DeepSeek再次做到了令人惊叹的成就。他们发布了一款新模型，这不仅使其跻身前沿模型之列，更成为迄今为止我们看到的最优化、最高效且运行最流畅的AI模型。一如既往的是，他们不仅开源了该模型，还发布了相关的技术论文。其设计思路出人意料，有时甚至看似有误。但一旦你理解了背后的逻辑，它突然就变得极其精妙绝伦。在本视频中，我们将深入剖析其设计原理，让你见识其中的天才之处和卓越性能。虽然这是一篇极具技术深度的论文，但我会像往常一样将其拆解为通俗易懂的语言，以便任何人都能理解。让我们直接切入正题。首先回顾DeepSeek所处的现状。请记住，这只是一个小型的中国实验室，其资金远不及OpenAI雄厚。团队规模也小了几十倍。此外，他们无法获得最好的Nvidia GPU，也没有庞大的数据中心。事实上，他们在算力和资源方面受到严重限制。然而，他们刚刚发布了最新模型DeepSeek V4.1 Flash，其性能甚至能媲美前沿模型，尽管这只是一个Flash版本。而且它速度更快、效率更高。更令人惊讶的是，与初代相比，其内存占用缩小了400多倍。他们究竟是如何做到的？
为了理解这一解决方案的精妙之处，我们首先需要回顾使用AI模型时实际发生的两个不同阶段。第一阶段称为预填充（Prefill）。这基本上是指AI阅读你的提示词以及你提供的任何其他信息或文档，以便在开始生成答案之前理解所有内容的上下文。具体来说，你的文本被分解成称为“词元”（tokens）的小片段，然后传递给AI模型的各个层。实际上，模型中的每一层都会为每个词元计算两组重要的数字，称为键（keys）和值（values）。这些内容存储在被称为KV缓存的东西中。你可以将这种KV缓存想象成模型在阅读你的信息时所做的笔记。第二阶段是解码阶段，也就是写作阶段。这是AI开始生成你答案的时候。有趣的是，大型语言模型是一次生成一个单词或词元来构建其回答的。为了做到这一点，模型需要查看之前发生的一切，以确定接下来最可能出现的下一个单词是什么。
为了高效地完成这一任务，它需要回顾在阅读阶段所做的笔记。换句话说，它需要查看其创建的所有KV缓存。这种KV缓存使模型能够快速访问相关信息，而无需从头重新计算整个对话过程。为了更好地理解这一点，这里有一个很好的类比。将AI模型想象成一个学生观看一场非常长的讲座并沿途做笔记的人。稍后，当该学生需要回答关于讲座的问题时，他不需要从头开始重播整个讲座。相反，他可以只参考他的笔记。你可以将KV缓存视为这些笔记。它为AI提供了一种快速回顾已处理信息的方法，而无需从头重新计算所有内容。然而，目前行业面临的问题是：对于像这样的短提示词来说，一切运作正常。AI模型可以轻松将其转换为相当小的KV缓存，并很好地适应其活动内存中。
但关键在于，行业现在正专注于让AI处理非常长且复杂的任务。我们希望AI代理能够自主工作数小时甚至数天。我们希望赋予它们大量不同的文档或巨大的代码库，让它们长时间跟踪并持续工作。在这些场景中，AI必须做的KV缓存（或笔记）将是巨大的。因此回到我们的类比中：学生不再只是观看一场讲座，而是必须观看数周甚至更长时间的在线课程，并对所有内容做笔记。他的笔记会迅速堆积，以至于根本无法放在书桌上。它们将填满整个房间，最终他不得不把笔记塞进走廊另一间屋子的文件柜里。然后每次学生需要回答问题时，他都需要翻找这些巨大的笔记堆。这种类比完全适用于AI处理大量信息时的情况。
在GPU内部，你有高带宽内存（HBM）。这是紧挨着处理器芯片的极快内存。它非常快且易于访问，就像类比中学生书桌的表面一样：任何放在这张桌子上的笔记都极其快速和容易获取。但桌面空间有限，高带宽内存也是如此：空间有限且极其昂贵。因此当KV缓存变得太大时，这种高带宽内存就会满溢。计算机必须开始将这些数据存储在其他地方，例如GPU外部的固态硬盘（SSD）。在我们的类比中，这就像把学生的一些笔记放入走廊另一间屋子的文件柜里。那里的存储空间大得多，但存在权衡：他需要去另一个房间从柜子中取出笔记，这比直接拿放在面前的桌子上的笔记要慢得多。
