格兰：DeepSeek新版本来了！利好什么？

lameihua

　　临近收盘，DeepSeek给了市场一个新的惊喜，官宣推出最新的大模型，Deepseek v3.1。

　　不同于其他AI公司精心策划的发布会和宣传活动，这次DeepSeek的动作确实比较低调，连媒体通稿都没有，只在开发者社区的核心阵地Hugging Face上发了个贴，顺手发了篇公众号文章。

　　有人把这当做大利好，也有人认为这次的更新没有惊喜，到底是怎么回事呢？

　　我们慢慢分析。

　　DeepSeek V3.1最核心、最具革命性的创新，在于其独特的混合推理架构Hybrid Reasoning Architecture。

　　这个架构可以同时支持思考模式和非思考模式，用户可以在使用的过程中自由切换。

　　之前DeepSeek的产品线，专业分工是很明确的，V3模型在通用对话能力方面比较擅长，R1模型则更倾向于深度思考。

　　这种分离式架构的好处在于，各个模型可以在各自领域达到比较不错的水平，但对于使用者来说，来回切换模式很不方便。

　　现在打破传统模型在不同任务能力上的壁垒后，将通用对话、复杂推理和专业编程等多种核心功能，无缝集成在单一的模型里，这样就能为使用者提供前所未有的灵活性和效率。

　　除此之外，V3.1在推理效率上也提高了不少。

　　根据官方数据显示，V3.1的思考模式在各项任务上的平均表现，与前代顶级的R1-0528模型持平，但其输出的token数量减少了20%到50%。同时，非思考模式下的输出长度，在保持相同性能下也有明显减少。

　　这个进步可被称为思维链压缩，也就是在模型训练阶段，在保证答案准确性的前提下，引导大模型学习生成更简洁、更高效的推理路径。

　　简单来说，就是算法更聪明了。

　　为什么要这样做呢？

　　省钱啊！

　　长期以来，思维链技术虽然能显著提升模型的推理能力，但冗长中间步骤也会带来高昂的计算成本和API调用费用，费用一高，在大面积商业应用时必然是个阻碍。

　　DeepSeek V3.1通过思维链压缩技术，正面解决了高级推理的经济可行性问题。

　　它将先进的AI推理能力从一个高成本的、主要用于学术研究的工具，转变成了一种可以规模化、经济实惠的商业实用程序。

　　那么在今后的实际应用中，应用端调用复杂的推理能力，就不会再是一项奢侈的选择，对推广业务场景商业化方面，是个关键突破。

　　看上去确实还不错，那么这一定代表利好吗？

　　仔细想一想，DeepSeek在小版本上做升级，是不是意味着大版本R2又要延后呢？

　　这是圈里普遍比较担心的问题。

　　另外值得一看的，是DeepSeek公众号里说了一句，UE8M0 FP8是针对即将发布的下一代国产芯片。

　　我知道很多同学看到这句又懵了，这串普通人看似天书是的代码，在业内人士眼里，信息量巨大。

　　我打个比方大家就懂了。

　　我们可以把UE8M0 FP8想象成一个超级省钱的打包方案，专门用来打包和运输AI模型里的海量数字。

　　在传统的AI模型里，数字需要很精确的方式储存，我们一般叫它FP16或者BF16，也就是16位浮点数。这就像我们用一个16立方米的箱子去装东西，虽然没有问题，但是效率方面显然就太慢了，并且储存起来也占地方。

　　于是我们可以把这个大箱子换成8立方米的小箱子，也就是现在的FP8，8位浮点数，这样既能提高运输速度，同时还能够节省空间。

　　但是，这个方法也有个最大的问题，就是箱子太多了，用的时候找不到，导致AI模型精度不够，这显然是不能接受的。

　　所以就有了更高级的方法，叫为缩放FP8，而DeepSeek用的UE8M0 FP8，就是这个方案里的智能标签。

　　简单来说就是把AI模型里的数字分为每32个一组，每组箱子都按同一比例放大或缩小，最后再用缩放标签做好标记，这样就能快速找到所需要的箱子了。

　　那么，谁家芯片能接住DeepSeek呢？

　　大概率是华为，更细的说，大概率是华为910d。

　　要知道，华为910d新增了FP8处理能力。

　　之前我们的算力卡处境尴尬，基本上都只支持 FP16；面对全球范围内 FP8 已成趋势的浪潮，尽管一些厂商付出巨大努力，在软件层面上进行优化，实现对FP8数据兼容，但这个方式更像是翻译，并没有真正把算力卡用起来。

　　在实践中，国产硬件不能直接理解FP8，必需由软件进行一次转换，这个过程不仅消耗掉了算力资源，更没法实现FP8加速的初衷。

　　华为，正式打破这个局面的胜负手。

　　凭借对FP8的原生支持，910D 芯片可能成为第一个有潜力让 DeepSeek 这类国内前沿模型，在国产硬件上实现理论最低成本的平台。

　　这也标志着我们的软件算法和硬件算力，终于实现了生态上的对齐。

　　另外还有消息说，910D甚至可能支持更激进的FP4精度。

　　如果真的实现，那就不只是锦上添花的问题了。

　　更低的精度意味着在模型应用环节能实现更低的延迟和耗能，这对于自动驾驶、端侧AI等场景至关重要。

　　一旦实现，那就不单纯是解决当下训练成本的问题了，未来AI应用的广阔场景，我们有足够的理由期待一下。

　　最后聊几句大盘。

　　指数继续创新高，眼看就要逼近 3800 点，尾盘却出现了跳水行情。

　　盘面上最大的特点，就是高位票集体崩盘。

　　之前提醒过的液冷板块，跌幅居前。

　　事实上不止液冷，前期涨幅比较好的科技板块，尤其是海外AI线和机器人线，今天跌幅都比较大。

　　这种资金的‘高低切’是今日盘面的核心特征。

　　资金从前期爆炒、估值偏高、交易拥挤的高位板块，向估值合理、位置偏低、具备补涨逻辑的低位板块切换。

　　在指数越来越高的环境里，居安思危的意识，比闭眼做多的勇气更有价值。