【文章来源：techweb】
【TechWeb】1 月 13 日消息，DeepSeek 最新公布题为 《Conditional Memory via Scalable Lookup:A New Axis of Sparsity for Large Language Models》 全新论文，提出 「条件记忆」（Conditional Memory） 作为对主流条件计算 （MoE） 范式的互补性稀疏维度，旨在解决通过动态计算模拟知识检索的低效问题。
该论文作者署名包括梁文锋等 DeepSeek 团队成员，还有北京大学王选所赵东岩、张辉帅团队。
论文链接：https://github.com/deepseek-ai/Engram/blob/main/Engram_paper.pdf
提出 「U 形扩展定律」
论文称，当前大语言模型主要依靠混合专家 （MoE） 实现条件计算，通过稀疏激活参数扩展模型容量。然而，语言信号具有内在异质性：一方面需要深度动态计算进行组合推理，另一方面存在大量局部、静态、高度模式化的文本 （如命名实体、公式化表达）。传统 Transformer 缺乏原生知识查找原语，迫使模型通过计算模拟检索，例如解析一个多词实体需消耗多个底层注意力与前馈网络层，本质上是昂贵地运行时重建静态查找表，浪费了本可用于高层推理的序列深度。
为匹配语言的双重特性，研究团队主张引入条件记忆 （Conditional Memory） 这一互补稀疏轴：条件计算稀疏激活参数以处理动态逻辑，条件记忆则依赖稀疏查找操作检索静态嵌入以获取固定知识。
同时，论文给出了该条件记忆具体实现方案 Engram 模块。
为量化 Engram 与 MoE 之间的协同，论文提出稀疏性分配问题。这也是该论文的核心。
团队设计了一个严格的实验框架：固定总参数量和每 token 的激活参数量 （也就是计算量），然后在 MoE 专家和 Engram 记忆之间重新分配 「闲置参数」 预算。
实验表明，纯 MoE 或纯 Engram 主导均非最优，二者存在结构互补性：
MoE 主导缺乏静态模式的专用内存，迫使通过深度计算低效重建。
Engram 主导则失去条件记忆能力，损害需要动态上下文推理的任务。
最终，实验揭示了一条 「U 形扩展定律」（如下图）：在固定参数与 FLOPs 下，将稀疏参数预算的约 20%-25% 重新分配给 Engram 可获得最佳性能。例如在 10B 参数规模下，验证损失从 1.7248 降至 1.7109。
基于上述分配定律，论文团队训练了 Engram-27B 模型 （总参数 26.7B，激活参数 3.8B），通过将 MoE-27B 的专家数从 72 减至 55，并将释放的参数重新分配给 5.7B 参数的 Engram 内存 （分配比ρ=74.3%）。在预训练后，相比同参数同 FLOPs 的 MoE-27B 基线，Engram-27B 在知识与推理、通用推理、代码与数学等多个领域均取得显著提升。
具体提升包括：
知识与推理：MMLU +3.0，CMMLU +4.0，MMLU-Pro +1.8。
通用推理：BBH +5.0，ARC-Challenge +3.7，DROP +3.3。
代码与数学：HumanEval +3.0，GSM8K +2.2，MATH +2.4。
论文总结认为，Engram 不仅提升知识检索能力，更在通用推理、代码与数学领域带来更大增益。机制上，它通过减轻早期层静态重建任务有效 「加深」 网络，并释放注意力容量以聚焦全局上下文与复杂推理，从而显著增强长上下文能力。其确定性寻址支持存储与计算解耦，为下一代稀疏模型提供了基础设施感知的高效设计范式。
DeepSeek-V4 大模型被曝春节前后发布
值得注意的是，论文结尾明确提到：我们将条件记忆视为下一代稀疏模型不可或缺的建模原语。
就在前天，有外媒报道，DeepSeek 将于 2 月发布新一代旗舰 AI 模型 DeepSeek V4，该模型主打强劲的代码生成能力，是 DeepSeek 继 2024 年 12 月发布的 V3 模型之后的最新版本。
报道援引知情人士消息称，DeepSeek 员工基于公司内部基准开展的初步测试显示，该最新模型在代码生成领域的表现优于 Anthropic、Claude、生成式预训练变换器系列 （OpenAI GPT） 等现有主流模型。DeepSeek 计划在 2025 年春节前后发布 V4 版本。
因此，论文中的提到的 「条件记忆」（Conditional Memory） 被业内猜测将极大可能应用于 DeepSeek-V4 大模型中。
