Deep News 深度调研

DeepSeek DSpark 把 speculative decoding 的验证长度从静态阈值改为根据实时 GPU 负载动态调度的全局优化，能将推理延迟降低 60-85%、吞吐量最高翻五倍。核心技术挑战不在猜得准，而在高并发下每个多余验证 token 都会挤占其他请求的 batch 位置。DeepSeek 能推进生产环境是因为同时拥有草稿模型、系统调度器和底层推理 kernel 的全部控制权。这是 DeepSeek 一贯风格：不靠单点理论创新，靠系统工程整合外围方案成套路换取成本和速度优势。

MCP 2026 引入 Tasks 原语解决 agent 长时间异步任务的痛点——以前让 LLM 自己轮询状态经常记错任务名或误判完成。Tasks 用确定性代码驱动状态机（created→working→completed/failed/cancelled），LLM 不再参与中间状态判断。核心设计思想是确定性分层：轮询/超时/重试这些需要稳定可预测的编排逻辑交给协议层代码，推理/创造性工作留给 LLM。文章还提出了一个深度问题：如果工具内部是多 agent 系统（外层确定性 shell + 内层随机 agent 核），这种套娃设计能自洽吗？

2023 年 11 月中文科技媒体 11/15 篇报道标题用了'完胜/碾压/击败/超越'形容 GraphCast。三年后 ECMWF 的 40 年业务精度曲线没有任何跳跃——每年 0.15 天的温和改善从未被打破。GraphCast 在 1380 个测试指标上 90% 胜出，但这个口径把 6 个变量 × 37 个气压层 × 不同预报时长拆成了大量子项，而真正衡量天气预报质量的 end metric（有效预报天数）纹丝不动。文章提炼了三个校准方法：看 end metric 不看中间指标、查长期趋势线不被单点迷惑、区分信号与噪声。

Anthropic 发布 Claude Tag 把 agent 变成 Slack 里的常驻同事。技术上没有本质变化——底下还是 HTTP endpoint，记忆是聊天记录不是组织智慧。真正的变化在企业授权层：agent 成为需要身份、预算、审计的非人类执行体。持续学习这层目前还没产品做到。

OpenAI 声称九个月流片靠 AI 加速，但 Brockman 自己说 AI 只省了几周、找到的都是人类迟早会做的优化。拉远看整个芯片设计流程，AI 有效性是一条梯度：制造端最成熟但用的是十年前技术，EDA 优化已成商业产品，LLM 生成 RTL 还停在实验室。

Ai2 的 Tmax 用简洁 RL 配方把 9B 开源模型训练成终端 agent，在 Terminal-Bench 2.0 上拿到 27.2%。但 27B 的 42.7% 里 Qwen 基座贡献了 39.6%，RL 配方实际新增不到 4 个点。拆解了 reward hacking 和 benchmark 陷阱。

AI 的智能可以无限复制所以给 AI 办大学听起来荒谬。但围绕 AI 积累的运行知识会退化成没人记得为什么存在的祖传规则。这所大学真正做的事是年审不是入学教育。

推理能力不是 2024 年蹦出来的。从 CoT prompting 到 o1 走了四年，真正的分水岭不在能力突变，而在推理第一次变成可计费、可调度的资源。被宣传得最玄的'纯强化学习涌现推理'恰恰证据最弱。

Lovable ARR 突破 1 亿，95% 收入来自个人用户。第一次证明了 User Generated Software 是一个可商业化的品类，不是只有开发者的 B2B 工具才有市场。

攻击者在 PyPI 恶意包的 JavaScript 注释里塞入核生化关键词，利用 LLM 安全扫描器过度拒绝机制绕过分析。还原攻击样本，追溯逃逸技术的代际迁移，给出三层架构修复方案。