DeepSeek V4 Flash Preview
PulseAugur coverage of DeepSeek V4 Flash Preview — every cluster mentioning DeepSeek V4 Flash Preview across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新框架通过模型-工具交互评估LLM代理性能
一篇新发表在arXiv上的研究论文介绍了一个用于评估LLM代理性能的框架，这些代理结合了模型和执行工具。研究认为，这些代理的有效性取决于模型与其工具之间的交互，并提出了五项指标来评估这种关系：有效完成率、模型-工具匹配度、跨模型匹配度、交互残差和Token负载。该研究评估了四种通用工具与四种核心模型在六个基准测试上的表现，结果显示工具的排名因模型和任务的不同而有显著差异，并建议模型应针对可迁移的工具使用能力进行训练。
-
GigaChat 3.5 推理基准测试声明因误导性效率指标而受到质疑
对人工智能基准测试表的一项最新分析强调了性能声明呈现方式的差异，并以 GigaChat 3.5 Reasoning 模型和 DeepSeek V4 Flash Preview 为例。虽然 GigaChat 公布的基准测试数字是准确的，但其声称在使用少 37% 的 token 的情况下“媲美”DeepSeek V4 Flash 是具有误导性的。文章指出，GigaChat 在某些评估中获胜，但在其他评估中却显著落败，并且效率指标是基于一套…
-
GigaChat-3.5 Reasoning 模型发布，采用 MoE 架构
一款新的大型语言模型 GigaChat-3.5 Reasoning 已发布。该模型采用 432B-A28B 混合专家（MoE）架构，并配备 Gated DeltaNet 以实现高效的长上下文处理。它使用领域专家进行训练，并蒸馏成单个模型，据报道其推理性能接近 DeepSeek V4 Flash Preview，但使用的 token 数量显著减少。