同样地，GPU外部的固态硬盘（SSD）拥有更大的存储容量，但它们距离GPU较远，延迟非常严重。如果KV缓存需要存储在那里，那么每次AI预测下一个单词时，都必须从SSD获取数据，将其通过主板拉入高带宽内存，再进入GPU处理器。这种数据传输速度成为绝对的瓶颈。处理器基本上处于空闲状态，等待巨大的KV缓存笔记通过线路传输。总而言之，当前AI系统面临两个主要问题：一是算力/效率问题。学生基本上淹没在自己的笔记中，很难找到所需内容；二是速度问题。因为笔记太多，其中一些存储在另一个房间的文件柜里，学生需要来回奔跑去取回这些笔记并放到书桌上。
这非常耗时，因此这些是 DeepSeek 面临的局限性。他们究竟是如何解决这个问题的呢？首先，让我们回顾一下普通大型语言模型的结构。它们使用 Transformer 架构，该架构基本上由许多层组成。事实上，如果你好奇 Transformers 在底层是如何工作的，一定要看这个视频，我在其中做了完整的解释。
无论如何，发生的情况是：你的提示被分解为数据，这些数据流经 Transformer 的这些层，最终输出最可能的下一个词作为答案。然后该单词被附加回去，再次通过模型运行以预测下一个最可能的词，如此循环直到生成最终答案。
现在，它经过的每一层都会生成自己的笔记或 KV 缓存（键值缓存）。所有这些必须存储在某个地方，这通常占用大量空间。因此它不仅占满了高带宽内存（HBM），还溢出到 GPU 外部的 SSD 上。
而这款新型 DeepSeek 的架构拥有许多层，但这里真正不寻常的部分是：它们将其分为两半。一部分是因果编码器组件（causal encoder），另一部分是解码器组件（decoder）。这看起来已经与标准 Transformer 模型完全不同。
其工作原理如下：在预填充阶段（prefill phase），即 AI 读取你的提示和你提供的所有信息的时刻，后半部分基本上被关闭了。它们什么都不做，而前半部分的层承担所有繁重工作：读取所有内容、构建上下文理解并生成所谓的“全局 KV 缓存”。
在读取完所有信息后，后半部分基本上负责生成答案。它执行写入或解码阶段（decoding phase）。问题是：为了进行预测，它仍然需要知道上下文。因此你可能会想，如果它自己不生成 KV 缓存，它是如何理解上下文的？
这正是该设计如此天才的原因。它不需要自己阅读所有内容，而是直接查看编码器组件最后一层的输出。换句话说，它直接从该编码器块的末端借用已完成的全局 KV 缓存。
这相当令人震惊且出乎意料，因为如果这样做——即它的一半大脑基本上跳过了阅读部分——难道不会失去对上下文的一些理解，从而使答案变差吗？这正是该架构的确切风险所在。因此需要非凡的工程能力来保持平衡。
有趣的是，这后半部分（解码器组件）并没有完全跳过阅读。它只是跳过了计算全局上下文，即全局 KV 缓存的计算；但它仍然为自己计算局部上下文。
你可能会问：这里的“全局”和“局部”上下文有什么区别？全局上下文基本上是指提供给它的所有信息，包括你的提示以及附加的其他所有内容。这就像学生在观看数周讲座后所做的所有笔记一样。
相比之下，局部上下文只是 AI 当前正在撰写的句子的即时上下文。换句话说，就是与它需要输出的下一个词直接相关的内容。
你会发现这个解码器组件不计算任何全局 KV 缓存，而是使用一种称为“滑动窗口注意力”（sliding window attention）的机制。它极其专注地关注最近的标记（tokens），而不是之前的所有内容。事实证明，这种设计效果相当不错。
这里有一个很好的类比来帮助理解：想象一家公司需要分析数千页的财务报告。他们会先让初级分析师阅读每一页，计算数字、进行数据分析，然后写出一份非常密集且准确的执行摘要。
这些初级分析师基本上就像模型的前半部分，而这份执行摘要则像末端的输出。随后他们将摘要交给高级高管（类似于解码器层）。这些高级高管绝对不阅读原始的数千页内容，而是完全依赖初级分析师提供的执行摘要。
但当需要签字确认某项事务时，这些高级高管会戴上眼镜仔细审查面前页面的确切措辞。这就是局部上下文：高级高管依靠全局摘要来指引方向，但主要专注于面前的页面以执行任务。
