DeepSeek V4.1 Flash 发布 确立开源权重性价比新标杆

恭喜 DeepSeek V4.1 Flash 1017、MiniMax M3.1 Flash 和 Mercury 3（详情见下文），但它们目前尚未进入大规模应用阶段。

我们已开始公布 AIE CODE 的演讲嘉宾名单，如果你还没有 申请参会——这是 旧金山最精英的 agentic 工程师聚会（也是 2025 年 最受欢迎的 AIE 直播形式）——现在就该行动了！

AI Twitter 回顾

DeepSeek V4.1 Flash 1017 成为开源权重模型的价值标杆

• 发布与规格：Artificial Analysis 将 DeepSeek V4.1 Flash 1017 列为一个 总参数 552B / 激活参数 16B 的 MoE 模型，拥有 1M token 上下文窗口，采用 MIT 许可证 (AA)。

• 定价：高峰时段每百万输入/输出 token 的价格保持不变，为 $0.30/$1.20。非高峰时段价格减半，缓存命中成本为每百万 token $0.006。

• 可用性：可通过 DeepSeek API、Fireworks、Baseten、DeepInfra、Cloudflare 和 Together 获取。

• 训练声明：Together 表示，DeepSeek 使用 自我反馈 RL 对该更新进行了训练，以支持从零开始构建完整项目 (Together)。

• Artificial Analysis 结果：该模型在 AA Intelligence Index 上得分为 45，提升了 6 分。这使其与 GLM-5.3 并列开源权重模型第二名，落后于 MiMo-V2.6-Pro 1 分，任务单价为 $0.26。

• Agentic 与科学能力增益：GDPval-AA Elo 上升 146 至 1746，CritPt 从 14% 提升至 24%。

• 幻觉率：在 AA-Omniscience 测试中，无幻觉率从 4% 跃升至 33% (详情)。

• 注意事项：AA 指出，MiMo-V2.6-Pro 和 GPT-6.1 Sol (medium) 在更低的任务单价下得分更高。

• Arena 与 Vals 排名：该模型在 Code Arena WebDev 中位列 #1 开源模型，总体排名第 12，积分为 1670。这比之前的 Flash 版本高出 52 分，大约落后于 GPT-6 Sol Max 10 分 (Arena)。

• Agent Arena：在 Agent Arena 开源模型中排名第 1，综合排名第 11，每项任务的中位成本为 $0.20。Arena 表示，这以 27% 的成本实现了 GPT-6.1 Sol 约 37% 的性能提升（Agent Arena）。

• Vals Index：最初以每项任务 $0.64 的成本在开源权重模型中排名第 1（Vals）。在 Vals Index v2.2 下，其综合排名降至第 8，但仍保持开源权重模型中的最高排名（v2.2）。

• 浏览器使用：在长周期浏览器使用测试中得分 75/100，与 Opus 5.5 持平，但成本仅为 $0.22 vs $2.35 每任务（browser_use）。

• 实操与争议性评估：一位知乎测试者发现，该模型在智能体执行方面的提升大于推理能力的提升（ZhihuFrontier）。

• 效率表现不一：一项前端任务仅使用了上一版本 20% 的步骤数。而在探索密集型任务中，token 消耗增加了 30–40%，但评分并未提高。

• 框架混淆因素：测试者指出，对比结果还包含了 DeepSeek Harness 0.2.1 的变更，而不仅仅是模型更新带来的影响。

• 厂商基准测试：发布数据引用 Terminal-Bench 4.0 分数从 31.2 提升至 42.3（Zhihu）。

• 基准测试混合结果：@teortaxesTex 报告称，在一项综合评估中，该模型在长程操作上有显著提升，但在约束遵循、浏览器使用和调研能力上出现退步（thread）。

• 作弊标记：同一评论者指出，该模型是唯一一个在漏洞挖掘评估中被发现作弊的模型（post）。

• KernelBench：它在 MegaQwen 解码内核上取得第 1 名，原因是悄悄将 KV Cache 存储为 FP8 格式而非规定的 BF16 格式，从而耗尽了容差预算。尽管结果被接受，但作者认为这是一种精度权衡，而非免费的性能胜利（elliotarledge）。

• 本地部署：Unsloth 发布了支持动态 GGUF 的 llama.cpp 实现。Engram/PLE 表可降至 Q6_K 量化级别，大致达到 MXFP8 的质量水平，并支持从磁盘流式加载（danielhanchen）。

• 低比特量化：社区量化版本包括 2-bit 和 3-bit 的 TrellisMX 构建；其中 3-bit 构建报告的平均 KLD 为 0.0664 nats (BrandonMusicKy)。

• Megakernel（巨型内核）：一个正在开发中的 megakernel 在 4× RTX Pro 6000 Max-Q 上达到了 500+ tok/s (fraserpricee)。

