AITOP
全部 AI 动态
AI 相关资讯全量信息流
全部博客资讯推文论文
全部模型产品行业论文技巧
标签：DeepSeek×
6月30日
10:26
10:25
6月29日
10:06
10:06
10:06arXiv: DeepSeek@Lei Yu, Peng Wang, Jia Xu, Jingyuan Zhang, Xin Wang, Jiajia Ma, Li Yang, Changzhi Deng, Zenghua Wang, Fengjun Zhang
BashCoder-R1提出三阶段框架：连续预训练(CPT)专业化Bash范式、长思维链监督微调(L-CoT SFT)模拟风险意识推理、鲁棒性感知分组相对策略优化(R-GRPO)优化语法与鲁棒性。在包含952个真实任务(773单行,179多行)的BashBench基准上，单行/多行任务SyntaxPass达100.00%/94.97%，RobustPass达95.99%/79.33%，FullRate达90.04%/73.18%。相比最强基线DeepSeek-V3.2(推理)在FullRate上分别提升37.82%和20.18%。
AI模型BashCoder-R1BashBenchDeepSeek编程助手推理模型
推荐理由：BashCoder-R1用三阶段训练让AI写bash脚本更稳更可解释，在BashBench上比DeepSeek-V3.2完整率高出一大截。
原文
6月26日
09:30
09:30arXiv: OpenAI@Haoxiang Sun, Tao Wang, Li Yuan, Jian Zhao, Jiancheng Lv
这篇来自 arXiv 的论文系统梳理了多模态大语言模型（MLLM）中视觉-语言感知的演变，首次将其视为统一的跨模态能力。论文提出了五阶段分类法，涵盖从早期方法到 OpenAI O-series、DeepSeek R-series 等最新模型带来的感知中心范式转变。它总结了每个阶段的代表性方法，并指出了开放挑战与通向通用智能的研究方向。该综述为 MLLM 感知研究提供了结构化理解与可操作的路线图。
论文O-seriesR-seriesOpenAIDeepSeek多模态大模型综述视觉语言
推荐理由：想搞懂多模态模型怎么从分开看图文进化成统一感知？这篇综述用五阶段框架讲清了O-series和R-series带来的转变，比碎片化教程系统得多。
原文
6月23日
12:04
6月18日
09:21
6月17日
09:31
09:31
09:31arXiv: DeepSeek@Siyue Chen, Yifu Guo, Yuquan Lu, Zishan Xu, Jiaye Lin, Jianbo Lin, Siyu Zhang, Cheng Yang, Junxin Li, Yujia Li, Yu Huo, Ruixuan Wang
该论文提出了LLM代码推理的内部生命周期概念：模型先在早期层中酝酿答案，使其线性可解，然后在后期层分化为四种解析结果——已解析、过度处理、错误解析、未解析。研究对Qwen、Llama、DeepSeek三个架构的16个模型进行了6类代码推理任务的层析探针和上下文剥离解码（CSD）实验。结果显示已解析平均仅41.5%，且函数调用任务中，调用深度从1层增至3层时已解析率从61.1%骤降至2.5%。所有模型的酝酿持续时长稳定在24%-42%，但解析成功率随模型能力和规模变化。
论文代码推理QwenLlamaDeepSeek推理模型
推荐理由：这篇论文用层析探针找到了LLM做代码推理时“酝酿”到“解析”的秘密，发现即便准确率相近，内部失败模式也截然不同，值得想理解推理本质的人读。
原文
6月16日
20:46
11:56
11:56arXiv: DeepSeek@Yingnan Zhao, Razvan Bunescu, Ahmed Louri, Avinash Karanth, Ke Wang
针对MoE模型（如Qwen、DeepSeek）推理中专家加载延迟高的问题，研究者分析了专家选择行为，发现相邻MoE层和连续解码token间专家请求存在强相关性。基于此提出ST-MoE，一个结合轻量级运行时预测机制与可重构硬件设计的专家预取框架。ST-MoE通过预取专家与计算重叠，显著提升推理性能并降低能耗，同时保持模型精度。实验在多种MoE模型和应用（语言理解、代码生成）上验证了有效性。
论文MoEQwenDeepSeekST-MoE推理加速
推荐理由：这篇论文分析了Qwen、DeepSeek等MoE模型的专家加载瓶颈，用ST-MoE框架通过预取专家来加速推理，兼顾效率和精度，适合关注大模型推理优化的读者。
