DeepSeek（深度求索）的模型发布、开源权重与技术报告——开源大模型价格与性能双卷的风向标。
DeepSeek 公开并开源了面向工程实践的 Super-agent 智能体架构原型，旨在解决多任务协作受人类注意力限制的问题。该系统采用上层 Router 统筹与下层 Worker 执行的双层架构，支持跨平台上下文延续、投机执行以及 Watchdog 监督自愈机制。在模拟多任务环境测试中，Super-agent 任务完成时间中位数为 12.4 分钟，表现优于传统单会话方案。
推荐理由：该方案给出了多会话调度与投机执行的双层设计，为构建能跨平台长期自主运行的智能体系统提供了工程参考。
DeepSeek 在 Apache 2.0 协议下开源了内部推理框架 DeepInfer，用于支撑其 V4.1-Flash 模型的大规模快速响应。该框架基于 vLLM 构建，包含优化计算核、多芯片分布式处理和更快的文本生成技术，未来模型的代码也将开源。同时发布的 deepseek-recipe 可复刻官方 API 的 token 处理逻辑，帮助社区保持自建部署与官方服务表现一致并降低算力成本。
推荐理由：原文给出了框架的优化方向和配套组件，读者可以据此评估低成本自建部署大模型的具体方案。
美国国土安全部已禁止联邦民事机构使用中国 DeepSeek 的 AI 技术，要求各机构从 IT 系统中移除现有产品并不再购买新服务。禁令范围涵盖关联公司产品以及基于 DeepSeek 构建的第三方服务，但官方尚未设定清理期限或说明具体安全担忧，OpenRouter 等 AI 网关的适用范围尚不明确。
推荐理由：禁令不仅限制直接采购还涵盖基于其构建的第三方服务，为依赖开源模型的供应链合规划出了新的审查边界。
本期早报重点报道 DeepSeek 正式开源 7630 亿参数的 DeepSeek-V4.1-Flash-1017 模型并开放搜索引擎 API，同时 OpenCode 披露因大规模蒸馏攻击导致 1.4% 用户的第三方 API 密钥面临暴露。
DeepSeek 正式发布新模型 DeepSeek-V4.1-Flash-1017，网页端、APP 与 API 已同步更新，重点优化了代码与 Agent 任务并降低了运行时间和 token 消耗。
推荐理由：新模型在提升 Agent 任务表现的同时压缩了输出消耗与运行时间，结合新开放的搜索接口可直接降低自动化流程的调用成本。
DeepSeek 发布更新版模型 DeepSeek-V4.1-Flash-1017 并开源模型权重，在官方基准测试中展现出更强的编码与 AI 智能体任务处理能力。
推荐理由：原文对比了新模型在智能体任务中的成本与性能表现，有助于开发者评估轻量模型在自动化编程工作流中的实用性。
DeepSeek 联合清华大学发布技术报告，公开了支撑 DeepSeek-V4 系列训练、评测与数据预处理的弹性计算沙盒基础设施 DSec。该架构支持 FnCall、Container、MicroVM 与 Full VM 四种后端，通过 EROFS 镜像按需加载、可组合分层与内存共享机制实现超过 50 倍的生产超卖率，并将轨迹执行与可抢占的 GPU 训练解耦。
推荐理由：原文披露了支撑超大规模智能体训练的沙盒架构设计与压测数据，展示了高并发环境供给与超卖优化的完整工程方案。
Together AI 在 DeepSWE 软件工程基准上对比了 DeepSeek V4 Pro 0813 与 Claude Fable 5，Fable 5 的单次尝试成功率（pass@1）以 69.7% 领先 Pro 的 62.8%，但每次 rollout 成本为 $21.63，是 Pro（$0.24）的 90 倍。
推荐理由：原文提供了两款模型在多语言和重试机制下的成本收益对比，展示了结合测试集做级联路由的具体收益。
Together AI 在 113 项 DeepSWE 真实编码任务上实测对比了 DeepSeek-V4 Flash 0731 与 GPT-5.6 Luna，结果显示 Luna 准确率更高而 DeepSeek 单任务成本仅为其六分之一。
推荐理由：评测展示了将廉价模型作为前置过滤并在失败时升级旗舰的级联方案，能以更低综合成本获取更高准确率。
Together AI 结合在 NVIDIA HGX B200 上的早期部署实测指出，DeepSeek-V4 的 1M token 上下文核心在于通过 token 轴压缩解决推理系统压力。
推荐理由：文章从底层缓存管理拆解了 DeepSeek-V4 的混合注意力设计，为大模型长上下文推理系统的工程落地提供了具体的调优参考。
Together AI 宣布在其云平台上线 DeepSeek-V4 Pro，无服务器推理支持 512K tokens 上下文，专属基础设施支持完整 1M 上下文。
推荐理由：原文给出了超大参数混合专家模型的上下文分级部署与缓存计费细节，为长上下文长链条任务提供了工程选型参考。
Sebastian Raschka 梳理了 DeepSeek 从 V3 到 V3.2 的技术演进路径与训练细节。V3.2 在原有 MLA 架构基础上引入 DeepSeek 稀疏注意力（DSA），将注意力计算复杂度降至线性，并结合 DeepSeekMath V2 的自验证与自精炼机制提升推理能力。
推荐理由：文章拆解了 DSA 稀疏注意力与强化学习修正细节，为关注长文本效率和推理训练落地的工程团队提供了对照参考。