DeepSeek（深度求索）的模型发布、开源权重与技术报告——开源大模型价格与性能双卷的风向标。
这篇文章本身因为微信环境验证失败，正文内容没抓到，只能根据标题和摘要信息来聊。标题里提到的“芯模协同”，指的是 DeepSeek V4 在训练时直接跟华为昇腾芯片做适配优化，不是先拿英伟达跑完再移植。摘要里说 CANN（华为的 AI 计算框架）一口气开源了 65 个代码仓库，并且支持 70 多个主流模型“开箱即用”，不用等适配。另外 AIGCode 在...
推荐理由：这条主要讲的是国产算力生态的进展，不是 DeepSeek V4 本身发了什么新能力。但里面给的仓库数、适配模型数、MFU 这些数字比较具体，比一般的合作通稿有信息量。我会先打个折，因为正文没披露 V4 在昇腾上的完整训练规模或成本对比，MFU 也只给了 AIGCode 一个点，验证还不够全。不过对关心国产替代进度的人来说，这几个数字已经够拿来判断方向了，所以放在 featured 里。
一位参与本轮融资的大型基金经理说，DeepSeek 打算在完成约 500 亿美元（折合 3500 亿人民币）的融资后，立刻申请科创板上市。帖子没提估值、时间表、招股书，公司自己也没出来确认，我会先打个折看这件事。
推荐理由：HKR 三项全中：DeepSeek 拿完约 500 亿美元融资就申请科创板 IPO，等于把中国大模型公司的身价直接摆到二级市场。消息来自参与本轮的一位基金经理，不是空穴来风，但正文没披露正式申请文件或更多交叉验证，所以可信度先打个折。这件事对行业的意义在于，它可能给国内 AI 公司的估值和退出路径提供一个真实参照，也会让中美 AI 竞争的讨论更具体。
小米把 MiMo-V2.5 系列的 API 价格永久打下来了，最高降了 99%，现在和 DeepSeek V4 Pro 定价持平。花同样的钱，能用的 token 数多了 5 到 8 倍，计费方式也变简单了。老用户之前买的套餐额度会全部重置补满。降价的原因是他们在推理环节做了全栈优化，省下来的成本直接让出来了，具体技术细节后面会发博客。另外 MiMo-V...
推荐理由：HKR 三项都成立：99% 的降幅和直接点名 DeepSeek 同价，话题性够强；降价幅度和生效时间都是硬信息；API 成本压力是从业者每天在算的账。不过这只是调价公告，没有新模型或新能力，所以重要性停在 76 分，不往上拉了。
作者在中美两头跑，发现两边的普通人都在被同一种不安笼罩：技术跑太快，红利不一定轮到自己。文章用滴滴司机钻算法空子、美国送餐员抢单的例子开场，指出 AI 在两国都加剧了职场监控、情感孤独和无力感。美国超七成青少年拿聊天机器人当陪伴，中国预计到 2030 年独居人口达 2 亿，AI 伴侣成了孤独的速效解药。科技精英忙着追逐风口和 AGI，普通人却用“社畜”...
推荐理由：这篇不是产品发布或模型论文，是一篇评论，但两个社会数据点和一个中美对照的框架让它有信息量。我会先打个折，因为正文没披露具体调查方法和样本量，数字的可靠性没法验证。不过它把技术趋势和人的孤独感直接挂钩，对从业者理解应用场景有启发，放在 featured 里当一篇有观点的解读是合适的。
这篇帖子直接点破：小模型搭的智能体方案没成为主流，跟技术能不能跑通关系不大，核心是商业风险和验证成本。作者举了两个例子——Gemma 4 31B 在 tau2-bench 上能跑到 86.4% 的准确率，DeepSeek V4-Flash 的输出 token 价格差不多是 Claude Opus 4.6 的 89 分之一，单看指标和成本都挺能打。但问题...
推荐理由：这篇文章的切入点挺刁钻——小模型 agent 栈没普及，不是性能不行，是验证层掉链子。它拿 Gemma 4 31B 在 tau2-bench 上 86.4% 的成绩和 DeepSeek 低到离谱的输出成本说事，数字本身有说服力。但更值得盯的是那个 7-9B 模型做验证时，一半到三分之二的正确答案推理链其实有缺陷，这个发现直接动摇了用小模型兜底的信心。来源是 Reddit，权威性要打个折，所以分数没给到顶，但话题本身对做 agent 落地的人很解渴。
正文页面被微信环境验证挡住了，看不到具体技术细节。从标题和摘要看，Reasonix 这个工具用了一种“只追加不修改”的循环机制来给 DeepSeek V4 做缓存。在长代码会话场景里，缓存命中率报到了 99.82%，相当于模型每次生成新内容时，前面绝大部分上下文都不用重复计算。一个原本要烧掉 400M token、花 61 美元的任务，用上这套缓存后账...
