AI 研究與效率每日追蹤｜2026-10-18
今日重點
今天值得注意的是 DeepSeek 更新 Flash 模型，在官方的程式代理測試中，較前版明顯進步，但縮短任務時間的宣稱仍缺完整測試條件。另一條線是擴散語言模型的「解碼策略」：TIPS 嘗試不重訓主模型，只用小型控制器改善固定計算預算下的答案品質。兩者都把焦點放在每次任務能產出多少有效成果，而不只是模型大小。 huggingface.co
重要更新
1. DeepSeek｜DeepSeek-V4.1-Flash-1017｜10 月 17 日，正式部署／開放權重
方法：V4.1 Flash 的小幅更新，針對推理、程式與代理任務優化；官方已更新網頁、App 與 API 模型，並提供權重。這不是新架構發布。 api-docs.deepseek.com
數據：官方模型卡列 Terminal-Bench 4.0 從前版 31.2 升至 42.3，測試使用 Claude Code harness；DeepSWE v1.1 從 74.2 升至 77.0，使用 Mini-SWE-V2 harness。官方未公布這兩項比較的完整硬體、batch、精度、實際延遲及每題成本條件，不能據此換算速度或成本改善幅度。 huggingface.co
實際意義：既有 `deepseek-flash` API 使用者可直接用到新版；自行部署者也能取得權重。 api-docs.deepseek.com
限制與疑點：上述是廠商自測；代理成績受 harness 影響。官方稱任務時間與輸出長度下降，但尚無足夠條件判斷在一般工作負載能省多少。 api-docs.deepseek.com
一手來源：官方更新紀錄、官方模型卡
新架構雷達
ServiceNow AI Research／Mila 等｜TIPS｜10 月 15 日，論文
這是什麼：給擴散語言模型加上一個約 60 萬參數的控制器，逐步決定哪些 token 要揭露、哪些要重新遮罩；底層模型保持凍結。它改的是非自回歸模型的推論路徑，不是從零提出全新基礎模型。 arxiv.org
符合的門檻：①不同於傳統逐字生成 LLM 的解碼做法；②有公開論文及詳細實驗方法。 arxiv.org
研究團隊宣稱：以 LLaDA-8B-Instruct、固定 256-token 回答，在 GSM8K 與 MATH-500 共 1,819 題、每題 32 次模型評估下，完整畫布版本正確率 58.46%；同表 WINO 為 46.34%。這是正確率對計算次數的比較，不是實測速度提升。 arxiv.org
第三方驗證：目前沒有找到獨立重測；跨任務效果與實際硬體延遲仍待確認。 arxiv.org
一手來源：論文與實驗表
趨勢整理
- 代理評測重視整套流程：DeepSeek 今日的成績須連同 harness 看；前幾天的 NVIDIA、Google 代理研究也凸顯工具與驗證流程的重要性。 huggingface.co
- 效率不只靠縮小模型：近期從本地量化部署到 TIPS 的解碼控制，都在尋找固定資源下更好的品質與成本取捨。 arxiv.org
- 替代生成路徑仍在探索：TIPS 為擴散語言模型提供可測的改進，但目前不足以推論它在通用任務上優於自回歸模型。 arxiv.org
值得追蹤
- DeepSeek 新舊版能否在相同 harness、硬體與任務集合下，公開每題耗時、輸出 token 數及成本。
- TIPS 是否出現獨立重測，以及在程式任務和實際 GPU 延遲上的表現。