DeepSeek把DeepSeek App背后的搜索、文件解析、链接读取、安全检查和语音能力开放到DeepSeek API，开发者用少量参数即可启用内置功能，或单独调用OCR、ASR、TTS等接口。V4.1-Flash（deepseek-flash）在Messages、Responses和Chat Completions三种接口上支持这些能力，工具调用与上下文组装由服务端处理。扩展能力在标准token费用之外按工具使用计费，面向公众的应用必须开启安全检查。
NVIDIA 把 Transformer Engine 的 MoE 优化接入 JAX 训练栈，让每个 token 都送进所选专家、不丢弃也不补齐。此前在 GB300 上训练 DeepSeek-V3 时，未优化基线只有 103 TFLOPS/GPU，跨 GPU 通信占累计内核时间的 84%；加入分组 GEMM、MXFP8 分组量化和融合的专家并行收发后达到 1,068 TFLOPS/GPU，端到端吞吐约提升 10 倍，并在 1,024 块 GPU 上维持 97% 扩展效率。
Fireworks 把量化感知微调接入 FireOptimizer，让 DeepSeek R1 与 V3 这类原生按 FP8 服务的开源模型可以按具体用例定制。此前用 LoRA 微调后合并权重再以 FP8 部署会明显掉精度，而 6710 亿参数的基座在 FP8 下已占 671 GB 显存，超过 H100 主机常见的 640 GB。做法是在前向传播中对合并权重和激活做“伪量化”，让 LoRA 梯度保持 bfloat16、合并权重按 FP8 数值走；在 1.5 万条训练、5000 条评估的法国葡萄酒评论分类任务上，QAT 微调优于朴素 FP8 LoRA 微调。
这项横断面比较研究让49名口腔医学二年级学生在标准化条件下完成45道修复工艺学多选题期末考试，并将同一套题目提交给ChatGPT、Gemini和DeepSeek三个AI系统，用ANOVA、Cronbach Alpha和Tukey HSD分析组间差异，结果显示DeepSeek在高难度题上取得满分、ChatGPT在多次尝试中表现出适应性提升，两者均显著优于学生群体，而Gemini准确率较低且稳定，模型间差异具有统计学意义（P=0.036，η²=0.891），据此提出无监督在线总结性考试在学术诚信方面需要重新审视。
已读完全部报道