（来源：上观新闻）
研究团队🌩🇨🇵将挑战归纳🇵🇫为四个层面，每一🥵个单独拿出来♣都不简单，而它🎂👹们叠加在一🐬🤳起，就构成了一道💵🔩极为复杂的难🗼题👩🏭。评分方式😋更宽容，采🐃🌲用部分分💦制，最高1分，🕺🏯完全完成给1分，💵部分完⤴成给中间分数💞。核心是把残差🦶🇧🇲流从一维变🇬🇼🍝成n_hc条🐵🚋并行通道，每层🎰之间通过一个矩👡阵B来混合⛑🛃。**说到📊底，这项研究发现📫💕了什么，又意味🇮🇳🇦🇽着什么*🕯🕞* 归根结🤵📋底，这项研究回🚒答了一个在🇬🇦🈶AI训🕚练领域长期存🇪🇹在争议🛂📡的问题：大模🔩ℹ型推理能力👩❤️👩🧥的训练，应🚏该用什🌹🇬🇫么样的🕞🧀框架来⌛🇹🇻建模？ 研究🇮🇶⚫团队的答案是🌏📭：把整个推🔘📣理过程当成🧟♂️🌔"一次💠🕑性行动"来评价，🌼🧟♀️而不是"🇬🇷⏳一系列连续步🏐🧺骤"♍。论文中，🤓Dee🕖pSee〽⬜k表示：🕐🏯 DeepSee❣k-V4🔎-Pro🇨🇫🥘-Ma🍴🦗x在标准推理b☝enchma💛🇨🇭rk上优于GP👨👩👧👦T-5.2和🐚⬆Gemini-🇮🇲3.0-Pr🤱o，但略落🇵🇲💵后于GPT-5🤪.4和Ge⏳min🐡i-3.1-Pr🥰o🍣。
其一是Spa🇵🇸🔈rseCore🐤加速器，专门处🍛理嵌入查找中不🔅规则的内存访👘问模式，将数据📖依赖的全局聚🎅🚏合操作从矩👬🎞阵乘法🍍单元（M📉XU）中卸🇧🇾载，避免通用👩🦳🆒芯片常见⬅的零操作瓶颈🙆。实验表🤢🦴明去掉这⏏😳个机制🇬🇭🇦🇹后，MLE-B🍪🔻ench 🌬Lite的获😅奖率会↩下降近32个百🌒分点🇧🇪。谈到 Thus⛪🛌 与现有🏰芯片的区🥗🇲🇰别时，安克 C🔖EO 👶阳萌说：“到目🇸🇬😪前为止，所有🇻🇮 AI 芯片🚇都是一边存◻📑模型，一边做计🇰🇪算🇨🇩👏。第一，引🚩入mHC（M😡anifol🇨🇩▫d-Co🍥🦁nstrain🚪ed 🚴♀️⏹Hyper-Co👸nnect👩🚀◽ions）强化🇬🇫🗳残差连接☣。
