全部动态
MoE 推理部署的人可以看看，DeepSeek-V4 和 GLM-5.3 上实测 TTFT 快了近一半，思路是让专家计算别干等慢副本。
一个 7B 模型在 CUDA 上干过 Claude-4.5-Sonnet，靠的是两个小模型互相出题互相训练，生成 GPU kernel 的可以看看这套思路。
模拟电路版 SWE-bench 来了：50 个真实设计任务，15 种智能体跑 2250 次实验，DeepSeek V4 Pro 靠参考拓扑涨了 18.7 个点。
给符号回归套了个专用运行框架，同样的 DeepSeek 底座准确率从 62% 拉到 94%，还超过了 Codex，做 AI for Science 的可以看看。
把人类技能攻略变成训练环境喂给模型，微调后 35B 小模型在 SkillsBench 上跑赢了 Claude Sonnet 4.6，方法思路挺有意思。
把 LLM 当遗传算法的调参师用，8 个控制案例全部跑通，成本才 $0.002 一次，做控制或自动化的朋友可以看看这套架构。
这篇论文造了个诊断集，专门测长上下文模型“找到了但没用上”的问题，DeepSeek 两个模型都被测出检索满分但解读掉分，做长文本评测的可以看看。
越南 PDPD 合规催生的实用论文：本地跑 Qwen3.5-27B 配混合 RAG，效果追平云端 DeepSeek-V4-Flash，还公开了越南语 RoPA 基准。
这篇论文造了个很较真的基准：不看智能体能不能把指标刷上去，只看它交付的模型到底行不行，连"训练了但没学到东西"这种静默失败都能抓住，四个前沿模型全被拉出来和人类工程师对比。
把 token 当粒子建模，还拿 Kimi-K3 和 DeepSeek-V4-Flash 实测验证，讲清稀疏注意力为啥省算力还不丢效果。
想了解游戏开发中 AI 生成软件的性能？这个新基准测试集 GameASG-Bench 很有用，它有 47 个具体任务和详细的实验数据，能帮你判断不同模型的效果。
朋友发了这个新基准数据集，专门用来测试模型在生物物理领域的科学推理能力，比之前的基准更复杂，能看出不同模型在这个专业领域的真实水平。
DeepSeek 新出的 V4.1-Flash 模型，KV 缓存占用比之前版本小很多，适合做长上下文对话，比如百万级文本的对话，而且性能还更好。
DeepSeek 的工程师们优化了他们的 V4-Flash 模型，让它跑在 AMD 的 GPU 上更快了，解码速度提升明显。