把一众老牌大模型都甩在了身后。六大核心能力的硬核增幅直接给你摆明白。智能体任务规划能力 七十七点四九分，国产第一，比上一代暴涨二十点八七分，是这次升级最大的杀招，大白话讲就是他能自己拆解任务规划步骤，不用你一步步盯着叫。数学推理能力八十七点三九分，同样登顶国产第一， 硬核数理能力直接拉满，从小学算数到考研高数，没有他解不明白的题。幻觉控制。八十点六八分，国产第三， 仅次于 glm 五和千问三点五，意味着他瞎编乱造的概率极低，给你的答案靠谱度很高。科学推理七十九点二七分，国产第二，仅次于豆包专家模式，专业领域的内容拆解、逻辑推演，他都能精准拿捏代码生成。六十三点二四分，国产第三， 似于 kimi 二点五和豆包专家模式，稳居开源模型里的代码能力第一梯队，开发者和普通职场人都能用精确指令遵循。 三十七点八四分，国产第三，比上一代暴涨十一点八九分，从之前的国产垫底，直接冲进第一梯队，你让他干什么，他就严格按你的要求来，不会跑偏，不会露相，实现了全维度无短板。那这么强的能力， 为什么你用着总觉得不好用？核心原因只有一个，你从跟上就把它的两个模式用反了。很多人用了一年 deepsea， 根本没搞懂哪个模式适合干什么，回头还骂他能力不行，这完全是把屠龙刀拿来切菜了。快速模式运行的是 v 四 flash 版本，主打响应快、成本低，全功能免费无门槛。它适配日常闲聊、简单提问、清亮文本处理、基础信息查询， 用它完全够用。但你要是拿它解高数，做复杂报告、写代码，那肯定会觉得它能力不行，这不是它的问题，是你用错了场景。而专家模式运行的是 v 四 pro 版本，是这次升级的核心杀招。佛有登顶榜单的硬核能力， 全在这个模式里，这才是你真正应该学会使用的方法。下面这三大专属用法，普通人直接照着用，效率拉满十倍。第一个，用它做全场景数学问题解答，学生党，职场人刚需中的刚需。他有着国产第一的数学推理能力， 不管是中小学数理化作业公式推导、大学高数微积分考研考公的数量关系题，还是职场人需要的数据分析、财务核算，他都能精准搞定。他不仅能给你标准答案， 还会拆解每一步解析思路，标注易错点，讲透底层逻辑，甚至给你同类型题的通用解析技巧，比网课老师讲的还细致。给你一个直接就能用的指令模板，我需要你讲解这道题，先给出标准答案， 再一步步拆解解析步骤，标注核心考点和易错点。最后给我三道同类型的练习题，附带答案和解析，直接复制粘贴就能用。第二个，用它的科学推理能力做内容校准， 做自媒体写报告的人，靠它彻底避免翻车。不管是视频内容的技术参数核对、 ai 测评、数据校准， 还是行业报告的深度拆解、数据交叉验证，又或是科普内容的真实性核实，独家细节挖掘，他都能精准排查数据错误，核实内容真实性，挖出同行没注意到的信息差，直接把文案丢给他，说帮我核对这篇文案里的所有数据 错误，给出正确数据和权威来源补充三个差异化独家细节，直接优化出有干货、有爆点的文案。最后给你一个高级玩法，用它的顶级智能体能力搭建你的专属数字员工。很多人到现在都不知道智能体到底是什么， 说白了，他就是把 ai 从你让他干什么他才干什么的被动工具，变成了你告诉他要什么结果他自己想办法干完的 主动执行者。之前你用 ai 做报告，得一步步给指令盯着改，随时纠错，前前后后要折腾十几轮。现在用 deepsea v 四的智能体能力，你只需要定一个最终目标，它会自己拆解任务 规划步骤，调用工具自主纠错，最后直接给你交付成品，全程不用你定 deepsea v 四在闲聊、语音交互、创意文案商品选择上，不如豆包千问顺手。本地部署对新手也有门槛，所以选对场景是你最应该注意的。 最后问你两个问题，你已经用上 deepsea v 四了吗？最让你惊艳的是哪个能力？评论区告诉我！收藏转发这条保姆级教程，下期带你解锁更多 ai 提效的隐藏玩法！
4647灵GO
08:46查看AI文稿AI文稿朋友们，他来了，那个让整个硅谷恨之入骨的中国 ai 公司在沉默了整整十五个月之后，终于放出了大招，四月二十四号啊， deepsea 微四 pro 没有任何的预告，直接炸场。还记得去年二一发布那天吗？因为他股价一天蒸发了六千亿美元。那一波啊，全世界叫他 deepsea 时刻，那一次呢？他要改写的是整个 ai 产业的游戏规则。 先说大家最关心的问题，这个 v 四 pro 到底强在哪？一句话概括，它用只有别人七分之一甚至十分之一的成本，做到了和美国最顶尖模型平起平坐的水平，牛不牛？ 具体啥概念啊？ v 四 pro 总参数量达到了一点六万亿，用的是自家的混合专家架构，每次推理呢，只激活必要的那部分参数。再说数据呢，编程能力上， v 四 pro 直接超过了 g p t 和谷歌的大模型 agent。 编码评测上呢， v 四 pro 拿到了当下所有开源模型里的最高分。 那世界支持层面呢？大幅领先所有的开源模型，仅次于谷歌的大模型。数学竞赛的推理任务呢？ v 四 pro 已经超越了所有公开评测过的开源模型，真正挤进了全球第一梯队。 还有件事特别的关键，这次呢， v 四 pro 全系标配百万 tokin 的 超长上下文，直接把百万字级别的处理能力变成了标配。啥意思？ 那么厚的一本红楼梦，也就是九十多万字，一整本长篇小说，一整套代码仓库一次性喂进去，它都能给你处理的明明白白。还有问题来了，既然这么强，它跟美国最顶尖的模型比，到底还有多大差距？ g p c 可自己说的非常坦诚啊，他们公开承认， v 四 pro 的 某些方面表现呢，小幅超越了 g p t 的 五点二和谷歌的大模型，但整体仍然是落后于 g p t 五点四的模型的大模型，差距大概就是在三到六个月。 但是我们要明白， deepsea 用的芯片是被限制出口的，而且呢，训练成本呢，是国际顶尖大模型的几分之一，但结果呢，追到了只差三到六个月，这哪是差距啊，这简直就是骄傲！而且最狠的是，什么？是定价！听好了， v 四 pro 每百万输入 token 呢，只要一点七四美元，输出呢，只要三点四八美元。 g p t 五点五是多少呢？ 输入要五美元，输出要三十美元，完成同一项任务用 gpt， 可 v 四的成本只有 gpt 五点五的百分之十五，就连一项以实惠著称的谷歌的大模型在它面前都显得很贵。 甚至是最近它们呢还宣布了更激进的降价，输入缓存命中的价格呢，直接降到原来的十分之一。 你以为故事到这就完了吗？真正的猛料还在后面呢。 v 四 pro 这次最让人震撼的不是性能，而是另一个石破天惊的举动，它用的是华为生成的国产芯片。跑起来的朋友们，这才是真正的 deepsea 时代的二点零版。 b 四 pro 呢，把整套系统从之前深度依赖的英伟达生产，整体迁移到了华为生存的架构上，这可不是换一个驱动那么简单，万亿参数的模型，底层的代码调度的逻辑工程体系，全部要重写一遍。 那有人就要问了，那升腾芯片的性能不是还不如英伟达吗？没错啊，但是 deepsea 自己也说了，虽然目前 pro 的 服务吞吐还比较有限，但等今年下半年华为升腾超节点芯片批量上市之后， v 四 pro 的 价格还会大幅下调。 因为他 ceo 黄仁勋自己都坐不住了。