标签
据《星报日报》记者多方供应链消息，DeepSeek 下一代大模型 DeepSeek V5 计划在华为昇腾芯片上进行预训练，此前昇腾主要用于 DeepSeek 模型的推理任务。这将是国产算力首次支撑大模型预训练阶段，并伴随 DeepSeek 与华为在昇腾软件栈上的深度协同开源。
一项分析指出，在更新后的图表中，DeepSeek-V4.1-Flash-1017 的全部四种 Unsloth 量化版本以及 Q8 基线在 LiveCodeBench v6 上的得分同时提高了 2–3 分。在独立采样模型下，这种变化在统计上发生的可能性很低，而 GSQ-RCO 的结果则表现不一致。
DeepSeek 在 DeepSeek Harness 中推出了 Creator Mode（创作者模式），让用户可以把自己的想法变成自定义插件，例如设计工作区、沙盒游戏或 3D LLM 可视化工具。
DeepSeek 正在其免费的 Harness AI 智能体应用中推广创作者模式，该模式让开源智能体能够根据自然语言请求构建、安装和测试可用的插件。该公司发布了一段演示视频及七个示例所用的提示词，并强调 Harness 在 GitHub 上获得的 26.87 万颗星，认为这代表着一个潜在的插件开发者社区。
Unsloth 公布了其 DeepSeek Dynamic V3.1 GGUF 量化版本的基准测试结果，声称在 512K 上下文长度下，其在 Terminal Bench 和 DeepSWE 等智能体基准测试中的表现比 GSQ-RCO 提升了逾 10–20%，并从统计学角度质疑了 GSQ-RCO 关于量化后性能恢复的说法。
AtomicChat 发布了 DeepSeek-V4.1-Flash-1017 的 GSQ-RCO GGUF 量化版本，通过从稠密残差写入模块中投影移除拒绝方向，使一个 7630 亿参数的 MoE 模型能够借助 Strata 在单张 12 GB 显存的 GPU 上运行，且 MMLU 性能下降极小。
一位用户发帖表达了对 DeepSeek V4.1 Flash 1017 版本的赞赏，称赞它速度快、成本低，在处理日常任务时表现可靠，并表示它终于让自己不再需要闭源模型。
DeepSeek 的实验表明，在一个包含 300 条消息的群聊中，一个被分配了 20 项任务的 AI 智能体一项都没有委派出去——直到引入两层 Router/Worker 设计、把键盘从顶层智能体手中拿走之后才得以解决。该方案将最慢任务的耗时从约 30 分钟压缩到 16 分钟以内，而每次运行会消耗 23.2M 缓存 token。
作者认为 agent harness 本质上是一个分布式系统问题，并引用了 DeepSeek 的 Super-agent 技术文章，该文章表明两级 Router/Worker 设计在延迟和委派可靠性方面优于单一 chat session，同时提出了长期记忆这一关键开放问题。
DeepSeek 的智能体团队发布了一份设计文档，认为 AI 智能体的瓶颈在于人类的注意力，而非模型能力，并提出了一种路由器/工作器（Router/Worker）会话架构，其中一个人实际上只能同时跟进 3–5 个活跃的智能体会话。
DeepSeek 开源了采用 MIT 许可证的研究原型 dsh-superagent-prototype，该原型采用面向编程任务的 Router-Worker 超级智能体架构，旨在尽可能减少对人类注意力的占用。团队自行报告的测试结果显示，与单会话基线相比，该原型能更快完成耗时较长的任务，但团队强调，这只是研究代码，尚未达到生产环境可用的标准。
一篇总结 DeepSeek 关于超级智能体（Super-Agent）概念文章的图解，以链接形式分享。
DeepSeek 发布了 dsh-superagent-prototype，这是一个开源的主动式编程智能体，能够协调多个智能体并行处理 GitHub 任务、代码审查和 CI 反馈，且只需极少的人工监督。
DeepSeek 发布长篇技术文介绍 Super-agent 自主 Agent 系统，采用 Router + Worker 双层架构解决多任务并发瓶颈，实测 p95 完成时间从 29.5 分钟降至 15.7 分钟，原型已开源。
本文技术拆解了 DeepSeek Harness 团队开源的 dsh-superagent-prototype，剖析一个可持续接单的编程智能体如何处理授权、任务分发、Worker 调度以及基于事务与持久队列的中断恢复机制。文章强调该原型仅供研究参考，而非 DeepSeek 正式产品。
DeepSeek 的 Harness 团队开源了 dsh-superagent，这是其全天候运行的自主 Super-agent 底层架构的研究原型，被封装为面向单个 GitHub 仓库的主动式编程智能体。该版本采用 MIT 许可证，监听 GitHub 和飞书，在相互隔离的智能体会话中处理工作事项，旨在尽可能减少对人类注意力的占用，同时最大化交付价值。
一篇帖子分享了 Hugging Face 上的 Groot MoE 模型家族（包含 19B、65B、238B 和 280B 版本），声称 19B 模型的表现优于 Qwen3.6-35B-A3B 和 Gemma-4-26B-A4B，同时回答更简短；后续编辑补充称，这些模型似乎是基于 REAP 对 DeepSeek/Qwen 模型进行改造而来的。
文章讨论 DeepSeek 最新开源的 dsh-superagent 架构设计，指出其"much value and little human attention"目标与 loopx 项目一致，并对比了两者在状态/session 分离、上下文优化及 router 委派机制上的异同，同时推广 loopx 的相关 RFC。
用户发推称其 OPPO Find N2 手机上的 DSH DeepSeek 正在频繁调用大众点评和小红书等本地应用来帮忙搜索附近餐厅，展示了 AI 助手跨应用操作的能力。
一位律师兼 PLI Labs 创始人公布了完整的基准测试数据：在两台 DGX Spark 上运行 DeepSeek-V4.1-Flash-1017（2.75 bpw EXL3），并由一台搭载 3090 的主机负责通过 RDMA 提供的表以及推测解码草稿模型，在上下文长度高达 256K 时实现超过 2,600 tok/s 的预填充速度，结构化输出速度达到 322 tok/s。所有代码、启动脚本和原始 JSON 均已公开，作者也坦率指出了自己的配置在哪些方面不如其他双 Spark 配置。