DeepSeek深夜发布新模型，但不是R2

昨晚，DeepSeek 宣布其线上模型版本已升级至 V3.1。此次更新虽非市场期待的 R2 系列，但在长文本处理能力上实现显著突破，将上下文窗口从 64K 扩展至 128K，相当于可处理 10 万至 13 万汉字内容。

新模型采用稀疏混合专家架构（MoE）与多头潜在注意力机制（MLA），总参数量达到 685B，激活参数量为 37B per token，在保持高性能的同时控制计算成本。关键技术创新包括分块注意力机制和旋转位置编码优化，有效降低长序列处理的显存占用。

总的来说，新模型与 DeepSeek-V3-0324 相比，在参数量等方面没有明显变化。

媒体与社区信息显示，线上网页、App与小程序入口已切换到新版本，API 调用方式保持不变；开源侧则上传了 Base 权重。

目前，该模型已经冲上了 Hugging Face 热门模型榜第 2 位：
 

 

值得注意的是，将 Base 权重放到平台而不急于公布一长串基准分数，意味着团队更看重把“可复现与可部署”的阈值拉低，让社区先行试跑，收集真实场景反馈，再补齐系统性的评测材料。对于希望做私有化适配的团队，这样的节奏反而更友好：先验证推理链路、量化与张量格式，再决定是否大规模迁移。

 
当然，V3.1 并不等于 R2。后者背负的外界预期更多在新范式与更高上限，而前者强调的是当下可用性。在上游硬件与供应链仍有不确定性的时候，模型路线的快与稳很难兼得。

V3.1 是一个强调可用性的版本，它不会解决所有对 R2 的期待，却能在当下把体验拉齐，维持产品与生态的活跃。
 

回顾 DeepSeek 今年的几次更新，基本都是变动不大的小更新，这里我整理了 DeepSeek-R1 发布以来的一系列模型更新的时间节点：

尽管 V3.1 有一定改进，市场关注的 R2 模型仍未公布具体发布时间。大家认为 R2 将会在哪些方面实现新突破？欢迎交流讨论！