XYBench:帮助解决提问背后的真实问题
XYBench 旨在帮助解决提问背后的真实问题,它提供 8K+ 真实问题评测大模型能否识别用户错误前提并导向真实目标。测试显示 Claude Sonnet 4.6、GPT-5、Gemini 3.1 Pro、Qwen3.5-9B 和 DeepSeek-V4 Pro 多聚焦表面请求而非真实目标,该基准获 EMNLP 2026 最佳资源论文奖。
XYBench 旨在帮助解决提问背后的真实问题,它提供 8K+ 真实问题评测大模型能否识别用户错误前提并导向真实目标。测试显示 Claude Sonnet 4.6、GPT-5、Gemini 3.1 Pro、Qwen3.5-9B 和 DeepSeek-V4 Pro 多聚焦表面请求而非真实目标,该基准获 EMNLP 2026 最佳资源论文奖。
DeepSeek 今日开放全套应用 API,开发者启用现有 API 参数即可获得 Web 搜索、文件输入和 URL 读取等对话能力。deepseek-flash 模型在 Messages、Responses 和 Chat Completions APIs 中支持上述功能,工具调用与上下文组装由服务处理。
推荐理由:DeepSeek 开放全套应用 API,开发者通过现有接口启用参数便可获得搜索与文件输入等对话能力,由服务侧完成工具调用。
AWS 团队在 Amazon SageMaker AI 上演示用序列知识蒸馏将前沿教师生成的购物智能体轨迹微调至 Qwen3.5-4B 学生模型。该学生在留出 ShoppingBench 测试集平均绝对成功率 0.541,接近教师水平且可托管于单一 G 系列实例降本。SeqKD 仅需教师文本输出,故适用于 API-only 前沿模型。
DeepSeek 将 V4.1 Flash 升级至 DeepSeek-V4.1-Flash-1017,新模型在 HLE、Terminal-Bench 4.0 等基准提升且降低运行时间与输出长度。
DeepSeek开放内部搜索API,其自研搜索引擎每日处理数亿请求并索引数千亿网页。它支持多语言实时返回权威结果,并通过检测机制过滤SEO垃圾与低质AIGC。
推荐理由:DeepSeek开放内部搜索API,开发者可将其接入应用或LLM,获得实时多语言且过滤低质内容的检索能力,扩展知识边界。
DeepSeek-V3.1 现已更新至 DeepSeek-V3.1-Terminus,官方 App、网页端、小程序与 DeepSeek API 均已同步更新,并开放 Hugging Face 和 ModelScope 开源下载。
推荐理由:官方列出 Terminus 在 Agent 与语言一致性上的改进及测评对比,便于了解本次版本更新重点。
DeepSeek 发布实验性模型 DeepSeek-V3.2-Exp,在 V3.1-Terminus 基础上引入 DeepSeek Sparse Attention 稀疏注意力机制,针对长文本训练和推理效率做优化,在公开评测集上表现与 V3.1-Terminus 基本持平。
推荐理由:稀疏注意力在公开评测表现基本持平的前提下降低长文本推理成本,API 价格随之下降五成以上。
DeepSeek 同时发布 DeepSeek-V3.2 和 DeepSeek-V3.2-Speciale 两个正式版模型,网页端、App 和 API 已由 DeepSeek-V3.2-Exp 升级为正式版 V3.2。
推荐理由:DeepSeek 同时发布 V3.2 与 V3.2-Speciale 两个正式版模型,并把思考模式接入工具调用,读者可据此比较开源与闭源模型在 Agent 评测上的差距。
DeepSeek 上线并开源全新系列模型 DeepSeek-V4 预览版,分为 DeepSeek-V4-Pro 与 DeepSeek-V4-Flash 两个版本,均支持 1M 上下文和思考模式。
推荐理由:官方给出 V4 两个版本的参数、上下文与各项评测位次,可据此判断开源模型在 Agent 与推理上的当前位置。
DeepSeek 发布 V4.1 Flash,这是全新模型结构系列中最小尺寸的模型,为 552B 参数的 MoE 模型并具备原生多模态视觉理解能力,API 模型名改为 deepseek-flash 即可调用。
推荐理由:原文给出 552B MoE 结构、KV Cache 压缩幅度与 API 定价调整,可据此判断高效推理模型的成本走向。
DeepSeek 正式发布 DeepSeek-V4.1-Flash 模型,为新架构家族最小模型并原生支持多模态视觉理解。
推荐理由:DeepSeek-V4.1-Flash作为新架构最小原生多模态模型发布,API改用deepseek-flash且旧名临时路由,价格随之下调便于迁移。