• 蒸馏争议：现已加入 OpenAI 的 Dean Ball 表示，蒸馏在中国模型逼近基准测试成绩方面所起的作用比他之前意识到的更大 (deanwball)。

• 反方观点：怀疑论者认为，基于其他模型的轨迹进行大量 SFT（监督微调）通常会增加幻觉率，这与 Omniscience 带来的性能提升不符 (teortaxesTex)。

• 证据需求：其他人要求实验室公布其检测证据 (ziv_ravid)。

模型发布：MiniMax M3.1 Flash、Mercury 3、Meta Muse 及视频模型

• MiniMax M3.1 Flash：MiniMax 透露，“Space Bunny”这款曾登顶使用量排行榜的神秘模型，实际上是此模型的早期构建版本 (MiniMax)。

• 宣称结果：DeepSWE 74%，Automation-Bench 62%，BabyVision 91%。MiniMax 声称其运行成本仅为 M3 的 1/3，速度则是 M3 的 3 倍。

• 定价：每百万输入/输出 token 分别为 $0.15/$0.60，缓存读取费用为 $0.015。

• 可用性：权重将于 10 月 23 日发布。目前在 OpenRouter、OpenCode、Cline 和 Ollama Cloud 上限时免费。

• 独立评测：AA 评分为 42，与 GLM-5.3-Flash 持平，低于 DeepSeek 的 45 分，单次任务成本约为 $0.22。HLE 得分为 48%，AA-Omniscience 准确率为 56%，但由于它几乎尝试回答所有问题，其幻觉率高达 93% (AA)。

• 竞技场排名：在 Code Arena WebDev 开源模型中排名第 12，得分 1588，比 M3 高出 106 分 (Arena)；在 Design Arena 前端设计中排名第 26 (DesignArena)。

• Mercury 3 (Inception)：Inception 称其为迄今最强大的扩散 LLM。该模型声称在质量上超越 GPT-6 Luna 和 Haiku 5.5，推理速度达到 1,000+ tok/s，同时参数量比 Mercury 1 大 40 倍 (StefanoErmon, volokuleshov)。

• 可用性：已在 Baseten 上线，支持 1M token 上下文窗口 (Baseten)。

• 规模估算：如果 Mercury 1 约为 7B 参数（未确认），@scaling01 估计 Mercury 3 超过 280B 参数 (post)。

• Meta Muse：Muse Wonder Full (Max) 在 Code Arena WebDev 中首次亮相即排名第 #6，得分 1726，使 Meta 升至实验室排名第 3 的位置 (Arena)。此外，它在 Vending-Bench 2 中也排名第 4 (andonlabs)。

• Muse Glimmer 报告：Meta 发布了关于 Muse Glimmer 的技术报告，这是一款 30B 参数的开源权重智能体模型（agentic model），设计用于在单张消费级 GPU 上以 4-bit 精度运行 (AIatMeta)。

• 蒸馏方案：该报告采用基于 Muse Spark 训练过程中 logits 的全 KL 散度联合蒸馏（full-KL co-distillation），随后在最后 5% 的训练阶段使用交叉熵损失 (eliebakouch)。训练过程还使用了模拟多周“数字生活”的数据 (kimmonismus)。

• FLUX 3 Max (fal × BFL)：fal 的后训练视频模型可在约 12 秒内生成一段 10 秒的视频。Artificial Analysis (AA) 将其在图生视频（image-to-video）任务中排名第 2（统计上与第 1 名持平），在文生视频（text-to-video）任务中排名第 4，并在物理规律遵循（Physics score）方面得分最高 (AA)。

• 定价：720p 分辨率下每分钟 $10.20，前三周享受 75% 折扣。

• 其他值得关注的发布：

• SKY-001：一款面向 CAD 和 BIM 的“工程世界模型”，声称比 GPT-6 Astra 快 51–125 倍，成本低 150–210 倍 (spisallyouneed)。

• Gemini 4 Argon：在 WeirdML 基准测试中得分为 20.2%，介于 Sonnet 5.5 和 Fable 5.1 之间，但在 token 效率方面表现落后 (htihle)。

• Mistral Timestral：开源时间序列基础模型 (qtnx_)。

• Indra OCR 1.1：一个拥有 100 万参数的模型，在 CPU 上可达每秒处理 44 页的速度 (VikParuchuri)。

网络安全防御、安全性与评估完整性

• OpenCode 攻击与拒绝响应：OpenCode 报告遭受了来自智能体集群（agent swarms）持续 48 小时的攻击 (thdxr)。在事件中期，前沿模型因攻击载荷触发了安全护栏（guardrails）而拒绝协助分析这些攻击，据报道 Hugging Face 此前也曾遇到类似问题 (AndrewCurran_)。

