DeepSeek近日發(fā)布論文，闡述了一種更為高效的人工智能開發(fā)方法。該論文由創(chuàng)始人梁文鋒參與撰寫，提出了名為“流形約束超連接”(mHC)的框架。作者稱，該框架旨在提升可擴(kuò)展性，同時(shí)降低訓(xùn)練先進(jìn)人工智能系統(tǒng)的算力和能源需求。DeepSeek下一代旗艦系統(tǒng)R2預(yù)計(jì)將在2月份春節(jié)前后問世。

1月1日消息，DeepSeek發(fā)布了一篇新論文，提出了一種名為mHC（流形約束超連接）的新架構(gòu)。

該研究旨在解決傳統(tǒng)超連接在大規(guī)模模型訓(xùn)練中的不穩(wěn)定性問題，同時(shí)保持其顯著的性能增益。

這篇論文的第一作者有三位：Zhenda Xie（解振達(dá)）、Yixuan Wei（韋毅軒）、Huanqi Cao。值得注意的是，DeepSeek創(chuàng)始人梁文鋒也在作者名單中。

論文摘要指出，近來，以超連接（HC）為代表的研究通過拓寬殘差流寬度和多樣化連接模式，拓展了過去十年間確立的普遍采用的殘差連接范式。雖然這些改進(jìn)帶來了顯著的性能提升，但連接模式的多樣化從根本上削弱了殘差連接固有的恒等映射特性，導(dǎo)致嚴(yán)重的訓(xùn)練不穩(wěn)定性與受限的可擴(kuò)展性，同時(shí)還造成了顯著的內(nèi)存訪問開銷。

為了解決這些問題，DeepSeek提出了流形約束超連接（mHC）——一種通用框架，能夠?qū)C的殘差連接空間投影到特定流形上，從而恢復(fù)恒等映射特性，并融合嚴(yán)格的基礎(chǔ)設(shè)施優(yōu)化以確保運(yùn)行效率。

DeepSeek稱，實(shí)證實(shí)驗(yàn)表明，mHC能夠有效支持大規(guī)模訓(xùn)練，在提供明顯性能提升的同時(shí)具備更優(yōu)的可擴(kuò)展性。DeepSeek預(yù)計(jì)，mHC作為HC的一種靈活而實(shí)用的拓展，將有助于深化對拓?fù)浼軜?gòu)設(shè)計(jì)的理解，并為基座模型的演進(jìn)指明富有前景的方向。

內(nèi)部大規(guī)模訓(xùn)練結(jié)果顯示，mHC可有效支持規(guī)?；?xùn)練，當(dāng)擴(kuò)展率=4時(shí)，僅帶來6.7%的額外時(shí)間開銷。

圖為殘差連接范式的示意圖。本圖對比了 (a) 標(biāo)準(zhǔn)殘差連接、(b) 超連接 以及 (c) 流形約束超連接的結(jié)構(gòu)設(shè)計(jì)。與無約束的HC不同，mHC通過將連接矩陣投影到一個(gè)約束流形上，專注于優(yōu)化殘差連接空間，從而確保訓(xùn)練的穩(wěn)定性。

論文在結(jié)論與展望部分指出，實(shí)證結(jié)果表明，mHC能有效恢復(fù)恒等映射特性，相較于傳統(tǒng)HC，能以更優(yōu)的可擴(kuò)展性實(shí)現(xiàn)穩(wěn)定的大規(guī)模訓(xùn)練。關(guān)鍵的是，通過高效的基礎(chǔ)設(shè)施級優(yōu)化，mHC以可忽略的計(jì)算開銷實(shí)現(xiàn)了上述改進(jìn)。

論文還指出，作為HC范式的廣義拓展，mHC為未來研究開辟了多個(gè)重要方向：雖然本研究采用雙隨機(jī)矩陣確保穩(wěn)定性，但該框架可兼容針對特定學(xué)習(xí)目標(biāo)設(shè)計(jì)的多種流形約束探索；預(yù)計(jì)對差異化幾何約束的深入研究可能催生能更好權(quán)衡可塑性—穩(wěn)定性關(guān)系的新方法。此外，DeepSeek希望mHC能重新激發(fā)學(xué)界對宏觀架構(gòu)設(shè)計(jì)的關(guān)注。通過深化對拓?fù)浣Y(jié)構(gòu)如何影響優(yōu)化與表征學(xué)習(xí)的理解，mHC將有助于突破現(xiàn)有局限，并可能為下一代基礎(chǔ)架構(gòu)的演進(jìn)指明新路徑。

近期，DeepSeek動作不斷，“熱搜”也不斷。

2025年12月8日

梁文鋒入選《自然》年度十大科學(xué)人物

2025年12月8日，英國《自然》雜志網(wǎng)站發(fā)布2025年度十大科學(xué)人物榜單，中國人工智能企業(yè)深度求索創(chuàng)始人梁文鋒和中國科學(xué)院深?？茖W(xué)家杜夢然入選。