推荐理由：Reasonix 这个工具把 DeepSeek V4 长会话的缓存命中率拉到 99.82%，账单直接打两折，从 61 美元降到 12 美元。对用 DeepSeek 跑长任务的团队来说，成本降幅很实在。不过正文没披露测试场景的会话长度和任务类型，也没说这个命中率在不同负载下稳不稳，所以先别当通用结论。
Bloomberg 发了一条简短消息，说 DeepSeek 会把某个旗舰模型的 75% 折扣变成永久定价。正文没披露模型名称、原价、折后价和生效日期，也没说明这次降价是针对 API 调用、模型下载还是其他服务。我会先打个折——这条消息信息量太少，暂时只能当个信号看：DeepSeek 在继续压价抢市场，但具体怎么抢、对谁影响最大，还得等官方出细节。
推荐理由：这条消息对关注 API 成本的人来说是个实打实的信号，75% 折扣永久化意味着 DeepSeek 在价格上继续施压。但我会先打个折——正文连模型名、原价和折后价都没给，也没说什么时候生效，所以只能当个半截情报看。HKR 都踩中了，但信息太稀疏，只能放在低 featured 档位。
DeepSeek-V4-Pro 的 API 从 6 月 1 日起维持促销价，缓存输入每百万 token 收 0.025 元人民币，这个价格在同类模型里算很低了。彭博社的消息说 DeepSeek 正在谈一轮 700 亿人民币的融资，投前估值 450 亿美元，宁德时代、京东、网易都有意参与。创始人梁文锋对外表态，公司的目标还是通用人工智能（AGI）。不过原...
推荐理由：这条消息把两件事串起来了：一是 DeepSeek V4 的 API 价格直接砍到促销价，输入缓存命中每百万 Token 只要 0.025 元，对用 API 做产品的团队来说成本降幅明显；二是彭博说宁德时代、京东、网易都在看这轮 700 亿融资，投前估值 450 亿美元，梁文锋还放了话目标是 AGI。价格数字和融资规模都够具体，没有模糊表述，对关注模型成本和资本动向的从业者来说信息密度高，所以给了 90 分。
DeepSeek 在定价页更新了一条脚注：V4 Pro 模型现在的 75 折优惠在 2026 年 5 月 31 日结束后，会直接变成正式价格，也就是原价的四分之一。具体来说，输入 token（没命中缓存）从每百万 1.74 美元降到 0.435 美元，输出 token 从 3.48 美元降到 0.87 美元。缓存命中的输入价格更便宜，只要 0.0036...
推荐理由：我会先打个折：这条消息的钩子很足，永久四分之一价直接挑动价格战神经，对开发者钱包影响大，所以 H、K、R 都成立。但正文没披露具体单价，信息缺了一块，没法判断实际便宜到什么程度，所以只够 featured 门槛，算不上必写的大新闻。
Reddit 帖子标题说 DeepSeek 在推进一轮 102.9 亿美元的融资，梁文锋承诺继续开发开源 AI 模型，而不是追求短期变现。帖子正文只给了一个彭博社链接，没有披露融资轮次条款、投资方名单或商业化时间表。另外，帖子本身被 Reddit 网络防护拦了，正文内容实际上看不到，所以这轮融资的具体细节和条件目前都无从核实。
推荐理由：这条消息我会先打个折——标题说 DeepSeek 在推进 102.9 亿美元融资，梁文锋表态继续搞开源模型，不追短期商业化，但正文就一个 Bloomberg 链接，没写轮次、估值、谁投的、钱怎么用。数字本身挺大，说明如果属实，开源阵营的资本弹药又补了一波，对闭源厂商压力不小。不过信息太薄，这点先别太激动，等看到条款和投资方再判断含金量。
DeepSeek 正在敲定一笔约 700 亿元人民币的首轮外部融资，投前估值约 450 亿美元。腾讯、IDG 资本和砺思资本接近参投，梁文锋个人也可能注资约 200 亿元。他在投资者会议上明确表示，公司会继续做开源模型，目标是通用人工智能，而不是急着商业化。如果这笔钱到位，将创下中国科技初创公司首轮融资的最高纪录。不过文章也提到，具体金额和最终参投方仍...