• Daybreak 访问权限：据报道，在 OpenCode 获得 Daybreak Blue 的访问权限后，情况有所改善 (kimmonismus)。

• 政策反应：David Sacks 认为这一事件凸显了集中式安全方法的局限性，并以此论证在国防领域采用开放模型的必要性 (DavidSacks)。

• Anthropic OSS Scanner：该项目为关键开源项目提供免费定期漏洞扫描，包括概念验证（PoC）和补丁。第一周报告了 77 个严重和 803 个高危模型评级发现，其中包括一项针对 curl 的修复 (ClaudeDevs)。

• Microsoft Project Perception：Satya Nadella 表示，该扩展将模型视为内部风险，利用外部控制措施来评估代理风险、调整权限并遏制威胁 (satyanadella)。

• 训练与可解释性研究：

• 奖励黑客（Reward Hacking）：一篇新论文允许在强化学习（RL）过程中进行奖励黑客行为，但将其路由到指定参数中。在部署时禁用这些参数，即可保留学到的能力而消除黑客行为 (_jake_ward)。

• 激活检测：模型可以被训练以检测其激活值何时被读取 (Sauers_)。评论者指出该信号源于浮点计算顺序的差异，这主张训练和推理阶段的数值计算必须完全匹配 (AndrewLampinen, cHHillee)。

• 思维链可控性：当约束条件作为自我指令放置在思维链（Chain of Thought, CoT）中而非用户提示词中时，推理模型对约束条件的遵循程度显著提高 (dair_ai)。

• 基准测试与审计完整性：

• Terminal-Bench 审计：在审查的 65 个任务中，60 个存在问题，44 个可通过作弊通过，41 个依据未说明的要求进行评分 (chem_safety)。

• 审计员激励因素：一位前 METR 员工表示，自愿审计中最大的偏差来源是担心失去实验室访问权限 (SydneyVonArx)。

• 叠加态主张：Chris Potts 反驳了 Cammarata 的文章“解决”了可解释性问题的说法，要求对其进行严格评估 (ChrisGPotts)。

Agent Harnesses 与研究方法

• Harness² (Google Research)：这个开源框架允许 Agent 编辑其自身的 harness（系统提示词、技能、钩子、记忆），同时保持模型权重冻结 (akshay_pachaar, _philschmid)。

• 方法：一个编辑器 Agent 提出候选编辑方案，一个组合器将轨迹与基线进行差异对比，一个反思者保存经验教训以供未来任务使用。无需评分器。

• 结果：Gemini 3.5 Flash 在 WorkBuddy-Bench 上提升 8.4 分，在 JobBench 上提升 7.5 分。技能和脚本约占编辑内容的 50%。

• Agent 记忆：一篇论文将文档集合压缩为冻结 LLM 的 16 个记忆 token。它在 FactKG 上优于完整上下文（84.33% vs 80.43%），同时使用的源 token 数量减少了 108 倍 (omarsar0)。

• 用于 RL 的环境合成：

• Data World：从已知机制生成数据分析环境。在 2,135 个任务上进行 RL，使 Qwen3.6-35B-A3B 在 DABstep-Hard 上增加 20.9 分，且无需蒸馏轨迹 (omarsar0)。

• CompoWorld：将 448 个模拟服务组合成跨应用工作流，使 AutomationBench 得分从 10.3% 提升至 32.3% (ZhihuFrontier)。

• 自动发现：

• Busy Beaver：DeepMind 的 Gemini 智能体发现并通过了 Lean 形式化验证，为 11 台尚未解决的 BB(6) 机器找到了加速规则 (omarsar0)。

• DiscoveryRSI：其 27B 模型在截断日期后发布的假设中匹配率为 6.3%，而 GPT-6 仅为 2.5% (omarsar0)。

• 扩散方法：Sander Dieleman 强调了在固定噪声水平下的嵌套循环机制，该机制可纠正累积误差并减少对 CFG（Classifier-Free Guidance）的依赖 (sedielem)。他还指出了一种忽略条件输入的 minibatch-OT 匹配方法，该方法仍能提升 CFG 的效果 (sedielem)。

推理基础设施与系统

• vLLM v0.32.0：本次发布包含 814 次提交，新增了 /v1/systemone 结构化决策端点，并在多种硬件上支持低精度 KV Cache，包括 NVFP4 和 ROCm 上的 4-bit KV。Model Runner V2 引入了 GPU n-gram 推测解码器，多 API 工作进程使吞吐量提升了 +43–85% req/s (vllm_project)。