通过这种结构方式，DeepSeek 完全避免了让模型的一半生成其自身庞大的 KV 缓存笔记的需求。这是一个巨大的突破，它基本上将读取内容所需的计算量减少了一半。
现在，虽然减少了计算量很棒，但我们仍然面临内存问题：它仍在生成这些庞大的 KV 缓存笔记（无论是全局还是局部），就像学生的课桌上堆满了溢出，迫使他将这些多余笔记存放在另一个房间的档案柜里。
究竟如何减少这些庞大的笔记堆呢？这引出了 DeepSeek 新设计中最为迷人的部分之一，这部分简直绝妙。事实上，让我先展示一下结果，让你看看这有多疯狂。
如果你从事任何类型的内容创作，一定要试试 Luma——本视频赞助商。把它想象成一个与你整个创意过程并肩工作的创造性 AI 智能体。它不只是给你单个提示的结果，我可以访问市面上最好的图像和视频模型。
而且好处在于：我不必手动在这些工具之间跳转，只需让 Luma 智能体自主为我完成整个工作流程。它可以在同一个工作区内开发概念、生成视觉素材并塑造项目整体框架。
例如，我可以让它为我创建一个品牌套件（brand kit），设计不同的产品，并在同一个项目中生成其他营销素材。如果我需要编辑某些内容，只需提示智能体迭代优化结果即可。
最强大的功能之一是 Luma 技能（Luma skills）。你可以为日常使用的流程创建可重复使用的技能。基本上，你只需给 Luma 一套指令一次，然后就可以在任何时候对不同的素材运行相同的工作流。
例如，我可以创建一个技能：输入任何产品照片，它就会输出一些网红谈论该产品的 UGC（用户生成内容）视频。或者这里还有另一个技能的例子：我上传一张产品照片，
它会生成这样的360度轨道视角。Luma基本上为你提供了一个智能创意副驾驶，能够自主执行你的工作流程。无论你是创建营销活动、品牌内容、产品视觉还是社交媒体内容，Luma都是你可以使用的最佳平台之一。今天就可以通过下方描述中的链接或扫描这里的二维码来试用Luma。如果你
比较每个标记的全局KV缓存大小，这基本上相当于学生需要做的笔记量，DeepSeek V1几乎达到390,000字节。现在，如果快进到最新的V4.1 Flash版本，每个标记仅需890字节。他们基本上将笔记的大小缩小了约437倍，这简直令人难以置信。即使与之前的DeepSeek V4 Flash相比，
这一版本每个标记仍需约3,500字节。因此，这个新版本比上一代小了近四倍。但这里面临着一个挑战：如何在大幅压缩笔记的同时不丢失含义？如何仍能保持AI模型对一切的理解能力？DeepSeek使用了一种称为压缩稀疏注意力2（CSA2）的机制。要
理解这一点，让我们先回顾一下普通Transformer模型的工作原理。模型中的每一层都必须计算自己的KV缓存。换句话说，它必须制作自己的笔记。从概念上讲，你可以认为每一层专注于不同的事物。例如，某些层可能关注特定模式，而其他层则关注语法、想法之间的关系或文本的更广泛
含义。现在，由于所有这些层都在制作自己的笔记，你可以看到KV缓存的总大小会变得多么难以管理。如果每一层都必须计算自己的笔记，你也可以看出情况可能会变得冗余。DeepSeek的这种新CSA2机制彻底打破了这种冗余。它引入了极致共享的概念。因此，不再
每次从头开始创建新笔记时，每一层可以使用三种不同的操作模式：完整模式、重新索引模式和复用。让我们逐一介绍。如果该层处于完整模式，它必须完成所有繁重的工作。它必须从头开始创建全新的笔记。换句话说，它需要制作完整的KV缓存。但这里的关键部分是：它还创建了供后续层
搜索这些笔记的索引。可以将索引视为指南、地图或目录表。其他层只需查看此目录表，即可确定在笔记中确切搜索的位置，而不是尝试从头到尾阅读全部内容。这使得信息检索速度快得多。另一种模式称为重新索引。在这里，效率开始发挥作用。如果该层
处于重新索引模式，它只是复用完整模式中某层的笔记，或者换句话说就是KV缓存。它不会从头开始创建自己的笔记。但它确实会从头创建一个新索引。再次将其想象为制作指南或新的目录表，用于搜索与之前相同的笔记，但突出显示完全不同的部分。例如，假设你向
