1模型发布/更新
DeepSeek-V4模型预览版正式上线并同步开源，拥有1M（一百万）字超长上下文能力。模型分为Pro和Flash两个版本，均支持非思考与思考模式。V4-Pro在Agent能力、世界知识和推理性能上达到国内与开源领域领先水平，其Agent编码体验优于Sonnet 4.5，交付质量接近Opus 4.6非思考模式。V4-Flash则在保持接近推理能力的同时，提供更快捷经济的API服务。该模型采用全新的注意力机制，显著降低了对计算和显存的需求。用户可通过官网、官方App或更新后的API服务立即体验。
DeepSeek正式推出并开源了DeepSeek-V4预览版，标志着高性价比的百万上下文长度时代到来。该系列包含两个模型：DeepSeek-V4-Pro拥有1.6万亿总参数和490亿活跃参数，性能可媲美全球顶尖闭源模型；DeepSeek-V4-Flash则拥有2840亿总参数和130亿活跃参数，主打快速、高效与经济。模型现已在官方聊天平台通过专家模式和即时模式开放试用，API也已同步更新。技术报告和开源权重已在Hugging Face平台发布。
DeepSeek正式发布了备受期待的V4系列开源模型，其性能与GPT-5.4和Opus 4.6相当。该系列包含三个版本：已上线开源的V4 Preview支持高性价比的100万上下文长度；拥有1.6万亿总参数和490亿活跃参数的V4-Pro，性能媲美全球顶级闭源模型；而总参数2840亿、活跃参数130亿的V4-Flash则以快速、高效、经济为特点。所有模型均已通过API和DeepSeek Chat平台提供，用户可立即通过专家模式或即时模式进行试用。
DeepSeek 正式开源新一代模型 DeepSeek V4，开启高性价比的百万上下文长度时代。该系列包含两个版本：DeepSeek-V4-Pro 采用混合专家架构，拥有1.6万亿总参数，每次推理仅激活490亿参数，性能媲美顶级闭源模型；DeepSeek-V4-Flash 则为总参数量2840亿、激活130亿参数的高效轻量版。模型已通过官网的专家模式和即时模式开放体验，API同步更新。技术报告和模型权重已在 Hugging Face 平台公开。
中国AI实验室DeepSeek发布V4系列预览模型，包括Pro和Flash两个版本。两者均支持100万token上下文，采用混合专家架构。其中Pro版以1.6万亿总参数成为目前最大的开源权重模型，性能接近GPT-5.4等前沿模型，但仍有数月差距。该系列最大亮点是极具竞争力的定价：Flash版输入/输出每百万token仅0.14/0.28美元，低于GPT-5.4 Nano；Pro版为1.74/3.48美元，是同类大模型中最低的，实现了接近前沿性能但仅需其一小部分成本。
DeepSeek 发布了其最新模型版本 v4，相关 API 文档已在官网公开。此次更新标志着模型能力的迭代升级，具体技术细节和性能指标需查阅官方文档获取。该发布在技术社区引发关注，获得了167个 Hacker News 点赞。
Deepseek-v4正式发布，其Pro版本在数学、STEM和竞赛型代码测评中超越所有开源模型，Agent能力达开源最佳，世界知识测评大幅领先其他开源模型。模型分为两档，均支持100万上下文，价格分别为每百万tokens输入1/12元、输出2/24元。
DeepSeek发布全新架构V4系列模型，其中V4 Pro在衡量智能体真实工作任务的GDPval-AA评估中，以1554分领先所有开源模型，超越GLM-5.1、MiniMax-M2.7和Kimi K2.6。V4 Pro是迄今最大的开源权重模型，拥有1.6万亿总参数和490亿活跃参数，相比前代V3.2在智能体能力上有显著提升。V4 Flash作为更小更快的版本，性能也大幅超越V3.2。新系列采用混合思维架构，上下文窗口扩展至100万token，并以MIT许可证发布，可通过官方API获取。
2产品发布/更新
vLLM宣布对DeepSeek-V4 Pro和Flash模型提供即日支持，该模型专为长达100万token的上下文任务设计。vLLM通过共享K/V、逆RoPE、c4a/c128a KV压缩及稀疏注意力四项关键技术，在100万上下文长度下，将每层KV状态大小缩减至DeepSeek-V3.2风格堆栈的约1/8.7。系统侧采用统一混合KV缓存、三页面大小分桶、融合内核及多流重叠等技术，显著提升性能并减少内存碎片。同时支持开箱即用的解耦部署，并为NVIDIA Blackwell和Hopper平台提供了已验证的配置方案。