自 2024 年 1 月 20 日，DeepSeek 发布 R1 模型，恰逢春节前夕，其卓越的表现引发了全球 AI 界的广泛关注以来，DeepSeek 团队持续不断给业内带来惊喜，2025 年下半年几乎月月有发布。
2025 年末，DeepSeek 还发布了题为 《Manifold-Constrained Hyper-Connections》 的研究论文，该技术成功解决了此前阻碍大模型规模扩展的核心瓶颈——训练稳定性问题。通过在超连接技术中引入数学上的 「流形约束」，DeepSeek 实现了 27B 模型训练中信号放大从近 3000 倍骤降至 1.6 倍的惊人效果。为大模型架构设计开辟了一条全新的技术路径。
2025 年 12 月 1 日，DeepSeek 发布了两款新模型：DeepSeek-V3.2 和 DeepSeek-V3.2-Speciale，并开源。DeepSeek-V3.2 达到了 GPT-5 的水平，DeepSeek-V3.2-Speciale 在主流推理基准测试上的性能表现媲美 Gemini-3.0-Pro。
2025 年 11 月，DeepSeek 在 Hugging Face 平台正式开源了 DeepSeek-Math-V2 模型，这是全球首个达到国际数学奥林匹克竞赛金牌水平的开源数学模型。该模型基于 DeepSeek-V3.2-Exp-Base 开发。
2025 年 10 月，DeepSeek 发布 3B 参数开源 OCR 模型，DeepSeek-OCR 模型创新性地提出 「上下文光学压缩」 技术，将长文本转换为图像进行高效压缩处理，大幅降低大模型输入所需的 Token 数量，从而显著降低大模型处理长文档时的计算开销，该模型迅速在 AI 领域获得了广泛关注和讨论。
2025 年 9 月，DeepSeek 正式发布 DeepSeek-V3.2-Exp 模型，并宣布 API 调用价格大幅降低，输入百万 Token 价格降至 2 毛钱，输出价格直降 75%，被业界称为 「价格屠夫」 再挥刀。
蓄力这么久，业内认为，DeepSeek-V4 版本的推出预计将对当前的 AI 竞争格局产生重大影响，期待其进一步巩固 DeepSeek 在全球人工智能领域的领先地位。
【文章来源：techweb】
【TechWeb】1 月 13 日消息，DeepSeek 最新公布题为 《Conditional Memory via Scalable Lookup:A New Axis of Sparsity for Large Language Models》 全新论文，提出 「条件记忆」（Conditional Memory） 作为对主流条件计算 （MoE） 范式的互补性稀疏维度，旨在解决通过动态计算模拟知识检索的低效问题。
该论文作者署名包括梁文锋等 DeepSeek 团队成员，还有北京大学王选所赵东岩、张辉帅团队。
论文链接：https://github.com/deepseek-ai/Engram/blob/main/Engram_paper.pdf
提出 「U 形扩展定律」
论文称，当前大语言模型主要依靠混合专家 （MoE） 实现条件计算，通过稀疏激活参数扩展模型容量。然而，语言信号具有内在异质性：一方面需要深度动态计算进行组合推理，另一方面存在大量局部、静态、高度模式化的文本 （如命名实体、公式化表达）。传统 Transformer 缺乏原生知识查找原语，迫使模型通过计算模拟检索，例如解析一个多词实体需消耗多个底层注意力与前馈网络层，本质上是昂贵地运行时重建静态查找表，浪费了本可用于高层推理的序列深度。
为匹配语言的双重特性，研究团队主张引入条件记忆 （Conditional Memory） 这一互补稀疏轴：条件计算稀疏激活参数以处理动态逻辑，条件记忆则依赖稀疏查找操作检索静态嵌入以获取固定知识。
同时，论文给出了该条件记忆具体实现方案 Engram 模块。
为量化 Engram 与 MoE 之间的协同，论文提出稀疏性分配问题。这也是该论文的核心。
团队设计了一个严格的实验框架：固定总参数量和每 token 的激活参数量 （也就是计算量），然后在 MoE 专家和 Engram 记忆之间重新分配 「闲置参数」 预算。
实验表明，纯 MoE 或纯 Engram 主导均非最优，二者存在结构互补性：
MoE 主导缺乏静态模式的专用内存，迫使通过深度计算低效重建。
Engram 主导则失去条件记忆能力，损害需要动态上下文推理的任务。