AI提供大量关于世界历史的信息。完整层可以制作按时间顺序排列的索引，看起来可能像这样。重新索引层会使用完全相同的笔记，但提供完全不同的目录表。例如，不再是按时间顺序排列的事件，而是跨时间的主题或不同的技术突破。它
基本上就像在同一份笔记中映射不同的路径。这就是重新索引模式。最后，我们有第三种模式，即最大效率：复用模式。如果该层具有此模式，它几乎不消耗任何内存精力。它直接复用以完整层的笔记以及来自完整层或重新索引层的索引。它不写入任何新
笔记，也不创建任何新的目录表。它只是利用已有的信息。通过这种设计以及这些不同的模式，每一层不需要存储那么多笔记。由于其中一些层甚至根本不需要创建新笔记——它们只是复用之前层的笔记和索引——因此这些笔记的总大小显著减少。
但等等，这还不是全部。DeepSeek更进一步。他们添加了一种称为分层稀疏索引器的东西。其工作原理如下：在模型的后半部分，即解码器部分中，第一层充当守门员的角色。它扫描来自前一层的全球笔记（也称为全局KV缓存），并生成一个
候选池。可以将其视为一份短名单。基本上，从那一堆又一堆的笔记中，它筛选出最相关的概念。具体而言，在一百万个标记中，仅选出约16,000个最相关的。超出此范围的内容基本上被忽略，随后所有层都被禁止在笔记中搜索其他内容。因此，这在写作阶段的起始处极大地
缩小了可能答案的范围。现在，显然正如你所预期的那样，如果我们像这样限制AI的搜索空间，它可能会产生幻觉或遗漏重要细节，对吧？如果不查看所有内容，它的回答会变得迟钝。但这里的精妙之处在于：DeepSeek通过训练模型以极高的准确性构建这些
候选项，使得后续层甚至察觉不到其余信息的缺失。其工程的优雅程度令人深思。让我们花点时间欣赏一下他们在此处所做的工作。他们没有最好的Nvidia GPU，也没有世界上最大的数据中心。天哪，他们在算力方面相当匮乏。因此，他们没有专注于硬件层面，而是
完全优化了软件部分，从而减轻硬件的工作负担。我们还没完呢。你看，所有这些激烈的优化也导致了一些他们需要修复的额外问题。还记得我们要之前讨论过的滑动窗口注意力机制吗？这是高级主管不阅读所有内容，但当他批准某事时，必须非常仔细地查看
他面前页面上所有信息的地方。滑动窗口注意力是AI的超局部短期记忆。根据论文，这种超局部内存实际上造成了巨大的存储问题。你看，当用户与AI进行多轮对话时——也就是说，当你说些什么，AI回复，然后你再回复等等。AI
必须将每一轮对话的局部上下文保存到固态硬盘中，这样它才不会忘记谈话的流程。这种不断保存短期局部内存的行为完全堵死了硬盘的读写通道。回到我们的类比，这就像把走廊另一头房间里所有的柜子都塞满了。
现在，当你缓存数据时，意味着你将它保存在一个临时位置，以便稍后快速检索。但如果这些数据变得太大，而这些笔记又存放在另一个房间的柜子里，那么获取这些信息的速度就会超级慢。学生需要跑过走廊去那个房间拿笔记，然后再把它们放回自己的桌子上。
因此，DeepSeek 意识到了这个问题，他们的解决方案被称为“滑动窗口注意力边界重放”（SWA bounded replay）。这可能是他们新设计中最为意外和令人震惊的部分。针对局部内存堵塞硬盘的问题，他们的解决方案简单得惊人：直接删除它。他们 literally（字面意义上）完全删除了 AI 的短期记忆。
所以，当 AI 完成对你的回复生成后，它的局部内存就凭空消失了。可以想象一下，如果我们删除了它的短期记忆，它难道不会变得完全迷失方向吗？难道它不会搞不清楚状况了吗？这正是我们预期的反应。
那么，DeepSeek 做了什么？他们基本上让 AI 瞬间重新计算对话的最后部分，具体来说是最后 128 个 token（词元）。换句话说，他们迫使 AI 每次都在现场从头开始生成最新的笔记。这听起来非常反直觉，对吧？
我刚才在这段视频里花了几分钟解释他们是如何试图减少计算量、将大脑分成两半，以避免生成和阅读如此多的笔记。但现在，如果我们让 AI 每次都要重新计算对话的最后部分，这难道不是极其低效吗？不会拖慢所有速度吗？
