AI 与机器学习2025huggingface.co编辑精选
DeepSeek-V3.2：推进开放大语言模型的前沿
DeepSeek-v3.2: Pushing the frontier of open large language models
进阶 · 约 90 分钟读完前置知识：Transformer 架构基础、MoE 模型基础、大模型推理/部署常识
导读
这是 DeepSeek-V3.2 的技术报告，延续了 DeepSeek 开源权重模型的路线，目标是让开放模型继续逼近甚至追平前沿闭源模型。评论普遍认为，当前顶尖开源权重模型与顶级闭源模型已难分高下，且中国模型价格低得多；但也有人担忧 benchmark 成绩与真实使用体验之间的落差，以及本地部署所需算力的门槛。
HN 关注点：开源模型若与闭源前沿模型打平，闭源大厂的商业模式如何成立，以及这些高分是否经得起真实使用检验。
HN 评论精选
这几条评论里：支持 1 质疑 2 补充 1
补充开源追平闭源后，闭源大厂的变现逻辑受质疑，长期优势将转向能源与基础设施。
如果开源模型已经能和 Google、Anthropic、OpenAI 这些公司的模型竞争，它们靠 AI 怎么赚钱？过去拖累开源的是它跟不上闭源竞品在质量和功能深度上的迭代，但模型性能似乎正撞上天花板，顶尖的开源权重模型和顶尖闭源模型基本已经难以区分。长期看，谁掌握最便宜的能源、拥有基础设施，谁才是 AI 的赢家。
gradus_ad查看英文原文
How will the Google/Anthropic/OpenAI's of the world make money on AI if open models are competitive with their models? What hurt open source in the past was its inability to keep up with the quality and feature depth of closed source competitors, but models seem to be reaching a performance plateau; the top open weight models are generally indistinguishable from the top private models. Infrastructure owners with access to the cheapest energy will be the long run winners in AI.
支持质疑美国业界评测结论，认为中国模型性能接近而成本低得多。
我真的看不懂美国 AI 产业的这些评测。中国模型已经这么接近了，而且便宜得多。
jodleif查看英文原文
I genuinely do not understand the evaluations of the US AI industry. The chinese models are so close and far cheaper
质疑担忧国产模型高分来自 benchmark 过拟合，真实体验未必匹配。
声明：我还没实测。我不想下太大的结论，但我注意到中国模型（尤其是 Kimi）有个现象：benchmark 表现很好，但“手感”测试不行，感觉有点像过拟合 benchmark 而不是真实用例。希望这个不是这样。
lalassu查看英文原文
Disclaimer: I did not test this yet. I don't want to make big generalizations. But one thing I noticed with chinese models, especially Kimi, is that it does very well on benchmarks, but fails on vibe testing. It feels a little bit over-fitting to the benchmark and less to the use cases. I hope it's not the same here.
质疑开源权重虽好，但消费级硬件难以在合理上下文下跑出可用速度。
这类东西能开源很棒，但就算你有台装了 4 张 RTX 5090 的机器（1.5–2 万美元），它能在还算合理的上下文窗口下跑起来吗？还是只有 10 tps 的龟速？前沿模型早就远超最硬核的消费级玩家需求了，这个更是如此。
TIPSIO查看英文原文
It's awesome that stuff like this is open source, but even if you have a basement rig with 4 NVIDIA GeForce RTX 5090 graphic cards ($15-20k machine), can it even run with any reasonable context window that isn't like a crawling 10/tps? Frontier models are far exceeding even the most hardcore consumer hobbyist requirements. This is even further
相关资源
从这篇论文所有 HN 讨论帖的全部评论里整理出来的链接。
历次讨论
- 2025Hacker News 讨论帖982 分 · 465 评
同领域还值得读
DeepSeek-R1：通过强化学习激励 LLM 的推理能力
DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via RL
研究如何用强化学习激励大语言模型的推理能力，提出 DeepSeek-R1，并探讨 RL 训练对模型推理表现的影响。
AI 与机器学习2025 · 1,351 分 · 1,056 评 · 引用 30进阶 · 约 80 分钟编辑精选1-bit LLM 时代：面向低成本计算的三值参数
The Era of 1-bit LLMs: ternary parameters for cost-effective computing
提出用三值参数 {-1, 0, 1} 替代 LLM 中的浮点权重，即所谓“1-bit LLM”。
AI 与机器学习2024 · 1,040 分 · 447 评 · 引用 19进阶 · 约 45 分钟编辑精选通过自我对弈与通用强化学习掌握国际象棋和将棋（AlphaZero）
Mastering Chess and Shogi by Self-Play with General Reinforcement Learning
DeepMind 的 AlphaZero 论文：用通用强化学习算法（自我博弈 + MCTS + 神经网络），从零开始仅数小时训练便在国际象棋和将棋上击败了世界顶级引擎 Stock…
AI 与机器学习2017 · 539 分 · 270 评 · 引用 13进阶 · 约 90 分钟编辑精选用强化学习发现更快的矩阵乘法算法
Discovering faster matrix multiplication algorithms with reinforcement learning
论文提出 AlphaTensor，用强化学习搜索矩阵乘法算法。
AI 与机器学习2022 · 518 分 · 111 评专业 · 约 90 分钟编辑精选对抗策略击败超人类围棋 AI
Adversarial policies beat superhuman Go AIs (2023)
论文研究顶级围棋 AI KataGo 的对抗性漏洞：训练一个对抗策略与冻结的 KataGo 对弈，不靠更强棋力，而是诱导 KataGo 在有利于对手时提前结束或认输。
AI 与机器学习2022 · 501 分 · 185 评 · 引用 5进阶 · 约 60 分钟编辑精选