最终，实验揭示了一条 「U 形扩展定律」（如下图）：在固定参数与 FLOPs 下，将稀疏参数预算的约 20%-25% 重新分配给 Engram 可获得最佳性能。例如在 10B 参数规模下，验证损失从 1.7248 降至 1.7109。
基于上述分配定律，论文团队训练了 Engram-27B 模型 （总参数 26.7B，激活参数 3.8B），通过将 MoE-27B 的专家数从 72 减至 55，并将释放的参数重新分配给 5.7B 参数的 Engram 内存 （分配比ρ=74.3%）。在预训练后，相比同参数同 FLOPs 的 MoE-27B 基线，Engram-27B 在知识与推理、通用推理、代码与数学等多个领域均取得显著提升。
具体提升包括：
知识与推理：MMLU +3.0，CMMLU +4.0，MMLU-Pro +1.8。
通用推理：BBH +5.0，ARC-Challenge +3.7，DROP +3.3。
代码与数学：HumanEval +3.0，GSM8K +2.2，MATH +2.4。
论文总结认为，Engram 不仅提升知识检索能力，更在通用推理、代码与数学领域带来更大增益。机制上，它通过减轻早期层静态重建任务有效 「加深」 网络，并释放注意力容量以聚焦全局上下文与复杂推理，从而显著增强长上下文能力。其确定性寻址支持存储与计算解耦，为下一代稀疏模型提供了基础设施感知的高效设计范式。
DeepSeek-V4 大模型被曝春节前后发布
值得注意的是，论文结尾明确提到：我们将条件记忆视为下一代稀疏模型不可或缺的建模原语。
就在前天，有外媒报道，DeepSeek 将于 2 月发布新一代旗舰 AI 模型 DeepSeek V4，该模型主打强劲的代码生成能力，是 DeepSeek 继 2024 年 12 月发布的 V3 模型之后的最新版本。
报道援引知情人士消息称，DeepSeek 员工基于公司内部基准开展的初步测试显示，该最新模型在代码生成领域的表现优于 Anthropic、Claude、生成式预训练变换器系列 （OpenAI GPT） 等现有主流模型。DeepSeek 计划在 2025 年春节前后发布 V4 版本。
因此，论文中的提到的 「条件记忆」（Conditional Memory） 被业内猜测将极大可能应用于 DeepSeek-V4 大模型中。
自 2024 年 1 月 20 日，DeepSeek 发布 R1 模型，恰逢春节前夕，其卓越的表现引发了全球 AI 界的广泛关注以来，DeepSeek 团队持续不断给业内带来惊喜，2025 年下半年几乎月月有发布。
2025 年末，DeepSeek 还发布了题为 《Manifold-Constrained Hyper-Connections》 的研究论文，该技术成功解决了此前阻碍大模型规模扩展的核心瓶颈——训练稳定性问题。通过在超连接技术中引入数学上的 「流形约束」，DeepSeek 实现了 27B 模型训练中信号放大从近 3000 倍骤降至 1.6 倍的惊人效果。为大模型架构设计开辟了一条全新的技术路径。
2025 年 12 月 1 日，DeepSeek 发布了两款新模型：DeepSeek-V3.2 和 DeepSeek-V3.2-Speciale，并开源。DeepSeek-V3.2 达到了 GPT-5 的水平，DeepSeek-V3.2-Speciale 在主流推理基准测试上的性能表现媲美 Gemini-3.0-Pro。
2025 年 11 月，DeepSeek 在 Hugging Face 平台正式开源了 DeepSeek-Math-V2 模型，这是全球首个达到国际数学奥林匹克竞赛金牌水平的开源数学模型。该模型基于 DeepSeek-V3.2-Exp-Base 开发。
2025 年 10 月，DeepSeek 发布 3B 参数开源 OCR 模型，DeepSeek-OCR 模型创新性地提出 「上下文光学压缩」 技术，将长文本转换为图像进行高效压缩处理，大幅降低大模型输入所需的 Token 数量，从而显著降低大模型处理长文档时的计算开销，该模型迅速在 AI 领域获得了广泛关注和讨论。
2025 年 9 月，DeepSeek 正式发布 DeepSeek-V3.2-Exp 模型，并宣布 API 调用价格大幅降低，输入百万 Token 价格降至 2 毛钱，输出价格直降 75%，被业界称为 「价格屠夫」 再挥刀。
蓄力这么久，业内认为，DeepSeek-V4 版本的推出预计将对当前的 AI 竞争格局产生重大影响，期待其进一步巩固 DeepSeek 在全球人工智能领域的领先地位。