正是在这里，DeepSeek 给我们上了一堂关于效率的大师课。让我们梳理一下这里的权衡取舍。你大致有两种处理短期记忆的方式。第一种是常规方式：我们从 GPU 取出数据，通过主板推送并写入硬盘。
随后，当它需要使用这段短期记忆时，需要去搜索、将其从主板拉回 GPU 处理器。这非常缓慢，因为你正在物理上跨越这段距离移动数据。
第二种方式则是直接利用现代 GPU 的原始算力，简单地重新计算其短期记忆。换句话说，就是从头重写最近且相关的笔记。对于现代 GPU 来说，仅仅 crunching（处理）128 个 token 只是一个微秒级的操作，几乎不占用任何时间或电力。
所以，从数学计算的角度来看，这实际上比试图在 SSD 之间来回传输数据要快得多。DeepSeek 团队意识到，将短期记忆保存到硬盘上只是对一种极其缓慢资源的巨大浪费。通过完全移除这一步骤，并让 GPU 快速重新计算一切，不仅使事情变得更快，还腾出了大量的存储空间。
让我们回顾一下到目前为止的内容：DeepSeek 使用滑动窗口注意力来聚焦于最即时的信息片段。他们还将模型一分为二，然后使用分层稀疏索引来显著减少最终层需要处理的笔记数量。他们还迫使某些图层仅仅复用现有的笔记，这有助于降低计算量。
最后，他们完全移除了短期记忆以节省硬盘空间。但猜猜看？我们还没完呢。DeepSeek 还添加了一些支持主要架构的额外组件。其中之一被称为“单次通过 MHC”（Single Pass MHC）。
要了解为什么这很重要或它是什么，你首先需要知道运行 AI 模型不仅仅是做大量的数学运算。它还涉及不断移动数据。当模型的某一部分执行计算时，它通常会产生中间值，供模型的下一次使用。
通常情况下，你可能需要将这些中间结果存储到 GPU 的内存中，然后在下一个操作需要这些值时再次加载它们。当 AI 处理非常长的任务时，它基本上是在重复这一步骤数十亿次。
虽然单次移动只是眨眼间的事，但如果乘以数十亿倍，这种延迟就会累积起来。而数据传输这一步骤实际上可能成为瓶颈。
“单次通过 MHC”旨在消除其中一些不必要的往返行程。这在技术上相当复杂，但基本上它通过将多个操作在数学上对齐，使它们能够同时发生。这本质上是将步骤合并，而不是一个接一个地运行。
事实证明，这显著减少了 GPU 内部的内存流量，使其速度大大提升。而这还不是全部。他们还引入了另一个补充组件，称为“Engram”（痕迹记忆模块）。这有点像是一个独立的内存模块。
这个模块包含 1680 亿个参数，并且它并不居住在昂贵的 GPU 内存中，而是设计用于居住服务器或计算机的标准 RAM（随机存取存储器）中。因此它在物理上与 GPU 分离。
这部分负责存储静态事实，比如记忆历史日期、首都或其他固定知识。你看，这实际上非常重要，因为我们希望 GPU 完全专注于活跃的推理和思考。我们希望尽可能释放 GPU 昂贵的内存空间，以最大化其思考能力。
对于这些 AI 不需要真正进行思考的固定静态事实，我们可以将它们放在 GPU 外部的廉价内存中。这样可以防止 GPU 的内存被静态数据堵塞。只有当模型需要访问这些事实时，它才会从这个 Engram 模块中拉取数据。
这有点像一位非常聪明的资深律师在处理案件并综合信息时的情景。他不需要记住所有的条款，他的职责是进行战略推理。相反，他旁边坐着一位助手，当律师需要特定的日期或精确的引文时，他可以立即让助手为他获取。
这位助手就像 Engram 模块一样，它释放了资深律师的思考能力，让他能够专注于真正的战略推理工作。而我们还没完呢。DeepSeek 还引入了第三个补充组件，称为 DS-Spark（深度火花）。事实上，在 DS-Spark 刚发布时，我已经制作了一个完整的解释视频。这在相当程度上……
革命性的突破。你看，普通的AI模型需要一次输出一个词来生成答案，这可能会非常慢。而DeepSeek所做的本质上是允许模型一次输出多个词，从而使其速度快得多。现在，这相当技术性，如果你感兴趣，可以看这个视频以深入了解DeepSeek的原理。好了，我们已经涵盖了很多内容。让我们退一步总结一下到目前为止的所有要点。
