DeepSeek-V4.1-Flash-1017 上手实测:3D 直出效果到底如何
作者花半天用 DeepSeek-V4.1-Flash-1017 直出四个项目(雨夜公交站、3D 飞行特斯拉、3D《千里江山图》、折叠掌机),都能跑但都不达预期:模型能把元素堆上去,却看不出比例、相机穿模、折叠结构等空间关系问题。
推荐理由:作者用四个有现实参照的 3D 项目实测,发现模型能交付初版但缺乏空间自检能力,读者可据此判断它适合接哪类任务。
作者花半天用 DeepSeek-V4.1-Flash-1017 直出四个项目(雨夜公交站、3D 飞行特斯拉、3D《千里江山图》、折叠掌机),都能跑但都不达预期:模型能把元素堆上去,却看不出比例、相机穿模、折叠结构等空间关系问题。
推荐理由:作者用四个有现实参照的 3D 项目实测,发现模型能交付初版但缺乏空间自检能力,读者可据此判断它适合接哪类任务。
文章以虚构的企业技术知识助手为主线,将 16 项 RAG 相关技术按解决的问题分类梳理,帮助理解它们之间的关系与适用边界。这些技术并非从低级到高级的升级路线,而是围绕不同问题形成的解决方案——Hybrid Search、Reranking 属于单环节增强,Agentic RAG 则改变整个系统的运行方式。技术并非用得越多越好,关键在于判断何时需要、为何需要。
sv-print 三个月内迭代 6 个版本(0.2.22 至 0.2.26),从单一打印设计器升级为支持云端、AI 辅助和 SaaS 对接的打印设计器。新增 @sv-print/plugin-cloud 提供云打印与服务端渲染,@sv-print/plugin-view-ai 支持自然语言生成模板 JSON 与打印数据。
DeepSeek 正式发布 V4.1-Flash-1017,网页端、APP、API 三端同步切换上线,被视为国产大模型又一重磅迭代。Meta 开源总参数 8160 亿、激活参数约 42B 的多模态大模型 Muse Spark Open,支持 100 万 token 上下文,专为编码与智能体任务训练。我国首个全国产十万卡 AI 超集群真机也在 2026 全国高性能计算学术大会上亮相。
论文把十种代表性视觉 token 剪枝方法放到三个多模态模型系列上复测,发现通用问答近乎无损的同时,OCR 与视觉定位大面积崩坏,保留九成通用成绩时定位成绩可只剩不到一成半。
卡尔斯鲁厄理工学院(KIT)团队提出 Read-Parse-Describe 页面级解析基准,要求模型一次交出按阅读顺序排列、含边界框、语义标签、识别文字、图注关联与替代文本的完整元素清单。
Oracle AI 联合 USC、UPenn 在 arXiv 挂出 VELD-QA 基准(arXiv 2610.20964,代码 oracle-samples/veld-qa),用 15,000 道全人工标注问答、5,859 份真实 PDF、合计 372,445 页把检索与阅读分开计分。
Qwen 团队提出 P2TPO,将整页文档解析的 RL 反馈从页面级平均分改为按参考元素逐块记账、再把功过精确落到对错 token 头上,13 个评测集全部超过 GRPO/GSPO/GDPO/RDPO 的最强基线。
蚂蚁集团与浙江大学提出 ZoomCap 稠密描述框架,用草稿描述驱动检索、OCR 与定向放大三路证据按需路由,补回长描述漏掉的小物体与图中文字。配套 FactCycle 评测显示每图可回放事实 52.4 条,是最强基线 ScaleCap 的 1.7 倍;35B 教师模型在人类盲评中以 81.9% 偏好分胜过 Qwen3.5-397B-A17B。
POSTECH 论文提出免训练框架 LoC,指出多模态文档 RAG 的瓶颈常在生成端视觉 token 预算而非检索:五个主流方法平均每查询只喂 0.72K–2.68K 视觉 token,纯页图预算从 1K 提到 32K 后 SciEGQA 准确率从 65.74% 升至 80.96%。
港科大(广州)团队在 arXiv 发表 DocPilot(arXiv 2610.21327),把长文档问答拆成 Navigate、Extract、Focus、Solve。