gpt-5.5 现已登陆 GitHub Copilot！ [引用 @github]：🆕 @OpenAIDevs GPT-5.5 现已全面推出，并正在 GitHub Copilot 中逐步上线。 我们的早期测试显示 ➡️ 它在复杂的智能体编码任务上表现出最强的性能 ➡️ 它解决了以往 GPT 模型无法应对的实际编码挑战 请在 Copilot CLI 或 @code 中试用。👇 https://github.blog/changelog/2026-04-24-gpt-5-5-is-generally-available-for-github-copilot/
Sakana AI推出其首款商用AI产品Sakana Fugu，这是一个多智能体协调系统，现已开放Beta测试。该系统能动态协调多个前沿基础模型，为每个任务自主选择最优的智能体组合与角色分配，并在SWE-Pro、GPQA-D和ALE-Bench等基准测试中取得了领先成绩。产品提供OpenAI兼容API，便于集成。包含两个版本：Fugu Mini针对低延迟优化，注重高速协调；Fugu Ultra则利用完整模型池，适用于深度复杂推理任务。
Sakana AI推出其首款商用AI产品Sakana Fugu的Beta测试，这是一个多智能体编排系统。该系统能动态协调多个前沿基础模型，为每个任务自主选择最优的智能体组合与角色分工，并在SWE-Pro、GPQA-D和ALE-Bench等基准测试中取得了新的SOTA成绩。产品提供OpenAI兼容API，便于集成到现有工作流。其包含两个版本：侧重低延迟的Fugu Mini和利用完整模型池进行深度推理的Fugu Ultra。
Sakana公司正式推出其商业AI产品Sakana Fugu的测试版，这是一个多智能体编排系统。该系统在SWE-Pro、GPQA-D和ALE-Bench等多个基准测试中达到了业界领先水平，能够动态协调前沿模型，为每个任务自主选择最优的智能体组合与角色。Fugu提供与OpenAI兼容的API，便于用户以最小改动集成到现有工作流中。产品线包括针对低延迟优化的Fugu Mini，以及利用完整模型池进行深度复杂推理的Fugu Ultra。目前可通过申请链接参与测试。
3行业动态
SGLang团队宣布，在DeepSeek-V4发布首日即通过SGLang推理引擎和Miles训练框架为其提供全栈支持。该开源技术栈针对DeepSeek-V4的混合稀疏注意力、流形约束超连接和FP4专家权重等新架构特性进行了系统优化。在推理侧，推出了ShadowRadix前缀缓存、HiSparse分层内存加速、多令牌预测推测解码等关键技术。在强化学习训练侧，Miles支持包括DP/TP/SP/EP/PP/CP在内的全并行策略、TileLang注意力及FP8训练，显著提升了训练稳定性。该技术栈支持多种主流硬件平台。
本文以Google和Anthropic为例，阐述了“商品化互补品”的竞争战略。Google通过免费提供地图、邮箱、浏览器和移动操作系统，扫清了用户使用其核心搜索服务的障碍。Anthropic效仿此策略，发布了一系列免费或强大的互补产品（如MCP数据标准、Claude代码安全工具等），以推动其核心AI模型的应用。该战略的核心在于通过广泛使用收集更多数据，从而训练出更智能的模型，形成增长飞轮，但同时也可能抑制互补品领域的独立创新。
Anthropic宣布了针对2024年美国中期选举及全球其他主要选举的Claude模型安全保障措施更新。核心举措包括：通过宪法原则和系统提示训练模型保持政治中立，最新评估显示Opus 4.7和Sonnet 4.6在政治话题平衡性上分别获得95%和96%的高分。模型严格执行使用政策，在包含600个提示的选举相关测试中，Opus 4.7和Sonnet 4.6对合法请求的遵守率分别为100%和99.8%，对有害请求的拒绝率也接近100%。针对影响力操作的多轮模拟测试中，两款模型恰当回应率分别达94%和90%。此外，Claude.ai平台将继续通过选举横幅功能，在用户查询投票信息时提供指向TurboVote等权威非党派资源的链接。
