KeyFrame內部研究專用

Deepseek's New AI Has A Secret

Two Minute Papers英文
觀看原始影片

三句話摘要

DeepSeek 4.1 Flash 1017在短短五週內實現巨大能力躍升,成本極低且模型權重免費開源,核心創新是自我反饋學習機制。 自我反饋學習的突破說明AI進步的新方向不在數據量,而在學習方法的創新,開源策略則加速了技術民主化和競爭的良性循環。 成本革命與理性評估:雖然輸出成本比Claude Opus便宜15倍,但DeepSeek處理同一任務時可能需要2-3倍的代幣,因此應以「單位任務成本」而非「單位代幣成本」衡量,但整體成本仍具高度競爭力。

重點整理

  1. 成本革命與理性評估:雖然輸出成本比Claude Opus便宜15倍,但DeepSeek處理同一任務時可能需要2-3倍的代幣,因此應以「單位任務成本」而非「單位代幣成本」衡量,但整體成本仍具高度競爭力。

  2. 開源民主化與軍備競賽:模型權重免費下載且永久擁有,硬體執行成本極低,啟動了前沿模型不斷蒸餾成更小更便宜版本的良性循環,可望在一年內將最先進AI技術帶到個人筆電。

  3. 自我反饋學習的突破:與其追求更多訓練數據,DeepSeek採用讓AI能批評並改進自己工作的機制,如同AI在自己編寫的程式上邊執行邊修正,這是無需改變架構仍能實現巨幅進步的關鍵。

  4. 五週內的能力躍升說明新的優化方向:在架構不變的情況下實現重大性能提升,證明訓練方法論的進步和軟體優化可帶來與硬體升級相當的效果。

實用技巧與重點

  • 版本名稱:DeepSeek 4.1 Flash 1017
  • 前版本:4.1 Flash(發佈間隔約5週)
  • 輸出代幣成本:$1/百萬代幣
  • 成本對比:比Claude Opus 5.5便宜15倍
  • 代幣效率:相同任務需要2-3倍代幣
  • 硬體執行成本:約$1
  • 架構:無改變
  • 核心創新:Learning from self feedback(自我反饋學習)
  • 能力提升領域:軟體開發、終端操作、程式碼生成
  • 開源方案:模型權重免費下載,永久擁有

結論

自我反饋學習的突破說明AI進步的新方向不在數據量,而在學習方法的創新,開源策略則加速了技術民主化和競爭的良性循環。

完整解析

DeepSeek推出的4.1 Flash 1017版本在短短五週內實現了令人矚目的性能躍升。儘管版本號看似微幅更新,實際能力提升遠超預期,特別是在編寫軟體、操作終端和生成程式碼的能力上有突破性改進。

成本方面構成了這次更新最亮眼的優勢。輸出代幣成本僅需$1/百萬,較業界領先的Claude Opus 5.5便宜15倍,乍看之下令人驚嘆。然而這個數字需要理性解讀,因為不同AI系統處理同一任務時的代幣消耗量差異很大。DeepSeek在實際應用中通常需要消耗2-3倍代幣才能完成Claude能做到的工作,因此在衡量真實成本時應考慮「單位任務成本」而非「單位代幣成本」。儘管如此,整體成本仍然顯著低於競爭對手,標誌著AI系統正朝著「智慧便宜到無法計量」的時代邁進。

最為革命性的是其開源策略。用戶可免費下載完整的模型權重並永久擁有,硬體執行成本約$1,成本極低。這啟動了一場新的AI競賽循環:前沿廠商推出更強大的模型,而開源社群隨即著手將其蒸餾、壓縮成更小更便宜的版本。這個正向循環可能導致最先進的AI能力在短短一年內,就能在配置充足的個人筆記型電腦上執行,技術民主化程度達到前所未有的高度。

最引人深思的是,DeepSeek在五週內實現如此巨幅提升卻未改變任何架構。經分析其官方公告,核心創新應為「自我反饋學習」(Learning from self feedback)。這與業界普遍追求「更多訓練數據」的思路完全相反。自我反饋學習使AI能夠批評並改進自己的工作——想像一個AI編寫了賽車遊戲,邊玩邊發現碰撞檢測失效、加速度缺失、視覺細節不足,逐一修正。這種能力讓AI在無需外部大量新數據的情況下,透過自身經驗持續進化,彷彿人類的自我學習。雖然讓AI自我判斷和自我獎賞並不容易,但若此能力真正在商用產品中實現,意義將極其深遠。

11 min
AI 技術中文11月21日

20261120 Craft 4K Review Version V3

灵姐说AI | Ling Talk AI看原片 ↗
  • Craft Anything 透過將觀察、構建、檢查和修改環節無縫銜接,將傳統費力的開發流程簡化為提供參考對象並說明目標,讓通用編碼Agent執行具體實現,大幅降低製作難度。
  • 複製範圍廣泛但難度差異大:網站和簡單工具相對容易,複雜遊戲因涉及場景、資源、物理引擎、存檔等要素難度大幅提升,需要提供的信息和輸入量成倍增加。
AI 技術英文11月19日

DeepMind Just Released The Best Thing AI Ever Did

Two Minute Papers看原片 ↗
  • 同一個DNA變異在不同細胞中會產生截然不同的效應——例如胰島素產生的β細胞與其他胰臟細胞對同一基因變異的反應完全不同,這使得精準預測變成考量數十億個變異×數百種細胞類型的難題。
  • 利用既有的大規模單細胞測序數據作為訓練資料是關鍵突破,科學家已測量過大量細胞中各基因的活性水準,這提供了足夠的輸入輸出對讓AI學習細胞特定的基因調控模式。