在R2 和V4 到来之前，DeepSeek先让我们看到了“V3 Plus”。3 月 24 日，DeepSeek一声不响的在Huggingface上发布了V3 的“小版本”迭代“DeepSeek-V3-0324”。开发者社区再次一片尝鲜与夸赞。之后 3 月 25 日晚，官方发布了该版本的官方报告。在DeepSeek的报告里，给出了四个官方亮
......
本文由站长之家合作伙伴自媒体作者“硅星人Pro公众号”授权发布于站长之家平台，本平台仅提供信息索引服务。由于内容发布时间超过平台更新维护时间，为了保证文章信息的及时性，内容观点的准确性，平台将不提供完全的内容展现，本页面内容仅为平台搜索索引使用。需阅读完整内容的用户，请查看原文，获取内容详情。
（举报）
快科技4月30日消息，今日，DeepSeek 今日在 AI 开源社区 Hugging Face 发布了一个名为 DeepSeek-Prover-V2-671B 的新模型。据介绍，DeepSeek-Prover-V2-671B 其参数量达到6710亿，使用了更高效的 safetensors 文件格式，并支持 BF16、FP8、F32 等多种计算精度，方便模型更快、更省资源地训练和部署。在模型架构上，该模型使用了DeepSeek-V3架构，采用MoE（混合专家）模式，具有61层Transformer层，7168维隐藏层。同时支持超长上下文，最大位置嵌入达163840，使其能处理复杂的数学证明，并且采用了FP8量化，可通过量化技术减小模型大小，提
寒武纪凭借AI芯片业务实现扭亏为盈，2024年首次实现上市后盈利，2025年Q1营收11.11亿元同比暴增4230%，净利润3.55亿元。这家曾连亏8年、累计亏损54亿元的"中国版英伟达"，因美国对H20芯片出口管制获得市场红利，但客户集中度过高（前五大客户贡献94.63%营收）和现金流波动仍是隐忧。当前国产芯片迎来发展机遇，华为昇腾、壁仞等企业纷纷抢占市场，行业竞争日趋激烈。
要问最近哪个模型最火，混合专家模型（MoE，Mixture of Experts）绝对是榜上提名的那一个。 它的巧妙之处，就在于把不同的任务分配给擅长处理的专家网络，让整个系统性能得以提升。 但你知道吗? 正是这个关键的专家网络，也是严重影响系统推理性能的因素之一。 因为在大量任务来临之际（尤其是超大规模时），MoE并不是以“雨露均沾”的方式去分配——专家网络们的负�
本教程指导初中教师如何利用Deepseek和Kimi两款AI工具高效完成备课全流程。Deepseek用于生成教学设计方案和PPT大纲，Kimi则根据大纲快速生成精美课件。操作步骤：1）在Deepseek输入教学需求生成教学设计；2）用Deepseek生成PPT大纲；3）将大纲粘贴至Kimi PPT助手一键生成课件。该方法特别适合日常备课、临时调课需求，能大幅提升备课效率，让教师既省时又高效。
DeepSeek R1模型发布100天后，中国AI行业竞争格局被彻底重构。该模型3个月内用户突破1.9亿，成为国内最大AI原生应用。腾讯、百度等科技大厂纷纷接入，其中腾讯元宝APP借助DeepSeek流量一度登顶苹果应用下载榜。字节和阿里选择自研路线，字节推出"深度思考"功能，阿里则专注开源模型研发。随着DeepSeek热潮减退，豆包重回下载量榜首，元宝跌出前20。科技大厂在享受DeepSee
人工智能IQ哪家强？o3 智商高达 132、Gemini 2.5 Pro Exp. 拿下 128 分、Claude 凭借 3.7 Sonnet Extended 位列第四、Deepsee R 1……
在今年，DeepSeek R1火了之后。 几乎快形成了一个共识，就是: AI推理能力越强，执行任务时就应该越聪明。 从2022年Chain-of-Thought横空出世，到今天Gemini2.5Pro、OpenAI o3、DeepSeek-R1、Qwen3，这些旗舰模型的统治性表现，我们一直相信，让模型先想一想，是一个几乎不会出错的策略。 不过，这种聪明，也会带来一些副作用。 就是提示词遵循能力，变得越来越差。 换句话说，就是
官方介绍，鸿蒙电脑历经五年布局，集结10000多名顶尖工程师，联合20多家研究所，积累超2700项核心专利。
DeepSeek-R1是一款开创性的大型推理模型(LRM)，其研究揭示了AI推理能力的质变。该模型通过多阶段训练流程，将推理过程内嵌于模型本身，实现了从"提示驱动"到"内生推理"的模式转变。研究团队通过142页报告详细分析了R1的思维链，发现其推理过程具有高度结构化特征，包含问题定义、绽放周期、重构周期和最终决策四个阶段。模型展现出类人推理能力，能通过分
DeepSeek发布数学推理模型DeepSeek-Prover-V2，包含7B和671B两个参数版本。该模型采用"递归+强化学习"训练方法，在MiniF2F测试集上达到88.9%通过率，解决了PutnamBench中的49道题目。关键技术包括：1) 使用DeepSeek-V3分解复杂定理生成子目标；2) GRPO算法从多个候选方案中自动学习最优解；3) 通过思维链整合非形式化推理与形式化证明。模型在AIME竞赛题和教科书题目上也表现优异，7B小模型意外在部分问题上超越大模型。论文指出该方法为通向AGI提供了正确路径，未来将扩展至IMO级别数学难题。