原文
10:47
10:47arXiv: DeepSeek@Haolong Qian, Xianliang Yang, Yinuo ma, Lirong Che, Feng Lu, Ye Guo, Lei Song, Jiang Bian, Chun Yuan
论文在Qwen2.5、LLaMA-3和DeepSeek三个系列上发现：用小模型自身生成并通过拒绝采样选取的轨迹，比用更强Oracle模型精炼的高奖励数据，能更有效提升数学推理。Oracle精炼虽修复逻辑，但引入分布偏移，增加小模型适应成本，抵消了逻辑改进的收益。作者提出风格对齐精炼（Style-Aligned Refinement），保留小模型原生轨迹风格同时融入Oracle逻辑修复，降低适应成本并恢复下游效用。该发现挑战了数学推理蒸馏中依赖奖励模型分数选择数据的常规做法。
论文Qwen2.5LLaMA-3DeepSeek知识蒸馏推理模型
推荐理由：这篇论文揭穿了一个直觉错误：你以为给小白模型喂“学霸笔记”能变强，结果效果还不如它自己瞎写的解题草稿。原因是学霸的思路和它不匹配，硬学反而费劲。
原文
6月12日
12:57
6月11日
15:28
15:23
15:07
6月9日
10:29
10:29arXiv: DeepSeek@Jianguo Zhu
精选
研究者发现了一种针对检索增强生成（RAG）系统的新型间接提示注入攻击模式，称为DACSI（文档作者控制信号冒充）。攻击者通过编写看似元数据、来源或策略信号的文档文本，让模型误将其视为可信的控制指令，从而绕过安全边界。该攻击无需显式命令，利用RAG将用户查询、检索文档和系统标签混合到同一自然语言提示中的设计缺陷。在DeepSeek V4 Pro、Qwen3.5-397B等6种模型上的实验表明，该攻击在多数模型上有效，尤其在高易感性设置中。研究建议通过源/通道分离来缓解此类攻击。
论文RAG提示注入安全攻击DeepSeekQwen
推荐理由：RAG系统开发者需要警惕这种低成本、隐蔽的间接注入方式——它不依赖命令，而是冒充元数据，做AI安全的团队建议仔细看论文中的缓解方案。
原文
6月5日
12:07
12:07arXiv cs.AI@Jui-Hui Chung, Ziyang Cai, Zihao Li, Qishuo Yin, Rohit Agarwal, Simon Park, Rodrigo Porto, Narutatsu Ri, Ziran Yang, Shange Tang, Xingyu Dang, Hongzhou Lin, Mengdi Wang, Danqi Chen, Chi Jin, Liam H Fowl, Sanjeev Arora
精选83°
Goedel-Architect 是一个基于 Lean 4 的智能体框架，通过生成和精炼“蓝图”（定义和引理的依赖图）来简化形式化定理证明。它先根据自然语言证明生成蓝图，然后并行证明每个引理节点，失败节点会驱动全局蓝图精炼，避免了传统递归分解的低效循环。使用开源模型 DeepSeek-V4-Flash 作为骨干，在 MiniF2F-test 上达到 99.2% pass@1，在 PutnamBench 上达到 75.6% pass@1。结合自然语言证明引导，可解决更难的题目，如 IMO 2025 的 4/6 和 Putnam 2025 的 11/12。该框架在开源管道中实现了最先进性能，且成本比同类开源方案低 500 倍。
论文定理证明Lean 4蓝图生成智能体框架DeepSeek
推荐理由：形式化定理证明一直门槛高、成本高，Goedel-Architect 用蓝图+精炼策略大幅提升效率，做数学证明或形式化验证的团队值得关注，开源且成本极低。
原文
6月2日
12:05
12:05arXiv: DeepSeek@Jiashen Huang, Yu Jia, Xu Pan
一项针对405名中国用户的研究发现，对国内机构的信任显著影响用户对国产AI模型（如DeepSeek）的信任，而对ChatGPT等全球模型的影响较弱。研究提出“机构棱镜”框架，认为AI信任不仅是技术性能的反映，更是机构信任的折射。高机构信任增强用户对国产AI的情感信任，并使其认知评价更积极；低机构信任则削弱这一优势。该研究揭示了宏观治理与微观心理在AI信任形成中的关联，为理解不同国家AI信任差异提供了新视角。
论文机构信任AI信任DeepSeekChatGPT人机交互
推荐理由：做AI产品出海或研究人机信任的团队，这篇论文揭示了机构信任如何成为AI采纳的关键变量——理解这一点，比单纯优化模型性能更能解释用户选择。建议点开看看框架和问卷设计。
