曝 DeepSeek V4.1 Flash 后训练细节:数据合成驱动 RL 复兴
joecole · x · 2026-09-10
一条关于 DeepSeek V4.1 Flash 后训练细节的转述/讨论帖(未经官方证实),要点:
- SFT、RL、OPD 均用朴素算法,重心放在数据合成
- 数据合成两条路线:通用 agent 与编码 agent,均基于真实仓库/任务(mcp/swebench 风格)
- 对问题、环境、验证器按正确性与难度做校准,且模型本身被训练来生成这类任务
- 推理努力作为标量,按 effort 分组做 credit assignment
- 基础设施用 DeepSeek 弹性算力做沙箱
- 按推理努力施加指数级长度惩罚以省 token
作者感叹其预训练与后训练侧的基础设施都"干货很多"。
「模型」频道最新
- Nanbeige4.3-33B 实测：单流 59 tok/s，64 并发总计约 1060 tok/s — MaziyarPanahi · 2026-10-26
- 测试显示 AI 检测器对轻度 AI 润色几乎全部漏判 — paulnovosad · 2026-10-26
- Qwen 4 疑似现身竞技场，阿里下一代模型或已开测 — AIFlow_ML · 2026-10-26
- Nat Lambert 首讲开源模型生态：蒸馏、风险与开放访问走向 — natolambert · 2026-10-26
- 同 harness 对比实测：Nanbeige 33B 输出零可编译 — julianharris · 2026-10-26
- Claude 拒写 SS7 异常检测器，安全分类器误伤防御研究逼用户跑 abliterated GLM — l4rz · 2026-10-26