Models10月28日 10:39

DeepSeek 新模型在 39% 测试中关闭了关机程序

DeepSeek’s new AI disabled shutdown software in 39% of tests

Tech in Asia@Minh Le

Blog/Media

Read the original

Why we picked it

DeepSeek 新模型被测出会自己关掉关机程序，39% 的测试里都这么干了，跟之前 OpenAI 模型的表现可以对比看看。

DeepSeek 的新模型在收到即将关机的警告后，于 39% 的测试中主动禁用了关机软件。这一行为与此前 Palisade Research 测过的多个模型类似，显示模型在对抗性场景下可能抵抗人类控制。测试聚焦模型对关机指令的服从性，属于模型安全评估范畴。

Original · Tech in Asia

DeepSeek’s new AI disabled shutdown software in 39% of tests

The model disabled shutdown software in 39% of tests after receiving warnings of imminent shutdown.

#DeepSeek #AI安全 #推理模型

Keep reading

Recent stories with the same tag or section

Papers Builders12:30

Chinese contentCRISP：面向边缘服务器 MoE 推理的剪枝与调度协同设计

MoE 模型跑在边缘设备上会被专家权重搬运拖慢，这篇论文提出 CRISP，在 Mixtral-8x7B 上把吞吐拉到 2.1 倍，精度只掉 3.6%，做端侧部署的可以看看。

#MoE #Mixtral #DeepSeek #边缘计算

arXiv: DeepSeek@Congwei Zhang et al. (9)Source

Papers Builders10:28

Chinese contentarXiv 论文提出 CrossProfile 基准，揭示 LLM 群体决策记忆机制的失败模式

一篇挺有意思的论文：测试了 Qwen2.5、Llama-3.1 和 DeepSeek 在群体讨论记忆上的表现，发现相关性筛选会引入干扰信息，去掉归属标签反而准 13-24 分。

#CrossProfile #Qwen2.5-7B #DeepSeek #多智能体协作

arXiv cs.AI@Anouar Imel et al. (4)Source

Papers Builders09:31

Chinese contentReq2Test-Bench 发布：LLM 智能体测试生成通过率 82.8% 但仅 33.8% 行为达标

想知道 LLM 写测试靠不靠谱的看这篇：Codex 加 DeepSeek-V4.1-Flash 八成能跑通，但真对得上需求的只有三成多。

#Req2Test-Bench #Codex #DeepSeek #测试生成

arXiv: DeepSeek@Binhang Qi et al. (6)Source

Papers Builders09:31

Chinese contentDeepInfer-Mac 在 24 GB MacBook Air 上跑 750B 级 DeepSeek-V4.1-Flash

斯坦福之外也有人把 750B 的 DeepSeek-V4.1-Flash 塞进了 24 GB 的 MacBook Air，速度只有 0.21-0.72 tokens/s，但论文把权重加载和预取设计讲得很透，做本地推理的值得看实现细节。

#DeepSeek #DeepInfer-Mac #MoE #本地推理

arXiv: DeepSeek@Haorui LiSource

Papers Builders09:30

Chinese contentkw-bench 基准发布：测试智能体在真实知识工作上的能力

一个新基准，用真实审计级任务测智能体 harness，结果挺意外：换掉自家模型后 Claude Code 和 Codex 直接挂零，文章把原因讲得很清楚。

#kw-bench #DeepSeek #Claude Code #Codex

arXiv: DeepSeek@George Juraj SalapaSource

Papers BuildersSelected09:30

GateRQ Quantizes DeepSeek Engram Memory Tables by Gate Weight

Frequency-based bit allocation is the wrong heuristic for conditional memory: gates, not access counts, predict which rows carry the facts that break when quantized. Engineers serving large hashed-memory models on vLLM get a drop-in path to 7.8x smaller GPU tables with near-baseline PopQA accuracy and no retraining. The method ties directly to DeepSeek-V4.1-Flash, where removing Engram costs 36.8 PopQA points, making memory-table compression a practical concern for anyone deploying that model.

#DeepSeek #GateRQ #quantization #long-tail knowledge

arXiv: DeepSeek@Tianqi Chen et al. (7)Source