他在一次深度访谈里原话说，如果 gpt 可与华为生成芯片深度绑定，并实现规模化落地，这对美国来说将是灾难性的。 这背后则是一个更深层的东西，硅谷在造墙，中国呢，在修路。你看硅谷那边， oppo、 ai、 谷歌全是闭源阵营，模型呢？越做越封闭， 发布节奏呢？完全变成了互相掐架。在中国这边呢， tiffany 微四用的是什么？是开源协议，任何人都可以自由下载和修改。 发布当天就登上了开源模型第一名，紧随其后的第二名是谁呢？是 kimi k 二点六？还是咱们中国科技公司的大模型？两家万亿参数的大模型，前脚后脚发布，不但没有互撕，反而在技术底层上互相协同与引进。这种模式正在形成一个极大可怕的飞轮效应， 开源吸引全球开发者共同迭代优化。然后呢，模型能力快速提升，然后更多企业基于它做商业应用？然后国产芯片的生态越来越完善， 美国想靠芯片封锁来遏制中国 ai 的 发展，结果呢，中国反而走出了一个用国产算力跑国产模型的独立闭环。 那这对产业意味着什么？我告诉你，是一场底层逻辑的颠覆。以前整个 ai 行业呢，信奉的是大力出奇迹，堆更多的 gpu， 花更多的钱，烧更贵的算力。但 deep seek 从 r 一 开始呢，就在干一件事，证明花小钱也能办大事。 现在 v 四 pro 啊，更进一步证明呢，用中国自己的芯片也能办世界级的大事。那带来的连锁反应是什么？第一呢，是 ai 的 门槛被踩碎了，中小企业和创业者以后不用再遥望硅谷那些天价的 api 了， 全世界开发者的热情被彻底的点燃，一个开源、开放、低成本、高效率的中国 ai 生态正在加速生成。 第二呢，是道比特算力产业链的全面爆发。 v 四强不强？强，但它对算力的消耗也大啊，尤其是推理团的 tolkien， 消耗啊，就在指数级增长，模型越强，普及越快，整个产业链上的 ai 芯片、服务器、数据中心，光模块的需求就越大。 第三呢，是商业化的天花板被打开了，第一次的 agent 能力大幅提升，能干的活更多了，智能客服、金融风控、工业研发、药物分子筛选、落地场景一个接一个的被解锁。 讲完了产业逻辑，很多做投资的朋友最关心的一定是资本市场上哪些赛道会真正的受益。首先我要先说一句大实话， a 股上几乎没有任何一家公司是直接控股 deepsea 的， 那些所谓的参股概念，大部分已经被辟谣了。比如说什么华金资本、每日互动、浙江东方都曾发布公告，明确否认存在的股权投资关系。 目前唯一比较确定的间接关联是智联互联啊，通过其持有的基金份额，据说间接持有了 deepsea 的 百分之三点三的权益。但这件事本身也存在不确定性，最真正的机会不在概念炒作。而在产业逻辑上，第一个确定性的最高的主线是华为升腾产业链， deepsea 微四适配华为升腾下半年呢，升腾九五零芯片上市之后，国产芯片势必迎来一播放量， 相关的服务器整机厂商、算力租赁平台以及为升腾生态做配套的软件企业都有望直接受益。 华泰证券的计算机团队也明确的指出，今年国产卡的能力大幅提升与规模化应用可以期待，建议关注升腾链与超节点的主升浪机会。第二呢，是半导体先进、封装技术先进的龙头企业。 第三呢，是算力基础设施，包括 ai 服务器、光模块、数据中心、液冷等领域，因为这是为大模型 ai 训练和推理提供水电煤的。第四呢，是应用层的机会， tiffany 开放生态之后呢，原本煤炭资源大模型的中小企业，现在呢，都能用上一流的模型了。 像办公软件、金融余情、教育辅导这些垂直场景，接入 deepsea 的 能力后，产品体验会明显提升。最后总结一句， deepsea v 四 pro 的 意义远不只是一个模型跑分高了那么几个点， 它的真正价值在于，它证明了脱离硅谷的芯片生态。面对持续的技术封锁，中国 ai 仍然有能力杀尽世界最前沿，并且走出一条截然不同的路， 这条路叫做开源携同，降本增效。用国产算力跑国产模型，它不一定是最快的路，但一定是最踏实的路。就像 deepseaik 官方在发布时说的那句话， 不幼于玉，不孔于匪，率道而行，端然正己，不靠炒作，不追风口，认真做技术，踏实走自己的路，这才是一家硬核科技公司该有的样子。 至于大 a 的 机会，记住一句话，跟着产业链走，别跟着概念走。真正吃到肉的，永远是那些在这个生态里扮演关键角色，有真实技术壁垒的公司，而不是那些蹭概念草预期的标的。
902大宝说行情
00:53查看AI文稿AI文稿大家期待已久的 deep c v 四点一终于要在六月和咱们见面了，这次升级直接补上了之前 v 四预览版只能进行纯文本交流的短版。而且这次的亮点可不只是新增了试听能力那么简单，最重磅的是，它真正具备了实际执行的能力。 v 四点一最核心的优势就是原生支持 m c p 协议，之前的 ai 大 多只能停留在和你对话聊天的阶段，现在的 v 四点一可以直接对接你的数据库、 erp 还有 crm 系统，它能够调用外部数据来操作各类工具， 随手画一张产品的草稿，再随口哼一段旋律。它不光能 get 到你想要表达的情绪和需求，还可以直接产出完整的、可落地的执行方案，甚至能自动调用设计软件输出成品图。现在不同模态的感知不再是各自独立的状态，真正的跨模态写作就此开启。 从只能聊天到能实际完成工作， deepsea 普及的不只是多模态能力，更是找到了 ai 和人类沟通的通用写作语言。
274云罗GEO优化
03:28查看AI文稿AI文稿今天我们来一期 ai 开箱，关于 deepsea v 四，你只需要知道一件事情，它没有炸串行业，但是它重回一线了。如果拿它跟现在最顶尖的闭元模型比，按照它们自己的说法，大概还有三到六个月的差距，差不多追平上一代 oppo 四点五这个位置。 但是放在国产和开元领域，它已经算领先了，跟现在最新的 g l m 五点一和 kimi 二点六这些比。不过这次真正重要的其实不是它强了多少，而是百万上下文 开始从顶配功能变成标配了。这一点其实特别重要，因为以前一百万原身上下纹在国内和开源领域几乎是没有的，像 clark 都得是最高配才给你。但是现在 deepsea 开始把这件事情往下放了， 而且现在已经是 agent 的 时代了， ai 以后拼的已经不只是聊天，而是它能不能一次记住更多的事情，能不能连续完成更复杂的任务。所以长上下文这个东西，其实特别像 ai 时代的基础设施，谁能把它做的便宜做普惠，谁就更容易把 agent 真正推向普通人。 所以你会发现，龙虾现在已经把 deepsea vs flash 当默认模型了。然后第三点，这次价格特别有意思， 表面上看， v 四 pro 的 a p i 好 像比国产其他几家还略贵一些，但是我实际测下来完全不是这回事。同样一个任务， g m 五点一我实测花了五十块钱， v 四 pro 我 只花了十块钱，而且结果还更稳，我问了几个朋友，测出来差不多也是这样。最离谱的是 flash 版本，它根本不像传统的低配模型，很多普通任务里面，它跟 pro 差距非常小，我完全没有发现。后来我切回 pro 重跑，结果差别也不大。 比如这两个结果，你能分出来哪个是 pro， 哪个是 flash 吗？但价格差了十二倍。