DeepSeek 在 API 平台发布实验性多模态视觉理解模型 DeepSeek-V4-Flash-Vision-Exp。其纯文本能力与 DeepSeek-V4-Flash 持平,在需视觉理解的 agent 基准上显著跃升,多模态 agent 能力接近 Opus-4.8。调用需设置 model='deepseek-v4-flash-vision-exp'。
推荐理由:DeepSeek 正式发布实验性多模态视觉理解模型 DeepSeek-V4-Flash-Vision-Exp,该模型在需视觉理解的 agent 基准上较同族文本模型大幅跃升,多模态 agent 能力接近 Opus-4.8。
DeepSeek-V4-Pro 已正式发布并在 APP、Web 和 API 上线,调用时模型名设为 deepseek-v4-pro。该版本大幅提升智能体能力,HLE (wo/w tools) 达 42.7/60.0,Terminal Bench 2.1 87.9,NL2Repo 61.5 等。
推荐理由:DeepSeek-V4-Pro 正式发布,智能体能力在 HLE 等基准显著提升并原生支持 OpenAI Responses API,用户可参考分数与峰谷定价规划调用。
DeepSeek-V4-Flash API 现已开放公开测试,设置模型名 deepseek-v4-flash 即可用,智能体能力较 V4-Pro-Preview 显著提升。
推荐理由:相较 V4-Pro-Preview 智能体基准提升明显,原生支持 Responses API 并为 Codex 适配,便于开发者迁移工作流。
DeepSeek API 现已支持 V4-Pro 和 V4-Flash 模型,可通过 OpenAI ChatCompletions 与 Anthropic 接口调用。
推荐理由:原文给出了 DeepSeek V4 接入方式与旧名停用节点,用户可据此规划 API 调用代码迁移。
DeepSeek 通过临时端点 base_url=https://api.deepseek.com/v3.2_speciale_expires_on_20251215 提供 V3.2-Speciale,定价同 V3.2 且无工具调用。该服务可用至2025年12月15日15:59 UTC,详情参见文档。
DeepSeek 官方 API 的 deepseek-chat 和 deepseek-reasoner 均已升级到 DeepSeek-V3.2。deepseek-chat 对应 DeepSeek-V3.2 的非思考模式,deepseek-reasoner 对应思考模式。该更新记录于 DeepSeek API 官方更新日志。
推荐理由:此次版本升级将 DeepSeek 官方的 chat 与 reasoner 接口统一到 V3.2,开发者可按思考与非思考模式选择调用。
DeepSeek 将 deepseek-chat 和 deepseek-reasoner 升级至 DeepSeek-V3.2-Exp。deepseek-chat 对应 DeepSeek-V3.2-Exp 的非思考模式,deepseek-reasoner 对应其思考模式。
DeepSeek 已将 deepseek-chat 和 deepseek-reasoner 升级到 DeepSeek-V3.1-Terminus,分别对应非思考与思考模式。更新保持原模型能力,减少中英混合与异常字符,并优化 Code Agent 和 Search Agent 性能。
推荐理由:DeepSeek 将 deepseek-chat 与 deepseek-reasoner 升级至 V3.1-Terminus,改善语言一致与 Agent 性能。
DeepSeek 将 deepseek-chat 与 deepseek-reasoner 升级到 DeepSeek-V3.1,采用混合推理架构支持思考与非思考模式。相较 DeepSeek-R1-0528,新模型推理效率提升且智能体任务能力增强,SWE-bench Verified 66.0、SWE-bench Multilingual 54.5、Terminal-bench 31.3。
推荐理由:DeepSeek-V3.1 采用混合推理架构并公布 SWE-bench Verified 66.0 等基准,读者可对比 R1 版本判断其推理与智能体任务提升。
DeepSeek 将 deepseek-reasoner 模型升级到 DeepSeek-R1-0528,增强推理能力并优化前端开发。基准 AIME 2025 从70.0升至87.5,GPQA 71.5至81.0,LCB_v6 63.5至73.3,Aider 57.0至71.6,幻觉减少且支持函数调用(Tau-bench Airline 53.5/Retail 63.9)。
推荐理由:原文列出 AIME 2025 等四项基准的具体涨幅,读者可对比旧版 R1 判断推理与代码能力增强幅度,以及 token 成本变化。
