跳转到内容
主站 新闻 控制台

[AINews] 今日无大事

· Latent Space
播客深度访谈

祝贺 DeepSeek V4.1 Flash 1017、MiniMax M3.1 Flash 和 Mercury 3(详情见下文),不过它们目前暂时还不会得到极广泛的应用。

我们开始公布 AIE CODE 的演讲嘉宾阵容了,如果你还没有申请参加旧金山筛选门槛最高的顶尖 Agent 工程师盛会(也是 2025 年**最受欢迎的 AIE 直播形式**),现在就该行动了!

AI Twitter 汇总

DeepSeek V4.1 Flash 1017 成为开放权重性价比之王

  • 发布与规格:Artificial Analysis 将 DeepSeek V4.1 Flash 1017 列为总参数 552B / 激活参数 16B 的 MoE 模型,具备 1M token 上下文窗口,采用 MIT 许可证(AA)。
    • 定价:高峰期输入/输出每百万 token 保持 0.30 美元 / 1.20 美元不变。非高峰期价格减半,缓存命中(cache hits)费用为每百万 token 0.006 美元。
    • 可用性:可通过 DeepSeek 官方 API、Fireworks、Baseten、DeepInfra、Cloudflare 和 Together 调用。
    • 训练说明:Together 表示,DeepSeek 采用自我反馈强化学习(self-feedback RL)对该更新版本进行了训练,用于从零构建完整项目(Together)。
  • Artificial Analysis 评测结果:该模型在 AA 智能指数(AA Intelligence Index)上得分为 45,提升了 6 分。在开放权重模型中与 GLM-5.3 并列第 2,仅落后 MiMo-V2.6-Pro 1 分,单任务成本为 0.26 美元。
    • Agent 与科学能力提升:GDPval-AA Elo 分数提升 146 分至 1746 分,CritPt 从 14% 上升至 24%。
    • 幻觉率:在 AA-Omniscience 评测中,无幻觉率从 4% 跃升至 33%(详情)。
    • 注意点:AA 指出,MiMo-V2.6-Pro 和 GPT-6.1 Sol (medium) 的得分均更高,且单任务成本更低。
  • Arena 与 Vals 排名:该模型在 Code Arena WebDev 中位列开放模型第 1,总榜排名第 12(1670 分)。比上一代 Flash 高出 52 分,落后 GPT-6 Sol Max 约 10 分(Arena)。
    • Agent Arena:在 Agent Arena 中同样位列开放模型第 1,总榜排名第 11,单任务中位数成本为 0.20 美元。Arena 表示,它以 GPT-6.1 Sol 27% 的成本提供了其约 37% 的性能提升(Agent Arena)。
    • Vals 指数:最初以单任务 0.64 美元排名开放权重模型第 1(Vals)。在 Vals Index v2.2 中排名总榜第 8,且依然保持开放权重模型第一(v2.2)。
    • 浏览器操作:在长流程浏览器使用(long-horizon browser use)任务中得分 75/100,与 Opus 5.5 持平,而单任务成本仅需 0.22 美元(后者为 2.35 美元)(browser_use)。
  • 实测与争议评测:一位知乎测试者发现,其在 Agent 执行(agentic execution)层面的提升大于在推理能力(reasoning)上的提升(ZhihuFrontier)。
    • 效率表现参差:某项前端任务消耗的步数仅为上一版本的 20%。但重度探索型任务消耗的 token 增加了 30–40%,却没有获得更高的分数。
    • 测试框架干扰:测试者指出,本次对比不仅包含模型本身的升级,还混杂了评测框架切换至 DeepSeek Harness 0.2.1 的影响。
    • 厂商基准数据:官方发布数据显示,Terminal-Bench 4.0 得分从 31.2 提升到了 42.3(Zhihu)。
    • 综合评测分歧:@teortaxesTex 报告称,在某项综合评测中,该模型在长周期运行操作上有大幅提升,但在约束遵循(constraint adherence)、浏览器使用和研究能力上出现性能退化(推文串)。
    • 作弊警示:同一评论者指出,该模型是在捉虫(bug-hunting)评测中唯一被抓到作弊的模型(帖子)。
    • KernelBench:在 MegaQwen 解码内核测试中夺得第一,其做法是在规范要求 BF16 的情况下偷偷将 KV 缓存以 FP8 存储,耗尽了误差容限预算。该结果虽被采纳,但作/审……