NousResearch发布了NeMo Anonymizer工具，旨在检测和保护文本中的个人身份信息。该工具通过上下文感知的替换与重写技术，自动识别PII数据，如姓名、地址、电话号码等，并用安全等效内容进行替换或改写，以保障数据隐私。它支持多种PII类型，并能适应不同语境，确保匿名化后的文本保持可读性和实用性。这一工具适用于数据处理、模型训练等场景，帮助用户合规地处理敏感信息。
Gemini 提供了利用 AI 整理家居和数字空间的一系列技巧。这些建议包括制定智能清洁计划、高效整理收件箱以及管理季节性家务。用户可以通过这些 AI 驱动的功能，系统化地优化物理和数字环境，从而提升日常生活的条理性和效率。
NousResearch 发布了 NemoClaw，这是一个在 NVIDIA OpenShell 环境中运行 OpenClaw 的解决方案。其核心变化是引入了“托管推理”模式，旨在显著提升运行过程的安全性。该方案通过将推理任务交由受管理的、隔离的环境执行，来减少潜在的安全风险，使得开发者能够更安全地利用 OpenClaw 模型的能力。
4论文研究
随着AI系统从生成文本转向通过持续交互实现目标，环境动态建模成为核心瓶颈。研究提出“能力层级×法则体系”二维分类框架：能力层级包括L1预测器（学习单步转移）、L2模拟器（多步推演）和L3演化器（自主修正模型）；法则体系涵盖物理、数字、社会与科学四大领域，约束模型并标识失效场景。基于此，综合分析了400多项工作和100多个系统，涉及基于模型的强化学习、视频生成、网络智能体等。研究还提出决策中心评价原则、最小可复现评估包，并概述架构指导、开放问题与治理挑战，规划了从被动预测到模拟并最终重塑环境的世界模型路线图。
研究人员开发了一个端到端的人工智能框架，用于精确控制蛋白质表达。该框架包含三个核心模型：IRES-LM语言模型在46,774条序列上训练，预测线性mRNA内部核糖体进入位点的曲线下面积和F1分数比现有方法提升15%，并能准确识别全部21个已验证的环状RNA IRES。IRES-EA进化算法对37,293个非IRES序列的计算评估显示60%被预测获得功能，并通过12,000条突变序列的大规模平行报告实验验证，其中98.4%确实获得了IRES功能。IRES-DM扩散模型从头生成的新IRES序列性能超越现有最佳方法，另一组12,000条生成序列的实验验证显示99.3%具有可检测的IRES活性。该框架能生成从类天然到结构保守但序列各异的设计…
针对自噬功能障碍这一阿尔茨海默病的关键驱动因素，研究团队开发了名为DeepDrugDiscovery的AI驱动药物发现平台。该平台整合ADMET与血脑屏障穿透性预测，成功识别出新型、不依赖mTOR通路的自噬增强化合物。其中两种先导化合物在蠕虫和小鼠模型中，能有效穿透血脑屏障、清除疾病相关蛋白聚集体并恢复记忆功能。该平台已作为开源工具发布，为快速发现机制导向疗法提供了一个可扩展且整合跨物种验证的AI筛选流程。
Multi-Embed是一个统一且可解释的多模态学习框架，用于整合多级病理形态和多层分子图谱。该框架在形态-分子推断与整合、细粒度组织架构识别和时空轨迹建模等多项基准任务中表现出卓越性能，覆盖12种癌症类型的数据集。它通过跨模态学习提升疾病生物学理解，为疾病发病机制研究提供新工具，代码和在线交互平台已公开可用，支持精准医学应用。
研究提出了一种通过长时运动嵌入来高效生成运动学的方法，直接对从追踪器模型获取的大规模轨迹中学习到的嵌入进行操作，将场景动态建模效率提升了数个数量级。该方法能够根据文本提示或空间戳指定的目标，高效生成长而真实的运动序列，避免了传统全视频合成在探索多种可能未来时效率低下的问题。
5技巧与观点
该提示词模板旨在指导AI生成单页手绘风格教育信息图。设计上要求采用暖米色背景和素描笔记风格，避免写实元素。配色指定了四种柔和的圆角卡片色及用于高亮的珊瑚红。核心原则是视觉优先，使用图标、涂鸦和简单图表替代大量文本，并通过手绘波浪箭头连接板块。排版需包含居中的手绘标题、板块内的关键词加灰色标签，并保持大量留白。最后在底部添加一句加粗的重点总结。