2025年1月，來自中國的一則公告震撼了人工智能界。深度求索公司發(fā)布其強(qiáng)大而低成本的R1推理模型?！蹲匀弧冯s志網(wǎng)站稱，這瞬間證明美國在人工智能領(lǐng)域的發(fā)展并不像許多專家想象的那樣遙遙領(lǐng)先。

2025年12月1日

DeepSeek發(fā)布兩個(gè)正式版模型

據(jù)DeepSeek官微，2025年12月1日，DeepSeek發(fā)布兩個(gè)正式版模型：DeepSeek-V3.2和DeepSeek-V3.2-Speciale。DeepSeek-V3.2強(qiáng)化Agent能力，官方網(wǎng)頁端、App和API均已更新為正式版DeepSeek-V3.2。Speciale版本目前僅以臨時(shí)API服務(wù)形式開放，以供社區(qū)評測與研究。

2025年11月27日

DeepSeek推出新模型

2025年11月27日，DeepSeek推出新型數(shù)學(xué)推理模型DeepSeekMath-V2，采用可自我驗(yàn)證的訓(xùn)練框架。該模型基于DeepSeek-V3.2-Exp-Base構(gòu)建，通過LLM驗(yàn)證器自動審查生成的數(shù)學(xué)證明，并利用高難度樣本持續(xù)優(yōu)化性能。

2025年10月20日

DeepSeek開源新模型

2025年10月20日，DeepSeek-AI團(tuán)隊(duì)發(fā)布《DeepSeek-OCR：Contexts Optical Compression》論文，提出利用視覺模態(tài)壓縮長文本上下文的新方法。根據(jù)介紹，此次開源的 DeepSeek-OCR 由兩個(gè)部分組成：核心編碼器 DeepEncoder 和解碼器 DeepSeek3B-MoE-A570M。在實(shí)際生產(chǎn)中，DeepSeek-OCR 可在單塊 A100-40G 顯卡上每天生成超過 20 萬頁的大語言模型 / 視覺語言模型訓(xùn)練數(shù)據(jù)。

2025年9月29日

DeepSeek-V3.2-Exp模型正式發(fā)布

2025年9月29日，深度求索公司發(fā)布了 DeepSeek-V3.2-Exp 模型，其宛如再次向國產(chǎn)芯片江湖投入一枚巨石。

官方公告顯示，新版本模型實(shí)驗(yàn)性地引入了 DeepSeek Sparse Attention（一種稀疏注意力機(jī)制），其顯著降低計(jì)算資源消耗并提升推理效率。

而得益于這一技術(shù)創(chuàng)新，深度求索宣布其官方App、網(wǎng)頁端、小程序均已同步更新為新模型，并全面下調(diào)API價(jià)格，降幅在50%到75%不等。

值得注意的是，不同于上次發(fā)布 DeepSeek-V3.1版本時(shí)“猶抱琵琶半遮面”的狀態(tài)，此次 V3.2 EXP 版本的發(fā)布，幾乎零時(shí)差引發(fā)數(shù)個(gè)國產(chǎn)芯片廠商——華為、寒武紀(jì)、海光等的“認(rèn)領(lǐng)”。

2025年9月17日

登上《自然》！DeepSeek-R1訓(xùn)練方法發(fā)布

2025年9月17日，由DeepSeek團(tuán)隊(duì)共同完成、梁文鋒擔(dān)任通訊作者的DeepSeek-R1推理模型研究論文，登上國際頂級期刊《自然（Nature）》的封面。該期刊編輯部直言：目前幾乎所有主流的大模型都還沒有經(jīng)過獨(dú)立同行評審，這一空白“終于被DeepSeek打破”。

DeepSeek-R1包含一個(gè)在人類監(jiān)督下的深入訓(xùn)練階段，以優(yōu)化推理過程。梁文鋒團(tuán)隊(duì)報(bào)告稱，該模型使用了強(qiáng)化學(xué) 習(xí) 而非人類示例來開發(fā)推理步驟，減少了訓(xùn)練成本和復(fù)雜性。DeepSeek-R1在被展示優(yōu)質(zhì)的問題解決案例后，會獲得一個(gè)模板來產(chǎn)生推理過程，即這一模型通過解決問題獲得獎(jiǎng)勵(lì)，從而強(qiáng)化學(xué)習(xí)效果。團(tuán)隊(duì)總結(jié)說， 未來研究可以聚焦優(yōu)化獎(jiǎng)勵(lì)過程，以確保推理和任務(wù)結(jié)果更可靠。

來源：綜合自證券時(shí)報(bào)、財(cái)聯(lián)社、21世紀(jì)經(jīng)濟(jì)報(bào)道及公開信息