09:26
官方一手arXiv: DeepSeek@Piotr Wilam
推荐理由：这篇论文用Python和Rust、两个模型，拆开了代码模型表示中任务和模型各自的影响，Rust概念电路更多，模型间差异很有意思。
DeepSeek-Coder-V1-6.7B
共 1 条相关 AI 资讯
7月24日
09:26
一项研究通过2x2设计（Python/Rust × Qwen2.5-Coder-7B/DeepSeek-Coder-V1-6.7B），测量了58个Python和57个Rust语法概念。结果发现：哪些概念有专用电路（What）由任务决定，Python的Spearman ρ为0.638，Rust为0.673。电路位置（Where）由模型决定：Qwen集中在L17-19层，DeepSeek在L6-7层。电路生长方式（How）也由模型决定，Qwen给原子概念早期峰值而DeepSeek没有。另外，Rust概念专用电路数量是Python的2-3倍，两个模型间共享神经元，DeepSeek共享程度是Qwen的1.94倍。