你看，这个堪称“怪物”的模型并非来自单一的突破，而是由大量不同的组件叠加而成。他们加入了滑动窗口注意力机制，只关注最即时的信息片段；他们将模型“大脑”分为两半以大幅减少计算量。此外，我们还通过CSA 2以及重索引和重用层实现了极致的压缩。这极大地减少了生成内容所需的节点或KV缓存数量。
我们还通过这种有界重放机制彻底删除了其短期记忆，并添加了大量的补充机制，例如MHC路径以提高计算效率，以及Engram组件以防止在硬编码上浪费任何算力。最后，我们还加入了这种DeepSeek Spark机制，帮助它一次生成多个词。当你将所有这些部分组合在一起时，它就变成了一个效率上的“弗兰肯斯坦”式怪物。
他们构建了迄今为止所见的最优化、涡轮增压且无摩擦的前沿模型。但别只听我这么说，这里有一张图表展示了这一切有多么荒谬。如果你看图二，这是展示新模型效率最令人难以置信的演示之一。纵轴显示的是生成响应所需的原始计算力（FLOPS），横轴是上下文窗口大小，即它一次能在记忆中存储多少信息。
当DeepSeek将这个窗口从标准的4,000个令牌增加到惊人的100万个令牌时（这大约是70万单词，或相当于一个中等规模的代码库），你可以看到这个新的4.1 Flash模型的解码曲线几乎完全保持平坦。换句话说，如果你给AI输入一份一页的小文档或数千页的长文并提问，这张图表显示该模型每生成一个单词所花费的能量大致相同。
这是一个巨大的突破。它完全违背了AI的常规定律，因为通常我们预期的是如果扩展上下文，计算量也会随之增加，正如你在DeepSeek之前的几代模型中可以看到的那样。但在这里，他们基本上将曲线拉平了。而你知道这荒谬之处在于，它不仅超级高效且无摩擦，其性能也处于行业顶尖水平，几乎与前沿模型持平。
例如，如果你看DeepSeek 1.1的表现得分为74.2分，这不仅击败了其他开源模型，而且如果你查看官方排行榜，它基本上与得分为74的GPT-6 Astra持平。或者看看CyberSec，这也几乎是行业顶尖水平。在自动化基准测试中也是如此。你可以看到这个“怪物”模型甚至击败了GPT-6 Astro Max。
如果你查看LiveBench的这个排行榜，你会发现这个新的DeepSeek是排名第一的开源模型。同样在Val's Index中（该指数衡量AI在知识工作任务中的表现），你也可以看到DeepSeek 4.1 Flash目前排名第一。再看看这疯狂的成本优势。这不仅是最具性能的模型，也是最便宜的。你可以看到第二名和第三名的价格贵了20倍以上。
这是另一张显示每项任务成本的图表。你可以看到这个新的DeepSeek模型位于这里，这比前沿的GPT-6 Astra以及极其昂贵的Claude模型要便宜得多。如果你查看通过其API使用时的输出速度，再次强调，这简直不可思议。它实现了每秒超过200个令牌的速度，比GPT-6快四倍。
延迟，即它给出第一个答案所需的时间也是行业最低的。好了，我们已经讨论了很多内容。他们的设计方式如此出人意料，甚至在很多时候违反直觉，但一旦你理解了他们为什么这样做，你就会发现这是多么 Brilliant 和天才。而且一如既往，他们已经开源了该模型供你本地下载，你可以随意使用它。
我要向DeepSeek团队致敬，因为他们完成了不可能完成的任务。再说一次，我的意思是，之前的DeepSeek V4已经超级高效了，但通过这个最新模型，他们彻底重新设计了架构并从中榨出了更多的潜力。这就是我关于这个新的DeepSeek 4.1 Flash的深度解析总结。
这是我频道上 reviewed 过的更技术性论文之一，所以希望我让它变得易于消化。事实上，这篇论文充满了大量的额外技术细节，我没有时间涵盖。所以如果你有兴趣深入挖掘，我会在下方的描述中链接到这篇原始论文。请在评论区告诉我你的看法。
一如既往，我会留意最新的AI新闻和工具与你分享。所以，如果你喜欢这个视频，记得点赞、分享、订阅并关注更多内容。此外，每周AI世界发生的事情太多了，我不可能在我的YouTube频道上涵盖所有事情。所以，要真正及时了解AI领域的所有动态，请务必订阅我的免费每周通讯。链接将在下方描述中提供。感谢观看，我们下期再见。