Kimi K3.1 i DeepSeek V4.1 Flash miały zostać wydestylowane z Astra
The Information twierdzi, że Kimi K3.1 i DeepSeek V4.1 Flash mogły powstać w wyniku destylacji z modelu Astra, powiązanego z OpenAI.
The Information twierdzi, że Kimi K3.1, nowo wydany chiński model, miał zostać wydestylowany z Astra — modelu powiązanego z OpenAI.
Ta sama publikacja twierdzi, że podobne podejście mogło zostać zastosowane w nowym checkpointie DeepSeek V4.1 Flash.
Dlaczego to ważne
- Destylacja modeli AI polega na trenowaniu mniejszego modelu na podstawie wyników lub ukrytych stanów większego modelu.
- Jeśli te doniesienia się potwierdzą, Astra może być ważnym źródłem wiedzy dla chińskich laboratoriów AI.
- Sprawa pokazuje, jak transfer możliwości może zmieniać konkurencję między dużymi ekosystemami AI.
Dlaczego to ważne
AnalizaJeśli doniesienia się potwierdzą, sprawa pokazuje, jak destylacja może przyspieszać transfer możliwości między czołowymi ekosystemami AI i zaostrza dyskusję o pochodzeniu modeli.
Dyskutuj w społeczności
Dziel się swoimi pytaniami i spostrzeżeniami z programistami
Powiązane w ekosystemie
Praktyczne poradniki, kluczowa terminologia i skille agentów
DeepSeek V4.1 Flash jest teraz dostępny w Cursor
DeepSeek V4.1 Flash jest teraz dostępny w Cursor; według wyników CursorBench koszt wykonania jednego zadania wynosi od 0,60 do 0,98 USD, co czyni model atrakcyjnym do codziennej pracy z kodem.
DeepSeek (Chiński przełom w otwartym AI)
Seria przełomowych modeli open-source od chińskiego laboratorium DeepSeek (V3, R1). Prezentuje najwyższy poziom w kodowaniu i rozumowaniu przy kosztach 10–20 razy niższych niż zachodnie odpowiedniki komercyjne.
Jak uruchomić lokalny LLM: konfiguracja, modele i optymalizacja
Kompleksowy przewodnik po uruchamianiu modeli językowych na własnym komputerze: wymagania sprzętowe, wdrożenie Ollama i Open WebUI, przegląd modeli Llama 3, Qwen 2.5, DeepSeek oraz kwantyzacja GGUF.
RLVR (Reinforcement Learning with Verifiable Rewards)
Metoda post-treningu i optymalizacji rozumowania agentów AI, w której funkcja nagrody opiera się na obiektywnych weryfikacjach matematycznych, kompilatorach oraz testach jednostkowych, zamiast na subiektywnych ocenach ludzkich.