DeepSeek 将 deepseek-chat 模型升级至 DeepSeek-V3-0324,推理与代码生成等能力得到增强。新版本在 MMLU-Pro 75.9→81.2、AIME 39.6→59.4 等基准显著提升,并改进中文写作、搜索及函数调用准确性,修复了旧版 V3 的问题。
推荐理由:DeepSeek-V3-0324 在 MMLU-Pro 与 AIME 等基准较旧版 V3 提升明显,读者可对比数值了解推理与前端代码改进。
DeepSeek API 更新日志宣布 deepseek-reasoner 是新模型 DeepSeek-R1。用户指定 model='deepseek-reasoner' 可调用 DeepSeek-V3,详情参见 DeepSeek-R1 Release,指南见 Thinking Mode。
推荐理由:DeepSeek API 更新日志宣布 deepseek-reasoner 即新模型 DeepSeek-R1,并附思考模式指南,便于接口接入。
DeepSeek 已将 deepseek-chat 模型升级至 DeepSeek-V3,API 调用方式保持不变。用户仍可通过指定 model='deepseek-chat' 调用新模型,无需修改代码。
推荐理由:DeepSeek-V3已通过现有deepseek-chat接口提供服务,API参数保持不变,开发者无需修改代码即可平滑迁移到新模型。
DeepSeek 将 deepseek-chat 模型升级至 DeepSeek-V2.5-1210,MATH-500 基准成绩从 74.8% 提升至 82.8%,LiveCodebench 准确率从 29.2% 增至 34.38%。新版本同时优化了文件上传和网页摘要功能的用户体验。
DeepSeek V2 Chat 与 Coder V2 合并升级为 DeepSeek V2.5,API 仍可通过 deepseek-chat 与 deepseek-coder 访问。新模型在通用与代码基准上超越前代,ArenaHard 胜率从 68.3% 升至 76.3%,HumanEval 达 89%。此次升级将原有对话与代码模型统一为单一模型。
推荐理由:DeepSeek V2.5 合并了此前的对话与代码模型,ArenaHard 与 HumanEval 等基准显示其通用和代码能力较前代有明显提升。
DeepSeek API 采用硬盘缓存技术,将调用价格再降低一个数量级。更多更新细节请参考 2024/08/02 的文档 Context Caching is Available。
推荐理由:DeepSeek API 创新采用硬盘上下文缓存技术,将调用价格再降一个数量级,开发者可据此优化自身大模型服务预算。
DeepSeek API 更新新增 /chat/completions 的 JSON Mode、Function Calling 及 Chat Prefix Completion(Beta)功能,并支持 8K max_tokens(Beta)。同时新增 /completions 接口以提供 FIM Completion(Beta)服务。
DeepSeek-Coder 模型已升级至 DeepSeek-Coder-V2-0724 版本。此次更新标志着该代码模型完成了版本迭代,具体性能指标或功能变更未在原文中披露。
DeepSeek 将 deepseek-chat 模型升级至 DeepSeek-V2-0628,推理等能力显著提升。在 HumanEval、MATH 和 BBH 基准上分别达到 84.76%、71.02% 和 83.40%,Arena-Hard 对 GPT-4-0314 胜率从 41.6% 增至 68.3%。模型角色扮演能力也明显增强,可按对话要求扮演不同人物。
推荐理由:DeepSeek-V2-0628 在代码、数学与推理基准上较旧版明显提升,对 GPT-4-0314 胜率增至 68.3%,便于开发者评估模型替换。
DeepSeek-Coder 模型升级至 DeepSeek-Coder-V2-0614,代码生成等能力达到 GPT-4-Turbo-0409 水平。该模型具备优秀数学与推理能力,通用能力与 DeepSeek-V2-0517 相当。
推荐理由:DeepSeek-Coder-V2-0614 在代码任务上持平 GPT-4-Turbo-0409,且通用能力与 DeepSeek-V2-0517 相当,可供开发者评估替换。
deepseek-chat 模型升级至 DeepSeek-V2-0517,IFEval 指令遵循准确率从 63.9% 提升至 77.6%。API 端优化 system 指令遵循,JSON 解析率从 78% 升至 85%,配合正则达 97%,改善了沉浸式翻译与 RAG 等任务体验。