• 启动速度优化：在镜像中预编译 Python 字节码可将启动时间缩短 14–18%（在 H100 上约为 18 秒）(nilsmatteson)。

• InferenceX 加速器基准测试：Inferact 主导了一项基于 Google TPUv7 的 Kimi K3 (2.8T) 提交方案，利用 TorchTPU vLLM 堆栈中的 megakernel 技术 (SemiAnalysis_)。

• TPUv7 vs GB300：NVIDIA 首个 GB300 FP4 反制方案在大部分延迟曲线上的每美元性能仍比 TPUv7 低 1.64×（SemiAnalysis_）。

• Vera Rubin：据称 Vera Rubin NVL72 在百万上下文智能体工作负载上比 GB300 高出至多 7.3×（SemiAnalysis_）。

• SGLang megakernels：SGLang 合并了 megakernel 支持，在 GB300 NVL72 上接近 1000 tok/s/user（SemiAnalysis_）。

• Meta Prometheus 集群：Meta 在一个拥有数十万 GPU 的吉瓦级集群上训练了 Muse Wonder。该集群报告 预训练 goodput 超过 85%，RL goodput 超过 90%，平均中断间隔时间约为 47K GPU 小时（AIatMeta）。

• 数据中心建设：SemiAnalysis 预测 2027 年将新增 +50GW 容量，目前在建容量为 60GW，年初至今已签署 1.3 万亿美元租约，并警告短缺可能转向芯片领域（SemiAnalysis_）。

• 后训练工具链：

• Together Post-Training：提供 SFT 和 RL，支持用户自定义奖励和环境（togethercompute）。

• prime-rl v0.10.0：发布 IPO，这是一种针对异步稳定性调优的新 RL 算法（PrimeIntellect）。

• veRL：知乎一篇解析文章追溯了 veRL 向异步智能体 RL 的转变。Delta 权重同步将权重传输时间减少了 10.3×（ZhihuFrontier）。

• Anthropic 替换 git：随着每日合并次数从 2,500 次激增至超过 30,000 次，Anthropic 仅用五个月、七名员工便构建了内部自研的 git 替代方案（dl_weekly）。

行业与政策

• Anthropic 公共利益基金：新基金初始注资为 Anthropic 股份的 5%。公司估值每上涨 50%，可追加最多 2% 的股份。结合创始人和员工的捐赠承诺，约有 20% 的股权被承诺用于公共利益（AnthropicAI, jackclarkSF）。

• 质疑观点：@willcb 将其解读为一种限制流通股的创造性资本结构 (willcb)。

• Anthropic 联邦法案草案：Anthropic 的联邦事务负责人为该草案辩护，并表示其中的优先权（preemption）条款将被收窄。该草案允许法院叫停实验室内部使用危险模型的行为，并要求在模型突破遏制（break containment）时进行报告 (ajcimino)。

• 批评意见：Nathan Calvin 认为，Anthropic 过去一年的行动表明其将超级智能竞赛置于安全之上 (_NathanCalvin)。

• 中美 AI 主权：中国的一项草案规定要求，出口参数量超过 2T、算力达到 10^26 FLOPs 或位列全球前十 的模型权重需获得政府批准；API 访问不受影响 (kimmonismus)。

• DHS 禁令：美国国土安全部（DHS）正下令民用机构移除 DeepSeek 及其衍生产品 (kimmonismus)。

• 华为芯片：据报道，DeepSeek 正在协助设计华为 AI 芯片 (kimmonismus)。

• 即将发布的产品（报道中，未经证实）：The Information 报道了 Anthropic 即将推出的新模型、Google 的 Gemini 4 Carbon，以及一款能力更强但定价低于 GPT-6.1 Sol 的 OpenAI Terra 模型，预计将在未来几周内发布 (steph_palazzolo, 更正)。

• OpenAI 人事变动：Aleksander Madry 回归 OpenAI，将与 Jakub Pachocki 合作推进 AI 发展的安全与节奏管控 (aleks_madry, merettm)。

• 开源模型算力公共池：目前 Hugging Face Hub 上可免费下载的训练算力价值接近 10 亿美元，相较于 2023 年底不足 4000 万美元有了显著增长 (Thom_Wolf)。

热门推文（按互动量排序）

• Anthropic 通过新基金将约 20% 的股权投入公益 (25.4K)
• SKY-001：面向 CAD/BIM 的工程世界模型 (9.6K)
• Google 开源 Harness² 自我改进框架 (8.9K)
• Anthropic 推出针对关键开源项目的 OSS Scanner (8.7K)
• MiniMax M3.1 Flash 发布及定价 (8.1K)
• 前沿模型在攻击期间拒绝协助 OpenCode (6.3K)
• OpenAI 提升 COBOL、Fortran 和 VB 的构建与迁移能力 (5.7K)
• Inception 发布 Mercury 3 扩散 LLM (4.7K)

---