所以现在如果你只是跑普通的任务， flash 可能已经是性价比最高的选择了。第四点呢，就是这四位词还有一个提升特别明显，就是 a 政策能力 工具调用、办公任务、中文写作代码、数学复杂的推理这一块，他明显在往真正能干活走。所以我其实特别建议大家别只是把他当做聊天的机器人，你最好把他接近自己的工作流，比如龙虾、爱马仕这些 a 阵的工具。而且有个很有意思的现象，国产模型现在其实越来越强了，但在主动调用工具这件事情， 普遍的还是会有些犹豫，他不会主动判断去调用，还得是我手动提醒一下。第五，很多人这次对 deepsea 威斯的期待特别高，希望他全面碾压闭源，改变行业格局，重新震撼世界。但是说实话，这种期待呢，其实不太现实， 因为 ai 这件事情啊，本来就是又难又长又不确定，没有哪个公司能每次发布都四两拨千金。现实不是短剧，真正改变行业格局的，从来都不是某一次的发布会，而是长期持续的一个推进。 但是我觉得真正重要的呢，是中国 ai 整个姿态已经变了，以前大家总觉得我们是在跟，但现在大家都在一起。往下一个阶段探索， 你会发现 deepsea 开始跟国产芯片协同，国内几家 ai 公司也都在互相推进下一步智能的问题，整个行业的气质呢，其实已经不一样了。所以这次 v 四大家体感上可能没有当初 v 三和 r 一 那么炸，但他们做的事情其实没有变，研究继续开放， 技术报告继续公开，模型呢继续开源。整体来说，我还是建议大家去用用。当然，如果你懒得切模型或者根本不用 a 帧的， 其实也不用太疯某，因为现在头部模型之间差距已经没有以前那么夸张了，不会错过一个亿。但有一点我觉得已经越来越明显，国产 ai 呢，不是能不能追上的问题，而是开始有人真正参与定义下一阶段，别忘了点赞和关注，下次见。
09:40查看AI文稿AI文稿deepseek v 四发布了你知道吗？这次发布跟一年多前的 r 一 完全是两个概念。 r 一 那时候简直是个黑马， 用有限的算力资源就震惊了全世界，让 deepseek 从一个默默无闻的研究团队，一夜之间成了中国最知名的 ai 公司。没错，但这次 v 四的意义完全不同。 m i t technology review 给了三个理由说明为什么这个模型比 r e 更重要。我觉得最有意思的是发布时机，二零二六年四月二十四日。这个时间点选的特别讲究。对啊，这可不是随便挑的日子吧。当然不是， 你看它们的准备。首先是架构重写， v 四的注意力机制完全重新设计了，从 v 三点二到 v 四，计算效率提升了将近四倍。 这意味着什么？就是说，同样的任务， v 四用的计算资源只有 v 三点二的四分之一。哇，四倍效率提升，这个数字很惊人啊。还不止这些，他们还在做芯片适配，这是 deepsea 首款针对华为升腾优化的模型芯片适配这个活可不简单， 需要大量时间。而且你要知道，在这期间， deep sea 还经历了一些变动，主要人员离职，模型发布延迟，还要应对中美政府的双重审查。嗯， 听起来确实是挺艰难的。那第二个理由是什么？第二个就是全球竞争节奏。你看现在 ai 巨头们的发布节奏， open ai gpt 五四是二零二六年初， google gemini 三点一是二零二六年三月， deep seek v 四在四月发布。这说明什么？说明它们已经进入了和全球顶级模型同代竞争的节奏，不再是追赶者了。完全正确。 最后一个理由更有意思，产业链协同原文中明确提到， v 四 pro 的 价格可能会在今年下半年华为升腾九百五十超节点大规模出货后进一步下降。哦， 所以它们是先发模型，让开发者和企业提前适配，等国产芯片产能跟上，马上就能实现模型加芯片的完整闭环。正是这样。 这就是为什么我说 v 四不只是一个更强的模型，而是一张中国 ai 从追赶走向自主的完整路线图。说到价格， v 四这个 token 价格真是让人震惊，每百万 token 才一 七十四美元，对普通人来说意味着什么？要理解这个价格的冲击力，我们得先搞明白什么是 token。 其实可以用日常生活中的东西来类比。比如说 openai gpt， 五点四的价格相当于一斤顶级和牛，大概五百块钱。天啊， 一斤和牛就要五百块，那其他模型呢？ anthropoid cloud ops， 四点六差不多是一斤进口牛排三百块钱，其他开源模型大约是一斤国产精品猪肉五十块钱。而 deepsea v 四 pro 呢？ 哼，是三块四毛八一斤的鸡蛋！哈哈，从和牛到鸡蛋，这差距也太大了吧。但这还不是最低的， v 四还有一个版本叫 flash， 更便宜，只要零点二十八美元。一百万 toc 大 约相当于一斤豆腐的价格，零点五块钱。从和牛到豆腐，这价格降幅也太夸张了吧。用鸡蛋、豆腐、猪肉来形容，我算是彻底明白了。 以前用 ai 就 像请米其林大厨做一顿饭，虽然好吃，但钱包真的疼啊。现在用 v 四，就像去食堂打一份家常菜，管饱，而且天天吃得起。但 v 四最大的创新不仅仅是便宜，更重要的是它把百万 token 一 卡车 处理的能力。卡车怎么说？以前的模型就像是三轮车，一次只能拉一百斤货， 想拉一万斤东西怎么办？得跑一百趟，每趟都付起步价。但 v 四是大卡车，一次就能拉一万斤， 不仅不用跑一百趟，美金运费还降到了原来的十分之一。这个比喻太形象了，那具体数据怎么样？算力消耗和内存占用降了多少？算力消耗降到了上一代 v 三点二的百分之二十七，内存占用降到了百分之十， 最终价格降到了十分之一。这种技术进步才是真正革命性的。性能方面呢，便宜归便宜，效果怎么样？性能其实非常强悍。 v 四有两个版本， pro 版和 flash 版。 pro 版适合编程和复杂任务， flash 版更快更便宜。根据内部调查，超过百分之九十的开发者把 v 四 pro 列为编程任务的首选模型之一。那和其他顶级模型比呢？在编程、数学、 stem 问题上， v 四 pro 的 表现足以与全球最顶尖的闭源模型媲美。在开源模型领域，它更是当之无愧的史上最强。 deepsea 自己也公布了与 antropic、 cloud、 opus 四六、 openai、 gpt 五点四、 google gemini 三点一的对比测试都是匹敌的。说到这儿，我有个问题，为什么 v 四要优先适配国产芯片？这背后是不是有什么深意？这个问题问得好， 其实这要从二零二二年开始的美国芯片禁令说起。二零二二年禁止出口 a 幺零零、 h 幺零零这些高端芯片，二零二三年进一步限制阉割版的 h 八零零二零二四到二零二五年还在持续收紧， 涉及到先进制造设备和 e d a 软件。所以，这就是为什么一定要做去英美达化了。对，但这不只是芯片本身的问题。 清华大学刘志远教授指出，英伟达真正的护城河是哭打生态，全球开发者围绕它构建了超过十年的软件工具框架和工作流啊。就是说换一块芯片容易，但整个软件生态都要重建。就是这样， 换成华为升腾，意味着要重新适配模型代码，重建开发工具链，还要证明新系统的稳定性。这不是换一块芯片的问题，是换整个软件生态的问题。那 deep sec 准备好了吗？ v 四已经走出了第一步， 他们在推理阶段已经使用了国产芯片， v 四 pro 的 价格可能会在华为升腾九百五十大规模出货后进一步下降。