【文章来源：techweb】
【TechWeb】1 月 13 日消息，DeepSeek 最新公布题为 《Conditional Memory via Scalable Lookup:A New Axis of Sparsity for Large Language Models》 全新论文，提出 「条件记忆」（Conditional Memory） 作为对主流条件计算 （MoE） 范式的互补性稀疏维度，旨在解决通过动态计算模拟知识检索的低效问题。
该论文作者署名包括梁文锋等 DeepSeek 团队成员，还有北京大学王选所赵东岩、张辉帅团队。
论文链接：https://github.com/deepseek-ai/Engram/blob/main/Engram_paper.pdf
提出 「U 形扩展定律」
论文称，当前大语言模型主要依靠混合专家 （MoE） 实现条件计算，通过稀疏激活参数扩展模型容量。然而，语言信号具有内在异质性：一方面需要深度动态计算进行组合推理，另一方面存在大量局部、静态、高度模式化的文本 （如命名实体、公式化表达）。传统 Transformer 缺乏原生知识查找原语，迫使模型通过计算模拟检索，例如解析一个多词实体需消耗多个底层注意力与前馈网络层，本质上是昂贵地运行时重建静态查找表，浪费了本可用于高层推理的序列深度。
为匹配语言的双重特性，研究团队主张引入条件记忆 （Conditional Memory） 这一互补稀疏轴：条件计算稀疏激活参数以处理动态逻辑，条件记忆则依赖稀疏查找操作检索静态嵌入以获取固定知识。
同时，论文给出了该条件记忆具体实现方案 Engram 模块。
为量化 Engram 与 MoE 之间的协同，论文提出稀疏性分配问题。这也是该论文的核心。
团队设计了一个严格的实验框架：固定总参数量和每 token 的激活参数量 （也就是计算量），然后在 MoE 专家和 Engram 记忆之间重新分配 「闲置参数」 预算。
实验表明，纯 MoE 或纯 Engram 主导均非最优，二者存在结构互补性：
MoE 主导缺乏静态模式的专用内存，迫使通过深度计算低效重建。
Engram 主导则失去条件记忆能力，损害需要动态上下文推理的任务。
最终，实验揭示了一条 「U 形扩展定律」（如下图）：在固定参数与 FLOPs 下，将稀疏参数预算的约 20%-25% 重新分配给 Engram 可获得最佳性能。例如在 10B 参数规模下，验证损失从 1.7248 降至 1.7109。
基于上述分配定律，论文团队训练了 Engram-27B 模型 （总参数 26.7B，激活参数 3.8B），通过将 MoE-27B 的专家数从 72 减至 55，并将释放的参数重新分配给 5.7B 参数的 Engram 内存 （分配比ρ=74.3%）。在预训练后，相比同参数同 FLOPs 的 MoE-27B 基线，Engram-27B 在知识与推理、通用推理、代码与数学等多个领域均取得显著提升。
具体提升包括：
知识与推理：MMLU +3.0，CMMLU +4.0，MMLU-Pro +1.8。
通用推理：BBH +5.0，ARC-Challenge +3.7，DROP +3.3。
代码与数学：HumanEval +3.0，GSM8K +2.2，MATH +2.4。
论文总结认为，Engram 不仅提升知识检索能力，更在通用推理、代码与数学领域带来更大增益。机制上，它通过减轻早期层静态重建任务有效 「加深」 网络，并释放注意力容量以聚焦全局上下文与复杂推理，从而显著增强长上下文能力。其确定性寻址支持存储与计算解耦，为下一代稀疏模型提供了基础设施感知的高效设计范式。
DeepSeek-V4 大模型被曝春节前后发布
值得注意的是，论文结尾明确提到：我们将条件记忆视为下一代稀疏模型不可或缺的建模原语。
就在前天，有外媒报道，DeepSeek 将于 2 月发布新一代旗舰 AI 模型 DeepSeek V4，该模型主打强劲的代码生成能力，是 DeepSeek 继 2024 年 12 月发布的 V3 模型之后的最新版本。
报道援引知情人士消息称，DeepSeek 员工基于公司内部基准开展的初步测试显示，该最新模型在代码生成领域的表现优于 Anthropic、Claude、生成式预训练变换器系列 （OpenAI GPT） 等现有主流模型。DeepSeek 计划在 2025 年春节前后发布 V4 版本。
因此，论文中的提到的 「条件记忆」（Conditional Memory） 被业内猜测将极大可能应用于 DeepSeek-V4 大模型中。