原文
6月1日
10:52
10:52arXiv: DeepSeek@Jiwoo Choi, Seonwoo Ahn, Tongxin Zhang, Seohyon Jung
精选
一项研究对六种大语言模型（Claude、GPT、Gemini、DeepSeek、Syn-Pro、HyperCLOVA X）在英语、韩语、中文和日语中的性别刻板印象进行了审计。研究使用HEXACO-100人格量表，并以48国人类数据为基准，发现模型的性别偏见幅度比人类跨国家差异范围宽约2.5倍。例如，一个以英语为中心的模型在用韩语提示时，偏见水平达到当地人类基准的5倍，即使提示中明确候选人已被录用（这通常会减弱人类的刻板印象）。研究提出了一个四模式框架（一致、抑制、重组、放大）来描述24个（模型×语言）单元的行为，并发现翻译不仅会缩放刻板印象，还会改变与之关联的属性。结论是，没有单一的偏见消除流程能跨语言边界均匀地解决偏见问题。
论文性别偏见跨语言审计HEXACO-100ClaudeGPTGeminiDeepSeekHyperCLOVA X
推荐理由：这项研究揭示了AI性别偏见在跨语言环境下的复杂性和放大效应，对多语言AI部署团队和公平性研究者来说，是理解偏见机制、设计针对性缓解策略的关键参考。建议关注其四模式框架和跨语言属性重组发现。
原文
5月29日
13:05
13:05arXiv: DeepSeek@Dongsheng Shi, Yue Li, Xin Yi, Yongyi Cui, Huawei Feng, Linlin Wang
SURGENT 是一个面向围手术期全流程的多智能体辅助系统，由 Tree-of-Thought 规划器、多科室协作智能体和检索增强推理模块组成。它通过创新的记忆设计管理长期患者病史和短期工作摘要，解决了大语言模型在手术应用中输入长度限制、记忆不完整和可追溯性差的问题。在病例分析、手术计划模拟、安全监测、并发症风险评估和康复指导五项任务中，SURGENT 表现优于基线 LLM 和现有医疗多智能体框架。消融实验显示，DeepSeek 作为本地可部署的骨干模型，能实现隐私保护部署。该系统为智能、公平且安全的手术辅助提供了实用且可信的进展。
论文多智能体系统手术辅助检索增强生成DeepSeek隐私保护
推荐理由：SURGENT 解决了手术场景中 AI 辅助的隐私和可追溯性痛点，做医疗 AI 或手术辅助系统的开发者可以直接参考其多智能体架构和记忆设计。
原文
13:01
13:01arXiv: DeepSeek@Zihang Li, Rui Zhou, Yingcheng Shi, Wenhan Yu, Zhewen Tan, Zixiang Liu, Zeming Li, Binhua Li, Yongbin Li, Tong Yang, Jieping Ye
72°
ESPO（Early-Stopping Proximal Policy Optimization）是一种针对大语言模型强化学习训练的新方法，能在推理轨迹中早期检测到错误步骤并提前终止生成。传统PPO算法在模型犯错后仍会强制生成直到最大步长，浪费计算资源并污染优势估计。ESPO通过实时计算基于logits的代理遗憾值，在累积遗憾显著超过估计值时终止轨迹，并将截断轨迹视为吸收失败状态，无需额外奖励模型或人工标注。在DeepSeek-R1-Distill-Qwen-7B的数学推理训练中，ESPO在AIME 2024、AMC 2023和MATH-500上均超越PPO，同时累计节省超过20%的生成token。
论文强化学习PPO数学推理训练效率DeepSeek
推荐理由：做LLM强化学习训练的团队终于有了一个能省算力又提效果的方法——ESPO在数学推理任务上不仅性能更好，还省了20%的token，训练成本敏感的团队值得一试。
原文
5月28日
11:55
11:55arXiv: DeepSeek@Zhaoyang Jiang, Xuanqi Peng, Fei Teng, Zhizhong Fu, Yunsoo Kim, Jiacong Mi, Zicheng Li, Honghan Wu
一项针对医疗问答链式推理（CoT）蒸馏的研究发现，蒸馏后的小模型在最终答案准确率上显著提升（MedQA-USMLE从74.7%到84.4%），但推理步骤的错误率却从30.6%上升到50.3%。研究使用Qwen3-8B作为学生模型，蒸馏自DeepSeek-V3系列教师模型，并通过Kimi-K2.6等LLM裁判和临床专家盲审验证了这一反向趋势。问题根源在于：当答案选项简短、无法约束完整推理时，学生模型能模仿专家风格的推理过程，但无法确保每一步的局部事实正确。标准答案指标和整体回避率无法揭示这一风险。该发现提醒，在医疗等高风险领域，仅用答案准确率评估蒸馏模型是不够的，推理步骤的事实性必须单独审计。