本篇讲解如何用 LangGraph 搭建多模态 Agent,把感知能力从纯文本扩展到图片、PDF/Excel 与图像生成。路由节点按模态分流:图片转 Base64 交由 GPT-4o / Claude 3.5 / Qwen-VL 分析,PDF 按原生文本或扫描版分层提取,Excel 生成数据摘要后交模型决策,画图调用 DALL·E 3 / Stable Diffusion。
DeepSeek 于 10 月 17 日 18:07 将 V4.1 Flash 更新到 V4.1-Flash-1017,网页端、App、API 三端同步切换,API 名 deepseek-flash 与价格均不变。
推荐理由:实测发现 high 推理档下思考会吃掉大部分输出预算,代码生成需把 max_tokens 给足 32,000 以上,否则交付物被截断。
本文讲解在 MAF 中让 Agent 处理图片:消息本体是 ChatMessage 的 AIContent 内容清单,本地图片用 DataContent 传字节,网络图片用 UriContent 发 URL,RunAsync 调用方式不变。
作者在博物馆展柜照片场景下,用几何规则后处理与 PaddleOCR PP-StructureV3 两条路线解决行级 OCR 输出碎片化问题,把 59 行识别结果重组成 14 段可读文本。
DeepSeek 发布新模型 DeepSeek-V4.1-Flash-1017,官方网页端、APP 与 API 已同步变更。
推荐理由:原文给出新模型在性能提升的同时压缩运行时间和费用,并开放自研搜索 API,读者可据此评估 Agent 工作流的成本变化。
作者团队把投研 Agent 的 PDF 工具从纯文本提取升级为可导航、可核对证据的多模态研究能力。核心做法是把阅读拆成搜索、定位、读取三类接口,由 Reader 签发有效页面位置并独立记录文本、表格、页面图像的实际覆盖范围,资源上限按 PDF 与网页等内容类型分别约束(PDF 统一为 10 MiB,网页仍受 2 MiB 响应限制管理)。
谷歌正式向全球开发者、企业及付费订阅用户开放 Gemini 4 Argon,重点强化长流程任务执行、编程与多模态能力。
优必选发布自研统一多模态世界模型 Thinker-WM,在 WorldOlympiad(综合得分 0.740)、EWMBench(综合总分 4.66)与 WorldArena1.0 Track-1 三大具身世界模型基准中均位列第一。
阿里 Qwen 团队开源 BlenderWorld 基准,用于评测视觉智能体在 Blender 中完成真实 3D 创作任务。该基准含 223 个任务和 2,651 条评分标准,要求 AI 交付可编辑的 .blend 工程文件,而非仅生成图像。项目采用 MIT 许可证,代码与数据集已发布至 GitHub、Hugging Face 和 ModelScope,支持任意生成框架接入测试。
Elorian 发布首款模型 Glimpse,目前以研究预览形式提供 API 访问,聊天界面需申请排队。该模型在推理过程中可反复回看原图,支持裁剪区域、抽取视频帧并运行代码测量,Elorian 称之为 visual scratch space。
马克·沃尔伯格在 TechCrunch Disrupt 上表示,AI 可以在电影业占有一席之地,前提是"正确使用"——用于增强而非替代真实演员。他考虑在即将出演的 Pete Rose 传记片中用 AI 增强体育场场景,但反对把创意丢进 ChatGPT 生成剧本就开拍。
Google DeepMind 推出 Gemini 4 Argon,将仿真环境生成、机器人直接控制和训练数据评估整合进单一模型。输入照片或手绘草图即可生成仿真场景与训练任务,真实机器人任务成功率从 56% 提升至 75%,执行时间从 35 秒缩短到 24 秒。
10 月 13 日苹果发布带屏家庭中枢 HomeView、HomePod mini 2 与 Apple TV 4K,放弃此前 HomePod 管语音、Apple TV 管视觉的分离式思路,转向语音加屏幕的组合。
作者公开了一套全流程由 AI 完成的 3D 游戏制作方法,PRD、场景图、3D 资产、代码与调试都交给 AI。
AI 无限画布开发者选型的核心是底层渲染引擎、多模态节点编排、API 开放能力、算力调度、数据安全、运维容错六大工程化指标,而非单纯的生图效果。星宇智算无限画布开放瓦片尺寸、重叠率等分片渲染参数,配套星桥 API、组织/项目/画布/节点四级权限与星元按量计费,同时支持 SaaS 与私有化部署。技术团队应先明确业务场景、并发规模与合规约束,再以基准、压力、并发等 POC 用例的实测数据完成选型决策。