多位匿名信源表示，中国芯片在推理任务上已经够用， 但在训练任务上仍有差距。不过方向已经明确了，对吧？是的，原文透露了一个关键信号， deepsea 在 v 四预发布阶段，没有给英伟达和 amd 提供早期访问权限，而是优先给了中国芯片厂商。 华为随即宣布，升腾九百五十超节点产品将支持 deepsea v 四，这真是个重要的转折点啊。如果这条路走通了， v 四将成为中国成功构建并行 ai 基础设施的早期标志。没错， 这不仅仅是技术层面的突破，更是产业链协调的典范。华为在做什么？首先是芯片突破，升腾九百五十系列，是当前国产 ai 芯片的旗舰。然后呢？然后是产业链协调。 华为不只是卖芯片，而是提供芯片加服务器加云计算的完整解决方案，超节点产品集成了多颗升腾芯片，专为大模型推理和训练优化。最后一步是什么？第三步是生态构建。华为推出了 c a n 对 标英伟达的 c u d a mindsport 深度学习框架，对标 tensor flow 和 pie torch， 还有华为云提供模型部署和推理服务。如果类比智能手机生态的话，英伟达相当于苹果封闭高性能、高价格，华为加 deepseek 相当于安卓，开放可定制、低成本， 最终目标是让中国 ai 产业链实现自主可控，不再受外部制裁影响。说到自主可控，我们回到文章开头说的，为什么说 v 四比 r 一 更重要？ r 一 是以有限的算力资源震惊全球，而 v 四、 v 四展示的是一条完整的路线图， 它证明了即使在全球芯片管制之下，中国 ai 依然能找到自己的路，不是绕过，而是重建。 这不是一条容易的路，需要时间，需要产业链的每一个环节协调发力，需要开发者的信任和参与。是啊， 但至少我们现在看到了清晰的路线图。从四月二十四日这个精心选择的日子， 到架构重写带来的计算效率提升，从芯片适配到供应链血统，再到 token 价格的平民化，最关键的是，这条路一旦走通，影响的不仅仅是 ai 产业，它会带动整个信息技术产业的变更，让中国在人工智能时代拥有真正的话语权。嗯， ai 的 未来不止属于硅谷，北京、深圳、杭州正在书写自己的篇章。这次的 v 四发布，可能真的会成为中国 ai 产业发展史上的一个重要里程碑。 感谢大家的收听，希望今天的深度解析，能让大家对 deepsea v 四和中国 ai 的 发展有更清晰的认识。
6绿色视界
00:22查看AI文稿AI文稿兄弟们终于知道小米 mimo v 二点五啊和腾讯会员 v 三为啥提前发了，但 deepsea v 四呢，终究还是没有用这个 ingram 啊， v 四采用了这个 mhc 和介子优化器啊，特别是上下文支持一百万呢，算是对行业的又一贡献了。评测那的这个兄弟啊，可以评论区打出来。
496龙哥搞企业AI落地
04:19查看AI文稿AI文稿咱们先来看一个反常识的事情，今天的视频有点长，但我建议你耐心看完。 deep sec v 四全面适配华为升腾芯片，按理说英伟达该跌了吧，结果反手涨了百分之四，市值直接冲回巅峰。 很多人看不懂了，这不是明摆着在分道扬镳吗？为什么还会长呢？今天我给你讲透，用两个你也许没听过的逻辑，把这件事情呢彻底掰开。 先说第一个，经济学里呢，有一个特别反直觉的理论，叫杰文斯辩论。十九世纪，英国人发现一个怪事， 蒸汽机效率越高，英国的煤炭的消耗量不但没降，反而暴增了三倍。逻辑很简单，使用效率一提升，使用门槛就降低。使用门槛一降低，应用场景就大规模爆发，资源总消耗反而不降反升。 你把这套逻辑照搬到今天的 ai 算力市场，你会发现，一模一样的事情正在发生。推理成本砸的越低，跑 ai 的 人就越多。跑 ai 的 人越多，底层算力的总需求反而越来越恐怖。 摩根大通、摩根斯坦利最近都在用这个悖论解释 ai 算力，他们管它叫效率陷阱。这恰好解释了英伟达为什么不跌反涨。 deepsea v 四用华为芯片把推理成本暴降百分之六十。短期看，好像是华为在跟英伟达抢饭碗。但你拉长时间看 v 四一开源，全球开发者蜂拥而入，应用场景指数级爆炸， 整个算力的蛋糕做大了，不是一倍、两倍，而是十倍、一百倍。不管模型最终跑在谁的芯片上， ai 越普及，底层的算力底座就越值钱。 老黄今年在 c e s 上自己都讲过同一句话，他用杰文斯贝论解释为什么 token 消耗量在暴涨，而不是萎缩。他的原话是， ai 的 效率越高，它的使用量就会越大，我们卖出的芯片就会越多。说白了四个字，淘金卖产。 deepsea 和华为是在淘金， ai 应用公司也在淘金，千千万万的开发者还是在淘金？淘金的人越多，卖铲子的人越赚钱，而芯片厂商就是那个不管谁挖到了金子都能躺着收钱的庄家。 但光讲杰文斯辩论是不够的。 v 四发布当天，其股票大涨还有第二个原因，很多人根本就没有注意到。什么原因呢？你看仔细了， deepsea v 四目前没有原声多模态功能，它把文字推理榨干到了极致，但你让它看图，你让它识别语音，搞视频的理解，生成视频，它暂时还不行，这意味着什么呢？ 他和华为的这套组合拳目前是打在了一个赛道里，纯文本推理。而英伟达真正的护城河在哪里呢？比如说在多模态的训练和推理上，像詹姆斯这些多模态的大模型，从训练到部署，整个生态之间牢牢的绑在英伟达的库挡生态上， 纹丝未动。市场的定价逻辑是什么？是预期？一个只覆盖单赛道的威胁，远远没有让英伟达达到伤筋动骨的程度， 华尔街那帮人精明的很， v 四牛是真的牛，但你说他已经掀翻了英伟达的桌子吗？我们还至少差一个多模态的一个距离，但从我本人的观点来看，离推翻他的桌子就像多米诺骨牌一样，迟早会推翻。 所以这两者一结合，你就看懂了。杰文斯辩论说，效率越高，算力的总盘子越大，芯片厂商反而长期受益。 郭沫泰的短板说，今天的威胁只是局部的，不是全局的，恐慌还有点早。两个逻辑一叠加， v 四发布当天会出现这样的情况，其实也是并不意外。那么，普通人怎么看懂这波 ai 的 浪潮，怎么在这里边找到自己的位置呢？ 四月二十八号晚上八点十六分，来我的直播间，我讲讲。无论你是七岁的小朋友，还是七十岁的老人，我让你零门槛，不用学，也能用上先进的 ai 生产线工具， 我保证你能听得懂，用得上。点个预约，咱们直播间见，我是明哥，不见不散哦！
647明哥讲AI