推荐理由：HKR 三项都踩中了。700 亿融资规模本身就够炸，加上梁文锋个人可能跟投 200 亿，这种资金体量在开源模型公司里不常见，所以 H 给了。K 这边，450 亿美元估值、腾讯和 IDG 接近入局，以及梁文锋明确说坚持开源不急着商业化，都是能帮人判断行业水温的关键事实。R 更直接，这笔钱怎么花、开源路线能不能扛住商业化压力，会直接影响国内 AI 创业的资本逻辑和开源生态。分数没给到 95 以上，是因为交易还在推进，最终条款和交割都没披露，先打个折。
彭博这条快讯只给了标题，正文被付费墙挡住了。标题说 DeepSeek 创始人公开把 AGI（通用人工智能）设为目标，并且公司正在推进一轮 100 亿美元的融资。但创始人具体怎么说的、钱从哪来、谁领投、估值多少、钱打算怎么花，这些关键信息正文都没披露。100 亿这个数字放在 AI 创业公司里非常夸张，如果是真的，说明资本市场对 DeepSeek 的预期已...
推荐理由：标题信息量不小，但正文基本是空壳，没给出创始人原话、融资细节或任何时间线。我会先打个折：这条消息的传播价值在于 DeepSeek 把 AGI 目标和巨额融资同时抛出来，信号很强，但事实支撑很弱。Bloomberg 的稿子只给了标题级事实，投资人是谁、钱怎么花、估值多少全没写，所以重要性停在 86 分是合理的，不能再往上拉。
DeepSeek V4 Flash 是个 284B 总参数、13B 激活的 MoE 模型，性能接近前沿水平，但主流推理引擎在 Mac 上都跑不了。antirez 专门为它写了 DS4 引擎，纯 C、Metal 优先，一个编译命令就能用。它最特别的地方是解决了 agent 工作流里的上下文断裂：模型生成工具调用时，DS4 会记住原话，下次 agent 返...
推荐理由：标题和摘要给的期待是“在 Mac 上本地跑 DeepSeek V4 Flash 的实操方案”，但正文只列了 DS4 引擎的三项机制名称，没给出模型大小、实际性能、Mac 兼容性要求，也没有可复现的测试结果。我会先打个折：对想动手试的开发者来说，知道有这些机制存在已经算有用信息，但离“能照着做”还差关键数据。H、K、R 三项都踩中了，信息缺口也明显，放在 featured 层级刚好——够吸引人点进去看，但读完会发现缺胳膊少腿。
一个 Reddit 用户用 4 张 RTX 2080 Ti 显卡（总预算不到 2500 美元）在本地跑起了 DeepSeek-V4-Flash 模型。模型总参数 2840 亿，每次推理激活 130 亿参数。他用了 W8A8 量化（把权重和激活值都压到 8 位精度）来省显存，还自己写了适配老 Turing 架构的 CUDA 算子。机器配了 1TB 的 D...
推荐理由：一个 Reddit 用户用 4 块二手 RTX 2080 Ti 搭了一套不到 2500 美元的机器，跑 DeepSeek-V4-Flash（284B 参数，每次推理只激活 13B），通过 W8A8 量化和自己写的 Turing 内核优化，prefill 阶段跑到约 255 tok/s。我会先打个折：这是单用户自报数据，没有第三方复现，也没披露并发、上下文长度和 decode 阶段的吞吐，所以别直接当采购依据。但亮点在于它证明了老卡在量化+定制内核下还能打，对预算有限的团队是个有参考价值的思路。正文没提功耗和稳定性，这两点在实际部署里很关键。
一位 Reddit 用户拿 DeepSeek V4 去啃 4.5 万、18 万和 52 万 token 的代码库，结论是 15 万到 25 万 token 时写代码最顺手。超过 30 万 token 后，模型对具体行号的定位开始不准；到 52 万 token 时，输出明显偏向架构总结，具体实现细节会跳过。帖子正文没披露测试用的具体任务和评估指标，所以这...
推荐理由：单篇 Reddit 帖子权威性有限，但 HKR 三项都站得住：有数字、有对比、有明确的失效模式。归入 featured 而不是更高，是因为复现细节和模型版本信息偏薄，先别太激动。
这个月开源模型扎堆更新，DeepSeek V4、Gemma 4、Kimi K2.6、MiMo 2.5、GLM-5.1 全来了。CAISI（美国 AI 标准与创新中心）用 9 个基准测了 DeepSeek V4，给出的结论是开源模型跟美国闭源前沿差距在拉大，尤其在 CTF 安全挑战、ARC-AGI-2 和他们的私密基准 PortBench 上 V4 得分...