自 2024 年 1 月 20 日，DeepSeek 发布 R1 模型，恰逢春节前夕，其卓越的表现引发了全球 AI 界的广泛关注以来，DeepSeek 团队持续不断给业内带来惊喜，2025 年下半年几乎月月有发布。
2025 年末，DeepSeek 还发布了题为 《Manifold-Constrained Hyper-Connections》 的研究论文，该技术成功解决了此前阻碍大模型规模扩展的核心瓶颈——训练稳定性问题。通过在超连接技术中引入数学上的 「流形约束」，DeepSeek 实现了 27B 模型训练中信号放大从近 3000 倍骤降至 1.6 倍的惊人效果。为大模型架构设计开辟了一条全新的技术路径。
2025 年 12 月 1 日，DeepSeek 发布了两款新模型：DeepSeek-V3.2 和 DeepSeek-V3.2-Speciale，并开源。DeepSeek-V3.2 达到了 GPT-5 的水平，DeepSeek-V3.2-Speciale 在主流推理基准测试上的性能表现媲美 Gemini-3.0-Pro。
2025 年 11 月，DeepSeek 在 Hugging Face 平台正式开源了 DeepSeek-Math-V2 模型，这是全球首个达到国际数学奥林匹克竞赛金牌水平的开源数学模型。该模型基于 DeepSeek-V3.2-Exp-Base 开发。
2025 年 10 月，DeepSeek 发布 3B 参数开源 OCR 模型，DeepSeek-OCR 模型创新性地提出 「上下文光学压缩」 技术，将长文本转换为图像进行高效压缩处理，大幅降低大模型输入所需的 Token 数量，从而显著降低大模型处理长文档时的计算开销，该模型迅速在 AI 领域获得了广泛关注和讨论。
2025 年 9 月，DeepSeek 正式发布 DeepSeek-V3.2-Exp 模型，并宣布 API 调用价格大幅降低，输入百万 Token 价格降至 2 毛钱，输出价格直降 75%，被业界称为 「价格屠夫」 再挥刀。
蓄力这么久，业内认为，DeepSeek-V4 版本的推出预计将对当前的 AI 竞争格局产生重大影响，期待其进一步巩固 DeepSeek 在全球人工智能领域的领先地位。
【文章来源：techweb】
【TechWeb】1 月 13 日消息，DeepSeek 最新公布题为 《Conditional Memory via Scalable Lookup:A New Axis of Sparsity for Large Language Models》 全新论文，提出 「条件记忆」（Conditional Memory） 作为对主流条件计算 （MoE） 范式的互补性稀疏维度，旨在解决通过动态计算模拟知识检索的低效问题。
该论文作者署名包括梁文锋等 DeepSeek 团队成员，还有北京大学王选所赵东岩、张辉帅团队。
论文链接：https://github.com/deepseek-ai/Engram/blob/main/Engram_paper.pdf
提出 「U 形扩展定律」
论文称，当前大语言模型主要依靠混合专家 （MoE） 实现条件计算，通过稀疏激活参数扩展模型容量。然而，语言信号具有内在异质性：一方面需要深度动态计算进行组合推理，另一方面存在大量局部、静态、高度模式化的文本 （如命名实体、公式化表达）。传统 Transformer 缺乏原生知识查找原语，迫使模型通过计算模拟检索，例如解析一个多词实体需消耗多个底层注意力与前馈网络层，本质上是昂贵地运行时重建静态查找表，浪费了本可用于高层推理的序列深度。
为匹配语言的双重特性，研究团队主张引入条件记忆 （Conditional Memory） 这一互补稀疏轴：条件计算稀疏激活参数以处理动态逻辑，条件记忆则依赖稀疏查找操作检索静态嵌入以获取固定知识。
同时，论文给出了该条件记忆具体实现方案 Engram 模块。
为量化 Engram 与 MoE 之间的协同，论文提出稀疏性分配问题。这也是该论文的核心。
团队设计了一个严格的实验框架：固定总参数量和每 token 的激活参数量 （也就是计算量），然后在 MoE 专家和 Engram 记忆之间重新分配 「闲置参数」 预算。
实验表明，纯 MoE 或纯 Engram 主导均非最优，二者存在结构互补性：
MoE 主导缺乏静态模式的专用内存，迫使通过深度计算低效重建。
Engram 主导则失去条件记忆能力，损害需要动态上下文推理的任务。