02:09查看AI文稿AI文稿呃， deepsea 微四今天上架了专家模式，在网页端和 app 端都可以看得到，然后很多人说这个专家模式非常屌，就是脚踢 gpt， 拳打 cloud， 所以 我就好奇试了一下，然后我发现跑出来的结果可能没我想象中的那么好。 当然很多人会说，这个 deepsea v 四本来是在会度测试啊，然后那他跑了这个 svg 图，我觉得 svg 图它是没办法跑，比得过这个 gpt 还有 java 的 svg 图的。就是我简单的试了一下，呃，包括简单的提示词，复杂的提示词我都试了。 然后另外我想说的就是，截止今天，我不知道梁文峰会不会后悔，因为国内的开源大模型 mini max， 智谱，包括将来要上市的 kimi， 包括今月星辰，他们的有些市值已经上千亿了，对吧？大家也看到这个 mini max 和智谱。 呃，如果 deepsea 当时选择做成一个上市公司，我不知道会不会更好，它能不能享受到更多的资源，然后 deepsea 会不会进步的更快？ 但显然我觉得如果 deepsea 没有商业化，可能会有一些资源没有那么好。 呃，也可能。当然我我不否认梁文峰是一个纯粹的人，我只是今天在想，如果 deepsea 商业化，会不会他做的会更好，或者是他的技术会更强？ 呃，这都是不可而知的嘛，因为今天大家都知道 mini max。 呃，这个质朴，包括那个几月星辰，包括阿力的千问，再包括各家很多的模型，包括小米的 mimo， 对 吧？呃，包括 mimo 那 个主要的负责人罗浮丽也是从这个 deepsea 跳槽到小米的。 如果，假设，假设，可能这个 deepsea 商业化了，然后能给到这种研究人员更好的薪酬，会不会 deepsea 今天会不一样？或者是 deepsea 微四今天会不一样？嗯，可能会更好吧。就是我的一种假设嘛。
484MindPeak
05:44查看AI文稿AI文稿已久的 deep six v 四，他终于来了！从去年 v 三爆火之后，关于 v 四的传言就没停过，万亿参数，百万上下文，彻底换掉英伟达国产芯片底层适配代码能力吊打全球旗舰。这些网传的神奇升级到底是真是假？本次官方发布的 v 四到底有哪些实打实的升级？ 实际体验下来，他能不能打得过 cloud、 量子这些海外顶流？本期视频我们从官方升级拆解到多移动横向实测，带你一次性把 deepsea v 四发的明明白白。 首先我们来系统拆解一下 deepsea v 四官方发布的几大核心升级，每一个都精准命中了当前大模型的核心痛点，也彻底拉开了和上一代的产品差距。第一个也是最核心的战略级升级，全链路国产算力深度适配，实现真正的自主可控。 这不是简单的兼容运行，而是从算子变器、底层代码训练框架到推理管线全流程，和华为升腾芯片做了联合优化。行业里之前的模型都是先给英伟达做优化，国产芯片只是能用，而 v 四直接把国产芯片当成了主力，英伟达反而成了备选。 第二个全新架构加万亿参数微模，实现能力与效率的双重突破。 v 四采用了全新的 mhc 架构， 最高可扩展至万亿参数，对比 v 三的六百七十一亿总参数直接是量级的飞跃。但最厉害的不是参数堆料，而是它的稀疏激活技术，把活跃参数控制在和 v 三的三十六倍参数相持平的水准。 这就相当于你用一辆家用车的油耗开出了超跑的动力，在保证推理延迟和 v 三相近的前提下，模型的知识储备、推理能力、复杂任务处理能力都实现了质的飞跃。 第三，百万透坑超长上下文搭配全新记忆机制，百万上下文窗口，不只是数字的提升，更是应用场景的彻底拓展，直接可以把一整个企业级代码库、十几篇长篇小说一次性喂进去，实现跨文件、跨章节、跨领域的深度关联分析。 第五个，极致性价比延续，成本粉碎机再升级， deepsea 能火遍全球，极致的性价比是核心原因之一，而 v 四在能力全面跃升的同时， 依然延续了这个核心优势。官方明确 v 四会保留前缀自动缓存机制，缓存命中后价格直接下降百分之九十。对比海外旗舰模型， cloud code 是 每百万输入头肯五美元， gpt 五是二点五美元，而 v 四定价在零点一四美元，成本差距达到了十几倍甚至二十倍。讲完了官方的升级，相信大家最关心的还是说的这么厉害，实际用起来到底怎么样？接下来我们就进入实测环节， 逻辑推理能力是大模型的大脑核心，也是 g p t 长期以来的标杆级优势项。这一轮测试，我们直接对标 check g p t。 第一个场景，我们准备了全网爆火的三个盒子标签错题， 三个盒子分别装着苹果、橘子混合水果，所有的盒子标签全贴错了，只能从其中一个盒子里拿一个水果。要确定所有盒子的真实内容， 首先看一下 gpt 回答的结果，答案没问题，推理过程采用的是排除法，加分情况讨论结尾有总结也有拓展，效果不错。接下来我们看看 deep six 的 表现。首先，它具有深度思考过程，答案同样没问题。它的正文推理采用了三步走的拆解法。 这一轮测试下来，我认为两者打了个平手。文案生成是绝大多数人用大模型最高频的功能，也是最考验模型本土化、语境理解、用户情绪拿捏和细分场景适配能力的核心项。 这一轮测试，我们对标国内文案创作顶流豆包，全程盲测，完全相同的提示词，只看最终成品的效果如何。 第一个场景，爆款口播文案生成，我们给出的需求是写一条一分钟的家居好物。口播文案产品是可折叠恒温泡脚桶，目标受众是二十五到三十五岁的上班族，要有沟子，有痛点， 卖点，有行动指令，口语化不生硬。首先看一下豆包写出的文案，结构比较完整，拿来改改就可以直接用了。在开头还有镜头说明，还有一些细节，比如说袜子勒出一圈印等。但是每句话的末尾给我的感觉还是稍微有些许 ai 浮夸的感觉。看下 v 四的效果， 钩子稍微有些长，动作指导没有豆包的给的多，文案给我的感觉也略有些浮夸。 博博文案这个场景，我个人认为豆包是强于 tip 四。 v 四的第二个场景，节日走心祝福文案，我们给出的需求是春节给领导发祝福文案要真诚，不油腻，不群发，不拍马屁。能让领导记住分两条，一条给直属领导，一条给公司大领导。 看一下豆包生成的文案整体偏通用模板，但对直属领导和大领导的称呼上做了区分，如果直接使用的话，还需要结合自身情况以及所属行业在优化下。 再来看一下 deepsea v 四的效果，称呼也做了区分，细节更多在给大领导的文案中还接受了自己的所属部门。最后还有温馨小提示，对比下来，我认为这个场景 deepsea v 四更优于豆包 代码能力。这一轮测试，我们对标 q 丁界顶流 cloud， 用一句话生成可运行的 html 格式化页面。先看一下 cloud 生成的效果，背景符合预期，鼠标旋停旋转暂停效果有些问题，图片内容和效果有时也会出现不一致的情况。 再看一下 v 四生成的背景没有问题，鼠标旋停也没有问题，图片缩略和点击也出现了不一致的情况。 这一轮代码能力测下来，虽然都不完美，但是相比来说，我个人认为 deepsea 效果更好些，原因是 cloud 的 那个旋停 效果不太好。好了，所有维度和场景的测试全部结束。看到这，大家对 deepsea 微思的能力已经有了初步的判断，欢迎把你的感受打在评论区，本期视频就到这里，咱们下期见。
70超懂 1024
02:20查看AI文稿AI文稿大家好，今天来做一个 deep seek 呢。首先我们先打开任意一个浏览器，进入 deep seek 开放平台， 然后接下来登录， 我们首先先给它充值，在这里自定义价格都是可以的。然后 首先我们创建一个 epic， 这里随便输入任意名都可以，这里复制关闭。接下来进入第二步，选择一个 app， 可以 选择 chatbox 或者 cherry store， 我 们进入 cherry store 哦。 模型服务商使用深度求索起用 api 服务输入 api 密钥粘贴导入 获取并添加模型， 然后记得切换一下模型。 接下来叉 box 也是相同的流程， 模型提供方， deep seek 输入密钥获取模型。
6758是妖精口牙
