Knäböj och läs den senaste artikeln i deepseek () Låt oss ta en ytlig förståelse, och alla kommer att rätta till det som är fel Denna studie (mHC) erbjuder i princip en "lågkostnads, högavkastningsmodelluppgraderingslösning" för AI-industrin. Modelleffekt: Förbättra "Tänkarförmåga" avsevärt Smartare: mHC förbättrar AI:s processorkraft avsevärt utan att ändra modellinfrastrukturen. På tester som speglar logiskt resonemang och läsförståelse, såsom BBH och DROP, förbättras prestationen med 2,1 % till 2,3 %. Detta innebär att modellen beter sig mer som en "expert" än en "repeater" när den hanterar uppgifter som komplex affärslogik, finansiell analys med mera. Träningskostnad: Extremt låg prestandaförlust i utbyte mot hög lönsamhet Kostnadseffektivt: Även om denna nya teknik ökar informationsöverföringsbredden, ökar tidskostnaden för att faktiskt träna en stor modell med 27 miljarder parametrar bara med cirka 6,7 % genom djup mjukvaru- och hårdvaruoptimering. För investerare innebär detta att byta ut en mycket liten mängd extra el- och datorkraftsinvesteringar mot en prestanda av högre modell. Träningsstabilitet: Undvik tillgångsförluster orsakade av "träningskollaps" och säg adjö till döda maskiner: Även om liknande försök (såsom HC) också har försökt bredda informationsvägen, på grund av bristen på begränsningar, blir stora modeller ofta "galna" eller kraschar (förlusthopp) mitt under träningen, vilket leder till slöseri med värdefulla datorresurser. mHC använder matematiska "balanseringsbesvärjelser" (mångfaldsbegränsningar) för att säkerställa att modellen är extremt robust under träning, vilket skyddar dyra beräkningskraftsinvesteringar från systemkollapser. Minneskrav: Smarta lösningar på "hårdvaruflaskhalsar" genom algoritmer Smart användning av minne: Denna teknik breddar informationskanalen med fyra gånger, vilket teoretiskt sett kommer att förbruka mycket minne. Men DeepSeek sparar mycket minnesutrymme med lite extra beräkningstid genom en teknik som kallas "selektiv omberäkning". Detta gör att befintliga högpresterande grafikkort som H100/H200 kan köra denna mer komplexa arkitektur utan att öka hårdvarukostnaderna. Framtida potential: Att bryta den traditionella övre gränsen för "heapmaskiner" Nya tillväxtpunkter: Tidigare byggde förbättringar av modelleffekter främst på "heap-data" och "heap-GPU". mHC öppnar en tredje väg: att optimera modellens interna skelett. Det visar att genom att förbättra kopplingen mellan lager kan fler prestationsutdelningar kontinuerligt pressas ut även om modellstorleken inte ökas blint. Analogi ur investerarnas perspektiv: Om den stora modellen är en fabrik, så var den tidigare uppgraderingen genom att öka antalet arbetare (öka parametrarna). mHC, å andra sidan, effektiviserar fabrikens monteringslinjer och logistikkanaler utan att öka antalet arbetsstationer. Det breddar inte bara transportbandet flera gånger för att transportera fler delar, utan säkerställer också att fabriken inte stoppar produktionen på grund av logistiköverbelastning genom ett sofistikerat trafikledningssystem. Slutresultatet är en betydande ökning av anläggningens effektivitet, samtidigt som dina el- och utrustningsunderhållskostnader förblir i stort sett oförändrade.

Efter att förlusten har materialiserats måste den konfigureras tillbaka

Förbered dig på att skriva en lång artikel Efter att ha tittat länge på AI, den senaste Hela artikeln lyder Köp Google $GOOG