DeepSeek首轮融资刚结束，又按710亿美元估值谈新融资
相关推荐
DeepSeek Harness正式上线：首款Agent产品，整个Agent可实现自行组装
据 动察 Beating 监测，DeepSeek 正式上线首款 Agent 产品 DeepSeek Harness，软件包已经发布至 npm。此前 V4-Flash 的公开 Code Agent 评测，用的就是 Harness 内置的极简模式。 它不只是一款类似 Codex 的 Coding Agent。Harness 支持管理项目、长任务、多 Agent、Skill、联网搜索和上下文管理，还允许用户创建不同的「Agent 预设」。写代码、研究、写作等任务，可以配置不同的工具、提示词和工作方式。 更特别的是插件系统。DeepSeek 把「Everything is a plugin」作为核心设计，模型、工具、提示词、存储、上下文甚至界面都能通过插件替换或组合。内测用户已经做出了长期记忆、界面修改等插件。 简单说，Codex 更像一个做好的 Agent，DeepSeek Harness 更像一套组装 Agent 的运行时。用户不只是在选模型，也可以自己决定 Agent 用什么工具、遵守什么规则、怎么工作。
AI支付基础设施Kite推出面向长时运行AI Agent的自适应推理基础设施Marathon
BlockBeats 消息，7 月 22 日，AI 支付基础设施 Kite 生态推出面向长时运行 AI Agent 的自适应推理基础设施 Marathon。用户可为每个请求选择完成窗口（now / soon / later / anytime 四档），等待时间越长价格越低；最深档位较实时价格至多可节省约 65%（折扣为预估值，随实时容量浮动）。该服务 API 与 OpenAI 兼容，并为 Claude Code 与 Codex 提供一行命令安装的插件。首发支持 Kimi K3、GLM 5.2、DeepSeek V4 Pro、Qwen3.6-35B-A3B、Nemotron 3 Ultra 五款头部开放权重模型，全部适用统一定价规则。详情见官网 marathon.build。 据悉，Kite 此前完成由 PayPal Ventures 与 General Catalyst 领投的总额 3300 万美元融资。本次推出 Marathon，是其从 Agent 身份与支付网络向 Agent 经济底层算力基础设施延伸的关键落子，旨在打通 Agent「自主调用、自主付费」的完整闭环。
「韩模之光」Solar Pro4智能指数冲到42分，但还是打不过DeepSeek V4Flash
据动察 Beating 监测，韩国 AI 公司 Upstage 发布旗舰推理模型 Solar Pro 4。Artificial Analysis 最新评测中，它的智能指数从上一代 Solar Pro 3 的 14 分冲到 42 分，主要提升来自 Agent 和长上下文能力。 其中 Terminal-Bench v2.1 从 12% 升到 57%，长上下文推理从 31 升到 71。GDPval-AA v2 也从 498 Elo 升到 1277，超过 1000 的人类基线。Solar Pro 4 已经是韩国模型冲击全球前列的一张代表牌。 但放到 DeepSeek V4 Flash 0731 面前，还是不够看。同一套 Artificial Analysis 智能指数里，DeepSeek 拿到 52 分，比 Solar Pro 4 高 10 分。DeepSeek 每秒输出约 122 个 Token，Solar Pro 4 约 65 个，前者接近快一倍。 价格差距更大。Solar Pro 4 每百万 Token 输入、输出分别要 0.30 和 1.20 美元，DeepSeek 只要 0.14 和 0.28 美元。Solar 的输出价格超过 DeepSeek 的 4 倍。 至少按这套综合评测和 API 性价比，「韩模之光」还没追上 DeepSeek。
B.AI 平台全面上线 DeepSeek V4 正式版
ChainCatcher 消息，B.AI 平台正式宣布 DeepSeek V4 系列 Web Chat 及 API 全线升级至最新正式版，涵盖 V4-Flash-0731 与 V4-Pro-0813 两大版本。其中，V4-Flash-0731 在保持原有高效架构与模型规模的基础上，通过专项后训练全面强化了 Agent 协同、代码生成及多工具调用能力，执行效率与任务完成度明显提升；V4-Pro-0813 则在 DeepSWE、CyberGym 等测试成绩显著提升，进一步巩固了其在复杂工程与智能体任务中的领先优势。 两款模型均沿用原有模型 ID 和调用接口，开发者无需任何配置变更即可无缝切换，延续一贯的兼容性与稳定性。即日起，新版能力已全面开放体验，欢迎登录 B.AI 平台立即使用。
DeepSeek版Claude Code越来越近，Harness团队开通官方公众号
据动察 Beating 监测，DeepSeek Harness 团队已经开通独立微信公众号，并获得企业认证。此前这个团队主要通过招聘信息和成员个人账号对外露面。 Harness 是模型外的 Agent 执行层，负责上下文、工具调用和任务执行。DeepSeek 7 月 31 日发布 V4-Flash 正式版时，已经用 DeepSeek Harness 极简模式跑公开 Code Agent 基准，并标注「即将发布」。 团队近期也开始公开招募 Harness 内测用户，申请者需要有相关开源项目经历，并提交 GitHub ID 和代表作。
DeepSeek、Kimi都在拼命砍缓存，英伟达开始让缓存跨模型复用
据动察 Beating 监测，过去两年，大模型推理优化一直在拿 KV Cache 开刀。它是模型读完上下文后留下的中间计算结果，内容越长，越吃显存和带宽。DeepSeek-V2 借助 MLA，相比 DeepSeek 67B 将 KV Cache 减少 93.3%；Kimi Linear 相比全 MLA 又最多减少 75%。大家都在让长上下文更便宜。 但这些方案都有一道墙：缓存通常只能在同一个模型内部复用。Agent 从小模型切到大模型后，目标模型还得把前面几万甚至几十万 Token 重新计算一遍。模型路由越频繁，这笔重复计算越难忽略。 英伟达最新论文开始拆这堵墙。团队发现，在同一家族、KV 结构匹配的不同大小模型之间，缓存存在明显的线性关系。用 500 段、每段 1024 Token 的文本校准一次，就能拟合出一套映射，把一个模型算好的 KV Cache 转给另一个模型继续用。 Qwen3-14B 切到 32B 时，32K 上下文重新计算约需 7 秒，转换缓存只要约 0.28 秒，快约 25 倍。换句话说，以后甚至可以先让小模型负责「读」：把长上下文算成 KV Cache；真正需要更强能力时，再把缓存转给大模型，让大模型直接开始「想」和生成。 这会让模型路由省下更多算力。现在让简单任务跑小模型，主要省的是生成成本；一旦切到大模型，长上下文往往还得由大模型重新算一遍。跨模型 KV Cache 如果做成熟，连这部分 prefill 都能交给小模型完成。Agent 可以长期用便宜模型维护上下文，碰到难题才叫醒大模型，而且不用每次都从头「读档」。