DeepSeek推出V3.1，将V3和R1统一为一个混合推理模型，智能水平逐步提升 智能水平逐步提升：DeepSeek V3.1的初步基准测试结果显示，推理模式下的人工分析智能指数为60，较R1的59有所上升。在非推理模式下，V3.1的得分为49，较早期的V3 0324得分44有了更大的提升。这使得V3.1（推理）落后于阿里巴巴最新的Qwen3 235B 2507（推理）——DeepSeek尚未重新夺回领先地位。 混合推理：@deepseek_ai首次采用混合推理模型，支持推理和非推理模式。DeepSeek转向统一的混合推理模型模仿了OpenAI、Anthropic和Google的做法。然而，值得注意的是，阿里巴巴最近放弃了他们之前偏好的混合方法，分别发布了Qwen3 2507推理和指令模型。 功能调用/工具使用：虽然DeepSeek声称模型的功能调用有所改善，但DeepSeek V3.1在推理模式下不支持功能调用。这可能会大大限制其支持具有智能要求的代理工作流程的能力，包括在编码代理中的应用。 令牌使用：DeepSeek V3.1在推理模式下的得分比DeepSeek R1略高，并且在我们用于人工分析智能指数的评估中使用的令牌略少。在非推理模式下，它使用的令牌比V3 0324略多——但仍然是其推理模式使用的令牌的几倍。 API：DeepSeek的第一方API现在在他们的聊天和推理端点上服务于新的DeepSeek V3.1模型——只需在聊天模板中更改是否提供结束思考</think>令牌，以控制模型是否进行推理。 架构：DeepSeek V3.1在架构上与之前的V3和R1模型完全相同，具有671B的总参数和37B的活跃参数。 影响：我们建议在对这一发布所暗示的DeepSeek在未来模型（传闻称为V4或R2）进展方面做出任何假设时保持谨慎。我们注意到，DeepSeek之前在2024年12月10日发布了基于其V2架构的最终模型，仅在发布V3的两周前。

宣布人工分析长上下文推理（AA-LCR），这是一个新的基准，用于通过测试多个长文档（~100k tokens）的推理能力来评估长上下文性能。 AA-LCR的重点是复制真实的知识工作和推理任务，测试对现代AI应用至关重要的能力，涵盖文档分析、代码库理解和复杂的多步骤工作流程。 AA-LCR包含100个基于文本的困难问题，这些问题需要在多个代表~100k输入tokens的真实世界文档中进行推理。问题的设计使得答案不能直接找到，而必须从多个信息源中推理得出，人工测试验证每个问题确实需要真实的推理而非检索。 关键要点： ➤ 今天的领先模型实现了~70%的准确率：前三名分别是OpenAI o3（69%）、xAI Grok 4（68%）和Qwen3 235B 2507 Thinking（67%） ➤👀 我们也已经有了gpt-oss的结果！120B的表现接近o4-mini（高），与OpenAI关于模型性能的声明一致。我们将很快跟进模型的智能指数。 ➤ 100个基于文本的困难问题，涵盖7类文档（公司报告、行业报告、政府咨询、学术界、法律、市场材料和调查报告） ➤ 每个问题约需~100k tokens的输入，要求模型支持至少128K的上下文窗口才能在此基准上得分 ➤ 运行基准所需的总独特输入tokens约为~3M，涵盖~230个文档（输出tokens通常因模型而异） ➤ 数据集链接在🤗 @HuggingFace下方 我们将AA-LCR添加到人工分析智能指数，并将版本号提升至v2.2。人工分析智能指数v2.2现在包括：MMLU-Pro、GPQA Diamond、AIME 2025、IFBench、LiveCodeBench、SciCode和AA-LCR。 所有数字现在已在网站上更新。查看哪些模型在人工分析智能指数v2.2中表现优异👇

Cerebras 本周一直在展示其以非常高的速度托管大型 MoE 的能力，以 >1,500 个输出令牌/秒的速度推出 Qwen3 235B 2507 和 Qwen3 Coder 480B 端点 ➤ @CerebrasSystems 现在为 Qwen3 235B 2507 推理和非推理提供端点。两种型号的总参数均为 235B，其中 22B 处于活动状态。 ➤ Qwen 3 235B 2507 Reasoning 提供可与 o4-mini（高）和 DeepSeek R1 0528 相媲美的智能。非推理变体提供的智能可与 Kimi K2 相媲美，远高于 GPT-4.1 和 Llama 4 Maverick。 ➤ Qwen3 Coder 480B 总参数为 480B，其中 35B 处于活动状态。该模型对于代理编码特别强大，可用于各种编码代理工具，包括 Qwen3-Coder CLI。 Cerebras 的发布代表了这种智能水平首次以这样的输出速度实现，并有可能解锁新的用例——例如为代理的每个步骤使用推理模型，而无需等待几分钟。