推荐理由：这条消息把五款开源模型的新版本打包在一起，还挂了个 CAISI V4 评估的钩子，对关注模型选型的人挺有吸引力。我会先打个折：正文只说用了这套框架测试，分数一个没给，所以目前只能当个发布清单看，没法横向比较。这点先别太激动。不过模型名字和版本号都明确，开源阵营的密集更新本身就能影响团队的部署和成本判断，所以整体还是值得推。
MiroMind 放出了 MOOSE-Star 系列，包含三个 7B 模型和一个叫 TOMATO-Star 的数据集，里面有 108,717 篇 NCBI 论文。其中 MS-IR-7B 在“灵感检索”任务上准确率到了 54.37%，底子是 DeepSeek-R1-Distill-Qwen-7B，fp16 跑起来大概占 14GB 显存，支持 llama....
推荐理由：我会先打个折：正文没披露 54.37% 这个准确率是在什么基准上测的、对比了哪些方法，所以这个数字先别太激动。但整套东西的钩子很实在——用 7B 小模型加 10.8 万篇 NCBI 论文搭一个科学假设发现的流程，fp16 才 14GB，本地就能跑。对想做科研 RAG 或让模型进文献分析流程的团队来说，这是个现成的起点，数据集和模型权重都公开了。
阿里达摩院发了篇 ACL 2026 论文，提出 I²B-LPO，解决强化学习微调时模型解题思路越来越像的问题。做法是在模型生成答案时，碰到它犹豫不决的节点就分叉出多条路径，再用一个基于信息瓶颈的自奖励机制筛掉重复的、留下真正不一样的解法。论文在 Qwen2.5-7B 和 Qwen3-14B 上跑数学题，准确率最多提了 5.3%，答案的语义多样性提了 7...
推荐理由：我会先打个折：这还是一篇训练方法论文，不是新模型或产品发布，所以重要性给 78 合理。亮点在于它把 RLVR 的探索问题讲得很具体——不是泛泛说“多样性不足”，而是用高熵节点定位、分支采样、自奖励这套组合拳给出可操作的解法。数字也实在，准确率和多样性双涨，没有只挑好看的说。正文没披露训练成本和延迟数据，这点先别太激动。整体适合推荐给做推理微调的人看，不是那种看完就忘的刷榜文章。
上个月在新加坡一场非官方对话中，一家中国智库要求Anthropic向北京开放其最新的Mythos模型，被直接拒绝。Mythos是个擅长找软件漏洞的模型，Anthropic目前只给美国政府和40多家机构用，理由是怕引发网络安全危机。美方官员认为这次接触虽非正式外交，但背后大概率有中国政府授意，并把它看作中美AI竞赛升温的又一个迹象。文章提到，美国最新模型...
推荐理由：这条消息我会先打个折：正文没披露中国智库具体是哪家、怎么谈的、Anthropic 拒绝的细节也没展开。但核心信息够硬——Mythos 是个找漏洞的模型，Anthropic 只给美国政府和 40 多个组织用，中国想要但拿不到。这比一般的模型封锁更敏感，因为直接关系到软件供应链安全。对从业者来说，说明顶尖漏洞挖掘能力正在变成国家级的受控资源，以后这类模型可能越来越难公开拿到。
DeepSeek 上个月发新模型，头一回说推理环节跑在了华为芯片上，但两位半导体业人士透露，训练阶段仍然依赖英伟达芯片，具体怎么拿到的没细说。华为计划今年出训练芯片，同时承认性能追上英伟达现有水平还要再等一年。这件事让中国在 AI 硬件上跟美国进一步脱钩，也印证了黄仁勋之前的警告：出口管制反而逼着中国自建一套技术栈。不过中芯国际量产华为芯片良率低、功耗...
推荐理由：这篇不是模型发布，也没有跑分，所以分数不会冲太高。但信息量够硬——DeepSeek 推理侧开始用华为芯片，训练侧还离不开英伟达，华为自己的训练芯片今年才出来、性能追平还要一年。我会先打个折：正文没给推理优化的具体性能对比或延迟数据，也没说 DeepSeek 在华为芯片上跑了多大并发。不过它把芯片管制这条线拉得很清楚，对关注算力成本和国产替代的人有直接参考价值，84 分放在 featured 里是合适的。