Vector Lab
VECTOR LAB

EST. 2025

WEEKLY UPDATE2025
BY ANDREW MEAD

巨鲸归来

DeepSeek 推出新模型,GLM 让电脑操作看起来轻而易举,大语言模型能比人类更准确地预见未来吗?

注:本文由 OpenAI gpt-6.1-sol 通过 Codex CLI 自动翻译;翻译质量可能有所欠缺,尤其是技术术语。

新品发布

DeepSeek 3.1 发布

沉寂许久后,DeepSeek 终于发布了新模型。此次推出的 DeepSeek V3.1 将此前模型的思考与非思考能力融合在一起,成为一个混合模型。

这次发布似乎是为了回应 Kimi K2 和 GLM 4.5。这两款由其他中国实验室发布的模型,在推理和智能体能力上都非常强。DeepSeek 在这次发布中特别强调了模型的智能体编程能力:与此前版本相比,它在大多数软件工程和智能体基准测试中都有大幅提升。

DeepSeek V3.1 的 SWE-bench 得分

模型的推理速度也比以前快了很多。DeepSeek 此前的思维链出了名地长,即便是简单的问题,也常常需要等待很久才能得到回答。这次发布大幅改善了这一点:模型在思考时使用的 token 数减少了 30% 至 50%,同时仍能保持相近的准确率。

token 用量减少

他们还让模型在 Cloudcode 中的使用变得非常简单,提供了几步就能上手的说明。不过,一个缺点是,通过 DeepSeq API 使用模型时,速度很慢,每秒只有 20 个 token。

但这款模型的性价比确实非常突出:每百万输出 token 只需 1 美元,加上思考 token 数量减少,它比以前更加高效,而价格只有其他中国模型的一半。

Z.ai 登顶电脑操作基准测试

ZAI 发布了一个用于微调电脑操作智能体的强化学习框架。与此同时,他们还发布了一个基于 90 亿参数 GLM 4.1 模型微调而来的版本,并登顶 OS World 基准测试。

OS World 是一项面向多模态智能体的基准测试,用于评估它们与可视化界面及操作系统交互的能力。其中的任务包括安装 Spotify,以及从电子邮件中提取附件并上传到 Google Drive。

AutoGLM 在 OSWorld 上的基准测试成绩

尽管他们的模型比榜单前列的竞争对手(例如 Claude 4 Sonnet)小得多,却依然能超越它们。这也说明,只要专注于一个相对狭窄的领域,小模型也能走得很远。

遗憾的是,这款模型并未开源。不过,自己动手微调一个类似的版本,看看能否超越他们的表现,应该会很有意思。

Qwen Image Edit

Qwen 发布了一款图像编辑模型,基于他们两周前推出的 Qwen Image 构建。该模型在各种图像编辑任务中都表现出色,包括文字修改、物体旋转、外观编辑、添加和移除物体等。

Qwen Image Edit 示例

应用示例


它的能力也得到了真实场景基准测试的支持:在由真人投票评选的 Artificial Analysis 图像编辑排行榜上,它基本处于榜首位置。你也可以去 Qwen 的 Twitter 页面,看看更多使用示例。

Qwen 图像基准测试成绩

再加上同样出色的 Qwen Image 基础模型,这套组合堪称目前最好的图像生成与编辑方案之一。因此,下周我会把本地图像生成工作流切换到这两个模型上。

研究

AI 能预测未来吗

最近,Kalshi 和 Polymarket 等预测市场热度大涨。用户可以在这些平台上,就现实世界中可能发生的事情下注,比如这个月会不会发生一次 7 级地震,或者 Elon Musk 这周会发多少条推文。

研究人员想看看,大语言模型在选择值得下注的现实事件、并为这些事件估算概率方面表现如何,以及它们能否在这些市场中占据优势。

没有模型获得正收益

简短的答案是:不能。平均回报以初始资金为基准,因此低于 100% 表示亏损,高于 100% 表示盈利。

没有任何大语言模型能够跑赢市场。平均来看,OpenAI 的模型表现最好,DeepSeek 表现最差,但所有模型都没有出现灾难性的亏损。

观察不同大语言模型如何决定下注、采取怎样的策略,是一件很有意思的事。比如 O3-Mini 就非常激进,愿意冒险下注来争取高额回报,这也让它跻身排行榜前列。

在所有这些模型中,DeepSeek 的结果无疑最有意思。对于大多数赌注,其他模型估算的事件发生概率往往至少还算接近。但 DeepSeek 不一样。它对这些事件是否会发生的概率判断,与其他模型差异极大,完全站在了其他模型的对立面。然而,这种独特性并没有帮到它,它的回报是所有模型中最差的。

这项基准测试很酷的一点在于,它无法被过拟合。测试始终实时进行,也总有新的事件可以下注。所以,不妨隔一段时间就去看看排行榜,了解模型的表现,看看它们之中有没有谁能胜过人类的集体智慧。

快讯

这里是我本周发现的一些实用工具或有趣话题,可能与 AI 有关,也可能无关,只是没时间为它们单独写一节。

经过强化学习的模型真的很喜欢数字

在询问大语言模型最喜欢哪些音乐人时,研究人员发现,经过更多强化学习训练的模型(推理模型),更倾向于选择名字中带有数字或其他数学符号的音乐人,而非名字中没有这些元素的音乐人。

DeepSeek-r1 最喜欢的音乐人

你才是聊天机器人

有人在 Twitter 上做出了 AI 助手的反面:一个 AI 用户。它采用了角色颠倒的对话结构进行训练,会期待你回答它的问题,于是产生了一些令人捧腹的对话。

拜托,教教 AI 怎么编程吧

现在就可以前往 https://youaretheassistantnow.com 与这位 AI 用户聊天。

结语

希望你喜欢本周的新闻。如果想每周收到这些资讯,记得在下方订阅我们的邮件列表。

使用 Qwen Image 和 Wan 2.2 的全本地图生视频工作流 - 来自 Twitter 上的 fofr

Stay Updated

Subscribe to get the latest AI news in your inbox every week!

← BACK TO NEWS