04:38查看AI文稿AI文稿各位网文作者们，你们催更的对比视频又来了，前两天呢，我发了一个视频，对比了我们新出的 deepsea 微四和我们的细腻版本到底谁更香， 结果评论区里直接就炸了，好多朋友都在刷氛围版呢，氛围版也很好用。今天呢，我们就来对比一下我们的新宠 deepsea 微四和我们的写作王者 氛围版的写作风格，并且还有整理好的 deepsea v 四注意的使用文档以及避坑要害，想要的朋友们可以点赞评论区留言。我们都知道 deepsea v 四写作的逻辑很严密，剧情不崩， 而且擅长构建清晰的故事框架，角色卡和世界观，适合长篇小说后期的稳定发展。而且大缸和细缸的能力很突出，优势就在于它可以处理超长的上下文， 适合多线的叙述和大量的伏笔。既然他写角色卡的能力很突出，我们今天就来看一下用 deepsea 微四写出来的角色卡以及他的写作正文文风和我们的氛围版到底有什么不同。 我们在这里呢找到我们的创作工具箱，里面有一个人设生成器模型呢，选择 deepsea 微四，我们就拿末日丧尸题材来说，写一个女主重生后自带系统，而且我给了他第一二张的大纲，让我们来看一下他的生成效果。 很快啊，女主和女二的基本信息都已经出来了，而且还有我们的人物目标和人物湖光，甚至连女主的天赋技能以及口头禅都已经整理好了，我们复制到我们的备忘录里面，方便我们以后的使用。就拿我写了一半的末日文来说吧， 首先呢就要创建我们的角色，在这里找到我们的角色库，把我们刚才复制的内容在这里一键识别。第一个呢就是要测我们的 deepsea v 四的写作能力，我们 ai 模型选择我们的 deepsea v 四版本选择的是末日丧尸选择我们要出场的角色卡， 刚才我们已经建立了，这样非常方便。本章剧情呢，就输入我们的第一章的大纲提示词，选择已完成新老师的我们一键生成。你们看生成速度也是很快啊，看一下他给我们生成的内容，开头就是一个紧张刺激的环节，直接是交代了人物时间和背景， 而且后面的剧情一点也没有拖拉，非常的细节。哦，这里呢还会提示，我们到这里就已经写到了两千字了，这是系统更新了一个新功能啊，很贴心。整体看下来剧情也是非常的紧密， 跟我们的大纲内容完全是非常符合的。但是我们看一下他的文风，非常的简洁，基本上没有什么人物的心理描写，就只是简单对话和推动剧情的文字，并没有什么代入感。你看那你路上小心 顾寒清挂断电话就非常的简洁，感觉就像是在机械写作一样，给我的整体感觉没有什么代入感，我只是一个第三视角看故事的人，而且写作的文风还是比较 ai 机械的， 整体读下来的感受就是为了推动剧情而去推动剧情，少了一些对人物的形象刻画， 而且结尾的钩子感觉留的也不是很好，观众看到这里应该就已经走掉了，但是如果你要是写简约风，剧情不拖沓的文风还是比较合适的，像这类风格的网文作者可以选择我们的 deepsea 微四。 好了，接下来呢，就看我们的写作王者氛围版本依旧是故事题材，角色卡和本章内容，这些我都没有动，我们来看一下它的生成效果。哇塞，单看开头就已经看出来，文风确实是相差很大了， 时间、地点、人物都已经交代了，而且还有详细的细节描写和人物的心理描写，你们看他说话时的动作描写以及心理描写，文风非常的细腻啊。不同于 deepsea 微四的就是他的文风很细腻，交代的事情也很完整，而且在读的时候很有代入感， 脑海里就直接浮现了他们的动作神态以及紧张的氛围。结尾的这个沟字留的也是比较好的，叫人有想读下去的冲动，而且生成的字数也要比 deepsea v 四生成字数要多。总结来说呢， deepsea 偏简约风，文笔风格一般是偏直白和机械， 少的心理描写和细节的刻画，但是它的节奏快，剧情也是不拖沓，适合纯推动剧情。虽然代入感弱，结尾的勾也不是很吸引人，但是如果你要是写文风比较简洁的作者，可以去使用我们的 deep sake。 而氛围版的文风是比较细腻的，人物的动作、神态、心理活动都很到位，而且给人的画面感很强，让人读起来非常有沉浸感， 结尾的悬念也留的非常好，能够勾住读者继续往下写。简单来说呢，如果你要是写快节奏和剧情爽的，可以选择我们的 deepsea， 文笔要细腻且注重带入感的可以选择我们的氛围版。想要同款创作工具的可以点赞关注，私信我即可。
99星月小丸子🍡
13:39查看AI文稿AI文稿大家好，距离 deepsea v 四也已经发布了有一两个月的时间了呃，它的指标也逼近了各种币源的模型，最关键它还很便宜呃，今天我们来看一下它的前身 deepsea v 三的三大创新点。呃，这三大创新点在后续的 v 四中也基本都有沿用。 首先是 m l a 多头潜在注意机制，这个改进指在减少 k v cash 所占用的选占用的选存。 然后在 mo 一 架构中， deepsea 和 v 三采取了没有负荷均衡损失的改良和加上剧烈均衡损失。传统的 mo 一 架构需要给模型一个负荷均衡均衡的惩罚 啊，来防止所有的 token 都只选择一个热门的专家，因为专家容量有限，这专家满了以后就会导致 token 丢失的问题，但这样做的成本比较高啊。 deepsea 把这把这个部分进行了改进，在 v 三的 technical report 的 后面的实验部分也提到了 在训练的过程中没有出现 token 丢失的情况。然后第三个改良是 mtp， 也就是多 token 预测，这的 mtp 架构主要运用在训练阶段和后续的退缩减码部分。 好，我们来详细看一下。首先我们看到 m l a m l a 其实很简单，就是把我们之前所计算 q k v 的 矩阵改成了，首先把一个隐藏状态进行一个低维的投影，投影到一个短向量，然后我们只用存这个短向量就行了，当然是 k 和 v 才能存啊。 然后再把这个短向量进行一个上投影，我们升为以后的 k v 向量就是我们在正常的多头注意力集市中 所得到的 k v 向量了，然后按照剪的头的数量来进行一个切分，这样我们在后续的自回位过程中就不需要存上每个 token 的 整个 k v 向量，只用存这个 letton 就 行了。其实本质上就是把 k v 的 权重矩阵 w k 和 w v 进行了一个拆分 啊，这个地方先降维再升维，而这两个过程组合起来就是原来的直接乘以 w k 或者 w， 然后这里计算 q 也是采用了同样的方法。然后我们有一点要注意的是， 它的位置编码和传统的多了注意力机制不太一样，传统的位置编码是在这个位置直接给它们进行编码，而对于 kvma 的 做法是 直接对经过 inbin 层以后的隐藏状态进行一个改变维度的投影，然后再对这个投影本身进行一个位置编码，然后得到位置密码，就是我们需要额外存下来的部分，然后把它这个地方 按照每个头拼接在原来的域域域域向量的后面。这里我们引出第一个问题就是为什么我们不直接在我们要存在这个潜在空间向量里 进行一个位置编码呢？第一个原因是 v 是 不需要位置编码的，我们在这个地方进行位置编码以后就会污染 v 的 信息。第二原因是我们知道位置编码主要是 来计算 q 和 k 之间的相对位置关系，这个位置关系不能被污染，所以我们一定要在位置关系的前一步直接进行一个位置编码， 如果在这里进行位置编码的话，这里还要进行一步矩阵处理。