最终，实验揭示了一条 「U 形扩展定律」（如下图）：在固定参数与 FLOPs 下，将稀疏参数预算的约 20%-25% 重新分配给 Engram 可获得最佳性能。例如在 10B 参数规模下，验证损失从 1.7248 降至 1.7109。
基于上述分配定律，论文团队训练了 Engram-27B 模型 （总参数 26.7B，激活参数 3.8B），通过将 MoE-27B 的专家数从 72 减至 55，并将释放的参数重新分配给 5.7B 参数的 Engram 内存 （分配比ρ=74.3%）。在预训练后，相比同参数同 FLOPs 的 MoE-27B 基线，Engram-27B 在知识与推理、通用推理、代码与数学等多个领域均取得显著提升。
具体提升包括：
知识与推理：MMLU +3.0，CMMLU +4.0，MMLU-Pro +1.8。
通用推理：BBH +5.0，ARC-Challenge +3.7，DROP +3.3。
代码与数学：HumanEval +3.0，GSM8K +2.2，MATH +2.4。
论文总结认为，Engram 不仅提升知识检索能力，更在通用推理、代码与数学领域带来更大增益。机制上，它通过减轻早期层静态重建任务有效 「加深」 网络，并释放注意力容量以聚焦全局上下文与复杂推理，从而显著增强长上下文能力。其确定性寻址支持存储与计算解耦，为下一代稀疏模型提供了基础设施感知的高效设计范式。
DeepSeek-V4 大模型被曝春节前后发布
值得注意的是，论文结尾明确提到：我们将条件记忆视为下一代稀疏模型不可或缺的建模原语。
就在前天，有外媒报道，DeepSeek 将于 2 月发布新一代旗舰 AI 模型 DeepSeek V4，该模型主打强劲的代码生成能力，是 DeepSeek 继 2024 年 12 月发布的 V3 模型之后的最新版本。
报道援引知情人士消息称，DeepSeek 员工基于公司内部基准开展的初步测试显示，该最新模型在代码生成领域的表现优于 Anthropic、Claude、生成式预训练变换器系列 （OpenAI GPT） 等现有主流模型。DeepSeek 计划在 2025 年春节前后发布 V4 版本。
因此，论文中的提到的 「条件记忆」（Conditional Memory） 被业内猜测将极大可能应用于 DeepSeek-V4 大模型中。
自 2024 年 1 月 20 日，DeepSeek 发布 R1 模型，恰逢春节前夕，其卓越的表现引发了全球 AI 界的广泛关注以来，DeepSeek 团队持续不断给业内带来惊喜，2025 年下半年几乎月月有发布。
2025 年末，DeepSeek 还发布了题为 《Manifold-Constrained Hyper-Connections》 的研究论文，该技术成功解决了此前阻碍大模型规模扩展的核心瓶颈——训练稳定性问题。通过在超连接技术中引入数学上的 「流形约束」，DeepSeek 实现了 27B 模型训练中信号放大从近 3000 倍骤降至 1.6 倍的惊人效果。为大模型架构设计开辟了一条全新的技术路径。
2025 年 12 月 1 日，DeepSeek 发布了两款新模型：DeepSeek-V3.2 和 DeepSeek-V3.2-Speciale，并开源。DeepSeek-V3.2 达到了 GPT-5 的水平，DeepSeek-V3.2-Speciale 在主流推理基准测试上的性能表现媲美 Gemini-3.0-Pro。
2025 年 11 月，DeepSeek 在 Hugging Face 平台正式开源了 DeepSeek-Math-V2 模型，这是全球首个达到国际数学奥林匹克竞赛金牌水平的开源数学模型。该模型基于 DeepSeek-V3.2-Exp-Base 开发。
2025 年 10 月，DeepSeek 发布 3B 参数开源 OCR 模型，DeepSeek-OCR 模型创新性地提出 「上下文光学压缩」 技术，将长文本转换为图像进行高效压缩处理，大幅降低大模型输入所需的 Token 数量，从而显著降低大模型处理长文档时的计算开销，该模型迅速在 AI 领域获得了广泛关注和讨论。
2025 年 9 月，DeepSeek 正式发布 DeepSeek-V3.2-Exp 模型，并宣布 API 调用价格大幅降低，输入百万 Token 价格降至 2 毛钱，输出价格直降 75%，被业界称为 「价格屠夫」 再挥刀。
蓄力这么久，业内认为，DeepSeek-V4 版本的推出预计将对当前的 AI 竞争格局产生重大影响，期待其进一步巩固 DeepSeek 在全球人工智能领域的领先地位。
