DeepSeek新模型讓硅谷“失眠” 開源陣營的“反擊夜”(4)

小大

用微信掃描二維碼
分享至好友和朋友圈

關(guān)鍵詞：

2025-12-04 13:38:15 澎湃

這一判斷并非空穴來風(fēng)。過去一段時間，不少企業(yè)率先感受到的是：單純“更會聊天”的模型，其業(yè)務(wù)邊際效益在不斷遞減。反而是會“下手干活”的Agent，比如自動生成月報、批量處理客服工單、自動跑流程、替程序員修小bug，才是真正能閉環(huán)并被愿意付費(fèi)的東西。

DeepSeek正是圍繞這一趨勢重構(gòu)了訓(xùn)練路徑——在V3.2的后訓(xùn)練階段，它搭了一整套針對Agent的訓(xùn)練體系，而不是簡單在模型外再縫一個“Agent框架”。據(jù)披露，團(tuán)隊自建了超過1800個模擬環(huán)境，并圍繞這些環(huán)境自動生成了大約8.5萬條復(fù)雜任務(wù)提示和任務(wù)軌跡。這些軌跡不是靠人工一條條寫出來，而是借助環(huán)境構(gòu)建器和軌跡打分系統(tǒng)自動合成，再通過強(qiáng)化學(xué)習(xí)不斷迭代。

這種做法，實際上是在繞開“繼續(xù)砸海量對話數(shù)據(jù)”的老路。與傳統(tǒng)的聊天語料相比，Agent任務(wù)具備更強(qiáng)的結(jié)構(gòu)化、可驗證性以及高度稀缺性——一旦建立起足夠豐富的任務(wù)環(huán)境，同一環(huán)境在后續(xù)訓(xùn)練中可以被反復(fù)利用，帶來的“能力增量”要遠(yuǎn)高于再加一批閑聊對話。

為了讓模型真正學(xué)會在這些環(huán)境里“行動”，DeepSeek繼續(xù)沿用了GRPO（Group Relative Policy Optimization）這一強(qiáng)化學(xué)習(xí)策略，并按自家場景做了大量本地化改造。模型訓(xùn)練優(yōu)化的目標(biāo)，不再只是“回答對不對”，而是同時要兼顧：任務(wù)有沒有完成、推理過程是否連貫、語言表達(dá)是否穩(wěn)定、工具使用是否合理自然。為此，DeepSeek沒有采用單一維度的獎勵，而是把任務(wù)完成度、推理合理性、語言質(zhì)量等拆成多維信號，讓模型在訓(xùn)練中盡量避免“顧此失彼”。

做這一切，還有一個前提：模型要有足夠強(qiáng)的“狀態(tài)感知能力”，能在多輪任務(wù)中記住自己已經(jīng)做過什么、當(dāng)前在第幾步。這就回到了前面提到的上下文管理——V3.2在系統(tǒng)級別規(guī)定：只有當(dāng)用戶發(fā)出新指令時，模型才會重置思考狀態(tài)；在同一個任務(wù)內(nèi)部，不論調(diào)用多少次工具，推理軌跡都被完整保留下來。這種設(shè)計直接保證了Agent行為鏈條的連續(xù)性，使得模型有能力承接更長、更復(fù)雜的跨階段任務(wù)。

首頁上一頁 1 2 345 6 7 全文共 7 頁下一頁

關(guān)閉

DeepSeek新模型讓硅谷“失眠” 開源陣營的“反擊夜”(4)

相關(guān)新聞

今日熱點(diǎn)

頻道熱點(diǎn)