实测多款主流无限画布发现,团队协作、画布内 AI 生成、大文件加载三大核心维度差距显著,星宇智算无限画布三项能力同时覆盖、表现突出。测试固定 5 人并发编辑 15 分钟、800+ 节点超大画布等统一基准,覆盖通用白板、普通节点式 AI 画布与专业画布三类产品。
Meta 于 10 月 15 日开放旗舰模型 Muse Spark Open 的权重下载,816B 总参数、42B 激活的 MoE 架构,上下文 1M token,原生多模态,主打编码与智能体工作流。
Meta 于 2026 年 10 月 15 日发布开放权重多模态模型 Muse Spark Open,总参数 816B、每 token 激活约 42B,支持 1M-token 上下文,定位长程 Agent 与编程、客服等长时间任务。
苹果计划今年 12 月通过 iOS 27.3 系统更新在中国大陆正式推出 Apple Intelligence,覆盖 iPhone、iPad 和 Mac。该服务于 7 月 8 日通过生成式 AI 服务备案,9 月 29 日取得上线许可;百度提供搜索及 Siri 相关功能,阿里接入通义万相和 Qwen 等模型能力。
京东11.11于10月12日晚8点全面开启,首日下单用户数实现同比双位数增长,同时正式宣布服务全面升级,首次全景展示超百项细分服务并推出服务“333”计划。京东AI成果已在零售、物流、健康等3000多个场景应用,包括AI购物助手“东东”、数字人JoyAvatar及“超脑”大模型3.0。京东体系生产性服务规模已超3000亿元,服务企业客户超1000万家。
豆包工作"无限画布"可读取小说项目并自动生成漫画:Agent 负责规划、拆分镜与推进,图像模型负责作画。实测将一部 70 章小说的第一章生成 6 屏 18 格全彩竖屏条漫,耗时约 18 分钟,还能自查重绘、按框选修改对话气泡。用户可在电脑端下载"豆包工作"体验,限时免费领取 30 天会员。
Meta 发布开放权重 AI 模型 Muse Spark Open,官方称其为迄今能力最强的美国开放权重模型。该模型采用原生多模态架构,总参数量 816B(激活参数 42B),支持 1M token 上下文窗口,专为代码构建与智能体协作设计。
有人用 GPT-6 Astra 和 Claude Opus 5.5 为卡尔维诺小说《看不见的城市》中的 55 座城市生成 3D 可视化版本,Claude Opus 5.5 对原著意境的还原远胜于 GPT-6 Astra。本期周刊还收录了 Deno 被 Cloudflare 收购并将彻底停止维护、花 600 美元在 Qwen3.5 0.8B 和 4B 上微调本机决策模型等内容。
Meta 发布名为 Muse Spark Open 的开放权重模型,自称是美国“最强”开放权重模型,具备 816B 参数与 100 万 token 上下文窗口,原生多模态,面向复杂编码和智能体任务。
Meta 发布开放权重模型 Muse Spark Open,参数 816B(激活 42B),支持最长 100 万 token 上下文与文本、图像、视频、音频输入。
Meta 发布开源权重模型 Muse Spark Open,并与通常竞争的 Apple 合作,使其成为该级别中首个可在两台 Apple M5 Ultra Mac Studio 上借助最新 MLX 框架运行的模型。
Meta 发布开源多模态混合专家模型 Muse Spark Open,总参数约 816B、每 token 激活约 42B,上下文窗口最长 1M tokens,支持文本、图像、音频、视频输入并输出文本。
推荐理由:文章给出 816B 参数 MoE 模型从推理部署到 LoRA 微调的完整配方,可作为同类开源大模型落地的参考路径。
Nvidia 发布 Nemotron 3.5 Super VL,一个 120B 参数、每 token 激活 12B 的开源多模态 MoE 模型,面向持续运行的企业智能体。
Google 发布 Gemini 4 Argon,定位于覆盖完整机器人流程的单一模型,可控制机器人、构建虚拟练习世界并评估训练视频。