然后第二个问题就是我们可能可以观察到这里 q 也是把 rope 后的位置向量直接拼接在鱼向量后面，但是这里的 q 的 rope 处理的是这个潜在鱼向量，而不是直接处理这个隐藏状态 啊，这一点网上很多人都没有说到啊。我理解这里的原因就是因为每一个 token k 都要存下来，并且每次计算注意力权重的时候都要用到所有 token k， 所以 这个地方的 r、 o p 是 要存下来的。它这里直接从隐藏状态来进行未知编码，不会造成大量的信息丢失。而我们的 q 不 存，只用计算一次， 所以这个地方可以省一点投影成本。因为我们的潜在鱼限量的尾数是远小于检测头数乘以每个检测头的维度的，所以在这两步编码之前， 这两个向量都要被投影到一个相同的维度，也就是相同长度的向量上去。嗯，它短一点，投影成本就会少一点。接下来我们看一下公式，这个公式其实很简单啊，呃，这里的第一个 w 就是 一个 k v 共用的 w， 也就是这个地方 这样说，计算出 c 以后，呃 c 用不同的 k v 矩阵来处理，并且用减的头进行一个切分。 我们这里可以看到，就像我刚才说的，呃，这个共同的矩阵来乘以 k 的 矩阵，或者来乘以 v 的 矩阵，就等于我们之前传统的做法中的 k 和 v 的 矩阵，只不过把它拆成了降维和升维两步，这也就是直接对隐藏状态做一个旋转位编码，然后把它拼接在刚才计算出的 羽翼的向量后面。然后这里因为是把位置编码直接拼在羽翼向量后面了，所以这个方的标准化要把两边也就是羽翼和位置的 呃向量长度都加上，然后经过一个 soft max 处理以后得到一个，得到一个注意力权重矩阵，然后再处理，然后再处理 v， 我 们就会得到对这个陀刻每个检测头的隐藏状态，然后这里的 q 也是一样的， 只不过唯一的区别就是它的旋转位编码处理的是啊，这个隐藏的潜在向量，这就是整个 m l 的 架构。我们还要注意一点，就是 d c v 三，它是一个啊 decore only 的 架构啊，如果分不清楚 decore only 和 encode 了 decore 的 可以看我们往期的视频。然后这个地方的标准化也会有点不一样 啊，不是我们传统的 layer norm， 我 知道 layer norm 是 做 decore 标准化，也就是减均值，然后再除以标准差， 这个地方的 rms 我 们是直接除一个均方根，它的计算成本会更低。然后接下来我们看到这个乾坤网络啊，这个乾坤网络就是用的 mo 一 的专家架构，它的本质就是用多个善于处理当前输入陀刻的专家， 也就是不同也就是不同参数的乾坤网络来处理这个向量啊。专家分为这个共享专家和路由专家两种，共享专家就是不管你输入什么陀刻，他都会经过这几个分支， 然后路由专家就是选出 topk 个，嗯，跟这个 topk 最相关，最善于处理这个 topk 的 专家， 例如这个 topk 点三的话，那就是选出三个和这个 topk 最相关的专家，然后来处理，最后我们把不同专家处理的结果加在一起，也是像这个公式一样，本身的输入也就是残渣连接啊，这个残渣连接在第四个 v 四里面会有一个改进啊，这个后面我们有时间再单独出技术。 然后这个地方是共享专家的呃，雷家，这个地方是呃路由专家的雷家，当然路由专家也是要乘以权重的，这个权重怎么计算呢？我们先来 往下面说。首先第一步，我们看到这里的亲合力分数，我们每一个路由专家都会有一个可训练的中心向量，然后这个这个中心向量 点击输入的 u t 就是 呃输入的隐藏状态。以后我们进行一个 sigma 的， 把它转换成概率分布，那我们就会得到每个专家的亲和率分数。对于对于当前这个 top， 这里的 n r 指的是路由专家数量， k r 指的是呃，我们每个 top 要选举几个路由专家， 例如这个地方的 k 是 三啊，路由专家是十个，那么 j 就是 从一取到十，例如 i 从一到十，这十个专家的亲和率分数分别是，呃， 零点九，零点零五、零点零一。后面我就不写了，假如它们三个最大，那这一块它就等于这三个，然后 s i t 是 亲和力分数，属于这三个的亲和力分数就等于它自己，也就是零点九、零点零五和零点零一就等于它自己。 然后其他后面的更小的清理分数就直接取零，这样就得到了 g i， 我 们得到了这三个 g i t， 在 这个地方再做一个标准化，从而得到对于当前这个 token 来说的这个值。当然这是传统 mo 一 的做法，传统 mo 一 在训练的时候会对热门的专家进行一个惩罚，防止这个路由专家太流行了。 然后我们 d o c v 三的做法在这里加一个偏置。我们知道训练的颗粒度是从 token 开始的啊 token， 然后多个 token 组成一个样本，也就是一个训练， 然后多个训练再组成一个 batch， 也就是一个 step， 然后最后是一整个一整个 epec。 每个 batch 训练完以后都会进行一个呃参数的更新，它这个地方把呃载均衡转换成了转换成了这个偏置。在每一个 batch 前向传播完以后，都会进行一个计算，计算什么呢？就是计算每个专家的热门程度，也就是它被选中次数过于热门的专家就会减小这个 bios， 冷门专家就会增大这个 bios。 例如还是以上面的例子为例，假如零点九太热门了，可能它的 bios 直接就会给你减零点八，它就变成零点一了。 而零点零五如果太冷门的话，呃它可能就会直接给你加一个零点一，就会变成零点一五了。在我们后面后续选择 topk 一个呃路由专家的过程中，有可能零点一就会被淘汰。当然我们这个地方的呃选择条件是通过 啊亲和度，亲和度分数加上偏置来选择的，也就是选择这个零点一和零点一五，但是我们最后得到的这个 g i t 还是按零点九和零点零五来算。我们这里可以看到 b i c 中的专家平衡以后哦，我们每个样本就是每个系列中的专家还进行一个平衡，这个地方我们就会用到传统的负债损失， 也就是这个位置，这个损失是每个序列都会算一次，然后在呃一个拜喜结束的时候加在一起，然后一起进入反传，主要是 fi 和 pi 的 乘积累加在一起的，这个 fi 和 pi 什么意思呢？ 呃，首先我们来看到 pi 就是 一个序列中呃所有托肯对当前这个专家的亲和力分数的一个均值，通俗的来说就是这个序列有 多喜欢这个 i 专家，也是想选这个 i 专家的意愿是什么？然后这里的 s 也是通过上面呃计算了，计算了概率分布以后得来的，如果 pi 代表意愿，那这个地方的 fi 代表就是实际的，那就是整个序列对 i 专家实际的选择频度，因为我们这个惩罚是要惩罚，嗯，整个序列的托肯对这个专家的选择意愿也很强，然后实际的选择也很多的专家。让我们来看一下这边的 fi 怎么算的。首先， 嗯， n r 是 作为分子， k r 是 作为分母， k r。 我 们知道假如我们每个 token 选三个专家，然后这里的 n r 是 呃路由专家的数量，路由专家假如是十个，那就是每个专家在一个序列的单个 token 中，他会被选择十分之三次平均下来。然后如果我们再乘以一个 t， 那就是在整个序列的所有头根中，该专家一共会平均下来会应该被选择多少次。