科大讯飞发布端云一体星火X2.6，基于全国产算力训练
科大讯飞10月22日发布端云一体大模型讯飞星火X2.6，包含云端293-A30B模型和端侧X2.6-4B模型，后者已开源，均基于全国产算力完成能力升级。云端模型支持百万token上下文，输入价格0.9元/百万tokens、输出3.6元/百万tokens，输入缓存未命中与输出价格低于DeepSeek-V4.1-Flash-1017。
推荐理由：科大讯飞公布星火X2.6的国产算力训练与端云一体架构细节，可据此判断国产芯片训练大模型的实际进度。
搜索“DeepSeek”
找到 19 条 · 更新于 12:09
智东西精选AI 评分7272
雷锋网同事件AI 评分7575 MiniMax M3.1 Flash 发布，Agent 任务榜单第一并实测对比 DeepSeek
MiniMax 于 10 月 19 日正式发布 M3.1 Flash，并认领此前匿名模型 Space Bunny，其在 Automation-Bench 复杂 Agent 任务对比中位列第一，BankerToolBench 以 76.2% 与 Opus 5 并列第一。
同一件事，精选收录的是《MiniMax 发布 M3.1 Flash，Agent 基准 ALE 得分 29.6% 居国产模型第一》
爱范儿精选AI 评分7878 实测 DeepSeek V4.1 Flash：4 元生成特斯拉飞行 3D 网页
作者在 DeepSeek Harness 中实测 DeepSeek V4.1 Flash，用纯提示词生成特斯拉飞行 3D 网页，耗时 35 分钟、消耗 3752 万 Token，按缓存命中 0.04 元每百万 Token 和输出 8 元每百万 Token 计算约花 4 元。
推荐理由：作者用多个实测案例对比 V4.1 Flash 与闭源模型的成本差距，可据此判断低价模型能覆盖哪些任务。
量子位精选AI 评分8080 MiniMax 发布 M3.1 Flash，Agent 基准 ALE 得分 29.6% 居国产模型第一
MiniMax 正式发布 M3.1 Flash，即此前在 OpenRouter 匿名测试的 Space Bunny（玉兔），Agents' Last Exam 得分 29.6%，位列国产模型第一。
推荐理由：文章列出 M3.1 Flash 在 Agent、编码、网络安全等基准上的分数与定价，可对照国产 Flash 模型的性价比路线。
量子位AI 评分6262 记忆张量开源 MemT 1.0 系列，把记忆原生写进 Transformer
记忆张量开源发布 MemT 1.0 系列记忆原生模型，包含 36B 参数、激活 3B 的 MemT-1.0-Nano（基座 Qwen3.6-35B-A3B）和 288B 参数、激活 17B 的 MemT-1.0-Flash（基座 DeepSeek-V4-Flash），在选定 Transformer 模块中增加与注意力并行的记忆分支。
Lisan al Gaib@scaling01AI 评分5050哦这太牛了 但考虑到它的效率低了好几倍，我不太会说它击败了 Sol 我想说的是，它击败了 Kimi-K3、GLM-5.3 Flash 和 Grok-4.7，这已经令人印象深刻了
引用Vals AI@ValsAIWe found DeepSeek V4.1 Flash 1017 beats GPT 6 Sol on our multi-step offensive cybersecurity task. Sol was tested via the Daybreak trusted access program. We have been building a cybersecurity benchmark based on simulated corporate networks. This is a valuable indicator for the cyber-risk a model poses if in the hands of a bad actor. We plan to make the full evaluation public in the coming weeks but wanted to share our first immediate finding here.
