DeepSeek大模型 - 第6页

本文来自一美国博文：我们需要一个美国版的深度求索（DeepSeek）。我们需要一个自主、开源的通用人工智能（AGI）巨头，而且现在就要。因为美国的前沿实验室正在输掉这场竞赛。不信？每出现一个美国的闭源或专有模型，我们就能看

尽管经过反复训练，内部模型的性能仍然低于开源 SOTA 基准，落后很多。公司领导层建议在训练后过程中混合来自各种基准的测试集（刷题），旨在满足各种指标的目标并产生“可观”的结果。如果未能在 4 月底的截止日期前实现这一目标，将导致严重后果。

OpenAI给AI加上了"记忆功能"，这可能是GPT-3问世以来最重大的升级。简单来说就是：以前的人工智能就像个特别聪明但记性差的朋友。就像那种知识渊博的教授，能回答各种难题，但连你的生日都记不住。

Meta发布Llama 4家族的第一批智能模型，这些新工具能让人们打造更符合个人需求的文字+图片+视频的智能体验。最大特色是10M上下文，可以塞入整个代码库让其分析和重构理解。（

使用 8xRTX 4090 构建 GPU 服务器实现大模型本地部署和运行推理：Marco Mascorro 构建了一个非常酷的 8x4090 服务器用于本地推理，并编写了一个非常详细的操作指南，介绍了他使用了哪些部件以及如何将所有部件组合在一起。

这是来自Deepseek和阿里千问Qwen混合模型的编码模型。媲美OpenAI o1、 o3-mini级别的编码推理模型，而且完全开源！数据集、代码和训练配方全部开放。 DeepCoder是一个用"团队训练法"（分布式RL）培养出来的AI编程助手。

Llama 4 的新许可证带了好几个限制：如果你的公司每个月有超过7亿个活跃用户，你得向 Meta 申请一个特别许可证，Meta 可以自己决定给不给你。你得在网站、界面、文档这些地方显眼地写上“用 Llama 造的”。你用 Llama 的材料做的任

分析：深度求索（DeepSeek） vs Llama3 vs 英伟达超算（Nemotron） vs Llama4独行侠（Maverick）这篇测评对比了四个大语言模型在逻辑推理、功能应用、性能表现和安全防护方面的表现。参评模型包括：深度求索-V3

Llama 4 + Apple Silicon 简直是天生一对。原因在这儿：就像 DeepSeek V3/R1 一样，新的 Llama 4 各种版本都是超大的稀疏 MoE 模型。它们有海量的参数，但每次生成一个token词的时候，只有很少一部分参

当我提到“大型语言模型”时，你首先想到的是什么？可能是像 ChatGPT、Gemini、Claude 或 Meta 的 LLaMA 这样的模型——对吧？如果我问你这些模型的驱动力是什么？答案几乎总是相同的——GPU 。昂贵、耗电的 GPU，通常都来自一家公司：NVIDIA。

我们搞了个AI模型"闪电启动器"，让大模型像Windows休眠功能一样秒开秒关！以前跑AI大模型特别麻烦——每次用都要重新加载，像开电脑等系统启动一样慢，而且显卡内存根本塞不下几个模型。现在我们搞出了新方法，2-5秒就能唤醒一个AI（130亿到650亿参

Llama 4 Maverick 与 Deepseek v3 0324 对比 Llama4 Maverick 和 Llama 4 Scout 是 Meta Llama 系列的最新成员。Maverick 是一个 400B 稀疏模型，拥有 17b 个活

一些内部人士表示，Meta 的人工智能研究实验室正在“缓慢消亡”。Meta 更愿意称之为“一个新的开始”。上周，当Meta公司的人工智能研究负责人乔尔·皮诺宣布辞职时，很多人都好奇FAIR实验室到底怎么了。皮诺在这家著名的AI实验室当了两年掌门人

乔尔·皮诺（Joëlle Pineau）是Meta公司搞人工智能研究的顶梁柱，在干了快八年后，她决定5月30号走人。她走的时候正好赶上公司内部战略大调整。皮诺是Meta最顶尖的AI研究员之一，从2023年开始领导公司的基础AI研究部门（FAIR）。在那里

DeepSeek 的通用奖励模型（GRM）通过推理时缩放优化奖励信号，让本地大模型更高效：减少训练成本——动态调整计算量，避免冗余训练；提升泛化能力——适应多任务，无需反复微调；开源可商用——本地部署更灵活，降低依赖云端成本。</

低成本时Llama 4表现最佳，中等成本GPT-4o领先，高成本GPT-4.5 Preview最优。