然后我们可以观察到这个地方就是下面这个数的一个导数，然后这里的一是一个指示函数，单个头肯如果选择了 i 专家，那这个专家 那就得一分，如果没有选择就得零分，最后把总，最后把总的分数加起来，也就是单个头肯选择了 i 专家的次数，然后把它还是累加起来， 这样就会得到整个系列选择这个专家次数，然后除以啊整个系列应该选择这个专家的次数，也就是这个地方其实也是做了一个标准化，然后我们得到的 fi 乘以 pi 就 能反映出一个专家的热门程度了，每个专家的损失给他累加起来，就最后得到 一个系列的总损失，这个这个这个损失越大，也就代表着也就代表着负债越不均衡。最后我们来看一下他的 m t p 架构，这是一个宏观架构，我们可以看到呃主模型的 呃解码器在这个位置在训练的时候，假如我们输入一个训练是包含四个 token 的， 在正常传输输入架构中，在四个 token 就 会呃一一的依次预测他们的下一个 token。 而在 m t p 中，我们就想要模型掌握呃一个 token 能预测他的下一个 token， 下下个 token， 下下下个 token 的能力，也就是让他更好的 理解上下文。我们怎么做呢？首先我们正常把 token 输入主输入主模型，例如这个地方我们输入 t 一， 我们得到的 h 一 就是用来预测 t 二的，我们把训练理疗中的 t 二经过干预层以后，和 t 和 h 一 起 经过 rms 归一化以后进行一个合并，然后进行一个渐近的投影，再经过 transform 层，我们就会得到一个 he 一 撇，这个地方的 he 一 撇包含了原来的第一个头肯的隐藏状态和第二个头肯的信息，我们用它来预测第三个头肯后面以此类推。再一个就是我们可以看到这个地方的例如 t 四， 他被预测了三次，这三层每一层都与真实的 t 四呃做一个，我们这也可以看到呃交叉伤的损失，也就是说他被自监督了三次，这样的信息密度是更高的， 训练出来的模型是更优秀的。然后我们这也看到呃检测头，也就是 alt flip head 和这里的迭层都是和主模型共享的，所以这里的损失呃经过了 alt flip head， 然后 m t p 层的注意力机制， 然后这里的渐隐投影参数，这里的归一化参数，还有主模型的 transformer block， 也就是这些地方的参数都会被更新。在推理的时候，我们的主模型是可以不要后面的 m t p 的 部分的， 我们就用这个地方训练好的一个解码器的部分，然后我们给推测解码的小模型用上 m t p 架构，这样大大增加了模型的推理效率，它原理就是 m t p 架构的模型来负责生成，例如这方输入 t 一， 然后我们这个地方的 t 二做一个预测，以后 把 t 二输入掩盖里层，和之前 t 一 算出来的隐藏状态 h e 一 起放入 m t p 的 第一层来预测一个 t 三，后面以此类推。而主模型只是起到一个验证作用就行了，而我们知道验证它是可以并行的，不用像次回归一样一个个的生成串行的话，它的效率就会很低。具体怎么并行呢？我们就把 小模型就是 mtb 输出的 t 二， t 三、 t 四一起喂给大模型，大模型只用负责验证就好了，也就是大模型用 t 一 来预测出 t 二，然后来对比小模型预测出的 t 二，看它正不正确， 然后我们用，然后我们大模型用小模型刚才预测出来的 t 二来预测 t 三来看有多大概率小模型正确的， 然后再用小模型刚才输出的 t 三来预测 t 四，以此类推。这些步骤同时进行以后，大模型就确认小模型生成正确的部分，并且替换掉小模型生成错误的部分，这个就是 m t p 在 推测解码中的应用，谢谢大家。
97凤梨星冰乐
04:43查看AI文稿AI文稿deepsea v 四发布之后呢？我后台收到最多的问题就是老师们最关心的 deepsea v 四到底怎么样？所以今天我就来集中回答一下关于 deepsea v 四老师们最关心的六个问题。第一个， v 四到底强不强？这么说吧， 在开源模型里， v 四已经是妥妥的第一梯队，兵程能力超越了，瘦了四点五，数学和竞赛 代码直接超越所有已公开评测的开源模型，不是最炸的那个，但足够实用， 足够便宜。第二，为什么没有 r 二了？因为 v 三点一开始， tipsix 就 改成了混合模型架构， r 一 和 v 三已经合并了，所以 r 二这个命名意义不大了， 就像 openai 的 o 三也合并到了 gpt 五里面。第三个，为什么识图模式要拆开发布呢？就在今天， deepseek 悄悄归度测试了识图模式。很多人问我，既然 v 四要上多模态，为什么 发布的时候不一起发呢？我的分析是，这不是低调，而是产品节奏控制。 v 四发布那天，信息量已经够大了，华为深腾首发百万上下文， 价格屠夫。如果识图功能一起发，信息会被稀释掉。最重要的是时间节点，五一假期前辉度测试，用户有时间体验和发酵。说白了， deepsea 把一个大新闻拆成几个波次，让热度持续更久。而且这次识图模式不是简单的 ocr， 是 真正的多模态图像理解，有网友形容，响应速度快如闪电。多模态来了。第四个，价格呢？ deepsea 连续三天悄悄更新了 api 文档，四月二十六日， deepsea 官宣 v 四 pro 的 api 限时二点五折优惠，截止五月五日，四月二十七日 digic 官宣，全系列 api 输入缓存命中的价格占至原来的十分之一。 四月二十八日又官宣 v 四 pro 的 限时二点五折优惠延长至五月三十一日。所以现在的价格是百万 token 输入缓存命中只要零点零二五元，输入缓存未命中 三元，输出六元，原来二十四块的输出费用，现在只要六块钱。 deepseek 真的 把价格屠夫刻进了 dna 里了，不知道大家注意到没，官方定价界面 底部藏了一行小字等。华为升腾九五零超节点下半年批量上市后， pro 的 价格会大幅下调，难猜 这次限时二点五折的价格就是将来华为升腾九五零超节点批量上市后的定价，官方在帮我们提前试水呢，哈哈。第五个，怎么用？ 我的推荐是这样的，如果你做内容创作，写文案、教案、课间讲稿， 那直接用 deepsea 官网就行，没必要折腾 a p i。 如果你做编程开发、数据分析，那么用 cloud code 加 v 四 pro 是 目前性价比最高的组合之一。第六个，对咱教师群体来说， v 四能帮我们干什么？说实话，百万上下文能力对教师特别友好，教案、课间 教学、论文、学生作业分析，以前要分段位给 ai， 现在直接塞进去，他能记住前后所有内容，而且现在识图功能也微度测试了。你想想， 以前处理学生作业分析只能把文字敲进去，现在直接拍照丢给他。手写作文、数学试卷、实验报告、 思维导图， ai 直接帮你读图分析。给建议，百万上下文负责理解长文本 识图功能，负责看懂图片，两个能力一叠加才是完整的 ai 注角体验，省时间才是真正的生产力。下节视频我来说说 v 四百万上下文背后的四个核心技术，如果有用的话，点个关注，我们下期见。
56小书生搭大系统
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
