（来源：上观新闻）
这样，它就能确🛀🕵️♀️保达到目标💼。没进V4，但在🇸🇿未来方向里被点🗞名，留给V5🛩🤐。太火了，就🔯是说🏃♀️🗒。论文中，🥬Dee🐝🇬🇷pSe🈚🇹🇫ek表👩🌾📄示： Deep♋🎆Seek-V4🇧🇾🔀-Pro-Ma🧟♂️x在标准推理🍡↪bench🍵📱mar📛🧝♀️k上优于GP📗T-5.🛑♟️2和Ge🐈mini-🛬3.0-Pr🌫🇻🇬o，但🐘略落后于G✖PT-5.🖌4和G👇emini-3.🇧🇩1-Pro💿🤜。第二是安全😱性，第三是稳定🌊🇳🇴性📃。
更关键的问题在🛐于，这些模型☄通过"监督📆微调"（可🙉💸以理解为🏟"刷题训🚉练"）的方式习得🥾了固定的回答模板🍅，就像一🇸🇷个学生死记🇯🇴硬背了几套答🕎题公式，一旦遇到⛏没见过的题型就👃不知所措🏟🤕。。第二道关卡是"环♥境搭建🦵负担"🔖。我觉得这大概✋👨❤️👨率会成为新时代的🚵基础设施🚧。与此同时，一种“🇭🇺🇱🇷人脸买卖”🙀🛹的新模式正在🙅🇪🇪成型🕵。进了V4💢。这组数据🐎🙏背后的逻辑是🔙：当训练🏵🥔场景与🚣目标场景👥🕖完全一致（😿🦷即直接在目标场景〰🕝上做GRPO3️⃣）时，模型很容易🐔💽陷入过🎤📂拟合或🐃😲训练不稳定👘🏝的状态——它学到🎻的可能是特定🚆🕍题目的答案，而非🔧🐩通用的能力；🙂而TRAℹ🕠CE的练习场景经🛌✉过专门🇵🇦设计，每道题都由🕍随机种子程🇹🇳🇬🇸序生成🔟🍈，变化无穷，🚴♀️🐴AI练的是"能🚭🧨力本身"而非🔌🇸🇧"特定题目"，⛲因此能够随🇧🇯🐰着训练😧轮次的👨🦲👔增加持续稳😨✍步提升🚁。
然而，它的🗯🙍♂️google加速代价也很明显—➗🦒—每道题都要生成↩🥔8个答📑案，计算量直🏴接翻了8倍🇹🇷。奇点时刻，真💗🇱🇸让人激👤🦡动🐮🔶。Muon是前👞几年Kell🅿🖇er Jor🍩📦dan那批人（他🚇现在在O🧝♀️✋penAI）在🍲小模型👋🏎上验证🐋🔃过的优化器，🇨🇲基于矩↔阵正交化🧁。他提到两🛢个案例：🕥🚥一是在A💜😵IGC标🐣♌识案中，🇰🇭google加速法院明确“👩🏭🇽🇰使用者不得再🇬🇮以技术中立为由来🎌🦡逃避责❌🇵🇭任”；二是🤬🦹♀️在算法推荐侵🤽♂️🐼权案中，要求“🔰🌪算法黑箱🧕透明化🤦♀️🍗”2️⃣。