少数派AI 评分5858 MiniMax 上线 M3.1 Flash 模型
稀宇科技（MiniMax）于 10 月 19 日正式上线 MiniMax M3.1 Flash 模型，线上推理速度较此前提升近 3 倍，Agent 类任务综合使用成本降低 70%。
DeepSeek@deepseek_ai精选AI 评分7878推荐理由：官方给出新版本在基准表现、任务完成速度和输出长度上的变化，并说明已上线网站、App 与 API。
DeepSeek 模型发布精选AI 评分7575 DeepSeek 发布 DeepSeek-V4.1-Flash-1017 小版本更新
DeepSeek 发布 DeepSeek-V4.1-Flash-1017，作为 DeepSeek-V4.1-Flash 的小版本更新，在推理、编码、智能体任务和视觉基准上均有提升，同时缩短任务执行时间和输出长度。
推荐理由：原文给出多项基准对比和推理成本变化，读者可据此判断这次小版本更新在智能体任务上的位置。
DeepSeek 模型发布精选AI 评分8585 DeepSeek 发布 V4.1-Flash 多模态 MoE 模型，KV cache 压至 890 bytes/token
DeepSeek 发布 DeepSeek-V4.1-Flash，这是一个 552B 骨干参数、支持 100 万 token 上下文的多模态 MoE 模型，原生处理图像与文本并自回归生成文本。
推荐理由：技术报告给出 KV cache 压缩到 890 bytes/token 与激活参数 8B/16B 的设计取舍，可据此判断长上下文智能体负载的成本走向。
- DeepSeek@deepseek_ai精选AI 评分7272
DeepSeek 发布 DeepSeek-V4.1-Flash，称其为新架构家族中参数规模最小的模型，并原生支持视觉理解。官方表示该模型面向更强能力、更快推理和更高吞吐设计，并可扩展至更大模型。
推荐理由：DeepSeek 新架构家族的最小模型，原生支持视觉理解，并强调推理速度与吞吐。
DeepSeek 模型发布精选AI 评分7272 DeepSeek 发布实验性多模态模型 DeepSeek-V4-Flash-Vision-Exp
DeepSeek 发布 DeepSeek-V4-Flash-Vision-Exp，这是 DeepSeek-V4 系列首个实验性多模态模型，在 DeepSeek-V4-Flash 架构上加入视觉模块并继续训练。
推荐理由：DeepSeek 首次把视觉模块接入 V4-Flash，并给出多模态与纯文本智能体基准的对照数据。
- DeepSeek@deepseek_ai精选AI 评分7575
DeepSeek 在 API 平台上线实验性多模态模型 DeepSeek-V4-Flash-Vision-Exp，调用时使用 model='deepseek-v4-flash-vision-exp'。
推荐理由：官方给出新模型与 V4-Flash 的文本能力对照，以及多模态智能体基准上的提升幅度，便于判断是否值得接入。
DeepSeek 模型发布精选AI 评分8888 DeepSeek 发布正式版 DeepSeek-V4-Pro-0813 模型
DeepSeek 发布 DeepSeek-V4-Pro-0813 正式版，取代此前的预览版本，官方称其智能体能力大幅增强，在生产环境中提升尤为明显。该模型沿用 DeepSeek-V4-Pro (Preview) 的结构，并附加 DSpark 投机解码模块，在 HLE、Terminal Bench 2.1、NL2Repo、DeepSWE 等基准上均高于预览版。
推荐理由：官方技术报告列出正式版与预览版在多项智能体基准上的对比，可据此判断其生产环境能力变化。
- DeepSeek@deepseek_ai精选AI 评分8080
推荐理由：官方给出 V4-Pro 的 Agent 能力升级、三档推理强度和 Codex 接入方式，可据此判断实际使用成本与场景。
DeepSeek 模型发布精选AI 评分8888 DeepSeek 发布 DeepSeek-V4-Flash-0731 正式版
DeepSeek 发布 DeepSeek-V4-Flash-0731 正式版，取代此前的预览版本，智能体能力大幅增强。该模型与 DeepSeek-V4-Flash-DSpark 结构相同，附带投机解码模块，在 Terminal Bench 2.1、NL2Repo、DeepSWE 等基准上超过 DeepSeek-V4-Pro (Preview)，激活参数量则小得多。
推荐理由：官方技术报告列出多项基准对比，读者可据此判断小激活参数模型在智能体任务上的位置。
- DeepSeek@deepseek_aiAI 评分4242
我们已将折扣永久化！🎉 尽情使用 DeepSeek-V4-Pro 构建，让你的创新想法成为现实！🚀
引用DeepSeek@deepseek_aiThe DeepSeek-V4-Pro discount has been extended until May 31, 2026, 15:59 UTC!
- DeepSeek@deepseek_ai精选AI 评分8888
推荐理由：DeepSeek 官方公布 V4 两个版本的参数规模与 1M 上下文，可据此判断开源模型在长上下文上的成本位置。
- DeepSeek@deepseek_ai精选AI 评分8080
推荐理由：官方给出两个版本的定位差异与开放渠道，可据此判断面向智能体的推理模型如何分层落地。