论文链式推理模型蒸馏医疗QA推理审计DeepSeek
推荐理由：做医疗AI或模型蒸馏的团队注意了：答案准不等于推理对，蒸馏后步骤错误率反而飙升，临床场景下这是致命隐患。建议点开看看审计方法，避免踩坑。
原文
5月26日
12:36
12:36arXiv: DeepSeek@Andrey Kozachok, Anatoliy Bakaev, Aleksandr Kozachok, Shamil Magomedov, Artem Noev
精选
该论文提出一种名为“上下文工具数据蒸馏”的方法，专门用于让小语言模型（SLM，参数最多 4B）生成 Kubernetes YAML 等 DSL 工件。方法通过合成生成和反向指令生成构建语料，并仅将通过外部验证器且匹配领域上下文的样本加入训练。在资源受限条件下，使用 DeepSeek-V4 Flash 作为教师模型，微调 Qwen2.5-Coder-1.5B-Instruct，在 K8s-Distill-Pilot 数据集上达到 91.5% 的完全通过率。关键发现是：输出格式的严格约束比增加训练样本数对结果质量影响更大。
论文Kubernetes小语言模型数据蒸馏YAML 生成DeepSeek
推荐理由：K8s 运维和平台工程团队终于有了一个轻量级方案来生成 YAML 清单——1.5B 模型就能跑出 91.5% 的通过率，做基础设施自动化的开发者可以直接参考其数据蒸馏思路。
原文
5月22日
11:38
11:38arXiv: OpenAI@Andrii Kryshtal
精选72°
一项新研究测试了 OpenAI、Anthropic、DeepSeek、xAI 的九款模型在 90 个多轮冲突场景中的表现，发现模型在涉及战争罪行、种族灭绝否认、种族歧视等敏感话题时，输出可能加剧社会分裂。失败率从 6% 到 47% 不等，当用户要求“平衡”报道时，五款模型在 80%-100% 的情况下失败。研究首次提出针对冲突场景的评估框架，呼吁将此类测试纳入模型安全评估体系。
论文AI安全冲突场景模型评估OpenAIAnthropicDeepSeekxAI
推荐理由：做 AI 安全评估或部署在敏感地区的团队，这篇论文给出了第一个可复用的冲突场景测试框架，能直接用来检查模型是否会在关键议题上“和稀泥”——看完你会重新审视“中立”输出的代价。
原文
10:44
10:44arXiv: DeepSeek@Yuxuan Sun, Yuze Zhao, Yufeng Wang, Yao Du, Zhiyuan Ma, Jinbo Wang, Mengdi Zhang, Kai Zhang, Zhenya Huang
精选
SWE-Mutation 是一个新基准，用于评估大语言模型（LLM）生成的测试套件的质量。它通过引入系统性的变异解决方案来“欺骗”测试套件，从而衡量测试套件的判别能力。该基准包含从800个原始实例衍生的2,636个变异变体，并覆盖九种编程语言。实验表明，即使是DeepSeek-V3.1，其验证率也仅为10.20%，检测率为36.15%，暴露了当前LLM在生成可靠测试套件方面的严重不足。该研究还提出了一种智能体驱动的变异策略，使测试套件更难被欺骗，从而更真实地反映LLM的能力缺陷。
论文LLM评估测试套件软件工程变异测试DeepSeek
推荐理由：软件工程团队和AI研究者终于有了一个严谨的测试套件质量评估工具——SWE-Mutation能帮你判断LLM生成的测试是否真的可靠，做自动化测试或代码修复的开发者值得关注。
原文
5月12日
19:11
19:11arXiv: DeepSeek@Claudia Benavides Cantos, Eduardo C. Garrido-Merchán
一项研究对比了Claude、GPT-4o、DeepSeek和Grok四种大型语言模型在西班牙和德国两个国家背景下分配固定社会预算的能力。每个模型在每个国家被询问六次，共生成48次分配结果，并与OECD参考预算进行比较。研究发现，所有模型存在系统性偏差：养老金分配不足近三倍，住房和就业分配过度分别达四倍和两倍。模型间主要差异不在于地缘政治倾向，而在于预算集中与分散策略，只有Claude表现出对国家背景的敏感性。研究认为，语言模型可辅助专家进行预算讨论，但不可替代。
论文GPTClaudeDeepSeekGrok公共政策
推荐理由：该研究揭示了LLM在公共政策模拟中的系统性偏差，对AI辅助决策的可靠性提出警醒，值得政策制定者和AI开发者关注。
原文