昨晚，DeepSeek 宣布其線上模型版本已升級至 V3.1。此次更新雖非市場期待的 R2 系列，但在長文本處理能力上實現顯著突破，將上下文窗口從 64K 擴展至 128K，相當于可處理 10 萬至 13 萬漢字內容。

?

?

新模型采用稀疏混合專家架構（MoE）與多頭潛在注意力機制（MLA），總參數量達到 685B，激活參數量為 37B per token，在保持高性能的同時控制計算成本。關鍵技術創新包括分塊注意力機制和旋轉位置編碼優化，有效降低長序列處理的顯存占用。

?

總的來說，新模型與 DeepSeek-V3-0324 相比，在參數量等方面沒有明顯變化。

?

媒體與社區信息顯示，線上網頁、App與小程序入口已切換到新版本，API 調用方式保持不變；開源側則上傳了 Base 權重。

?

目前，該模型已經沖上了 Hugging Face 熱門模型榜第 2 位：
?

?

值得注意的是，將 Base 權重放到平臺而不急于公布一長串基準分數，意味著團隊更看重把“可復現與可部署”的閾值拉低，讓社區先行試跑，收集真實場景反饋，再補齊系統性的評測材料。對于希望做私有化適配的團隊，這樣的節奏反而更友好：先驗證推理鏈路、量化與張量格式，再決定是否大規模遷移。

?
當然，V3.1 并不等于 R2。后者背負的外界預期更多在新范式與更高上限，而前者強調的是當下可用性。在上游硬件與供應鏈仍有不確定性的時候，模型路線的快與穩很難兼得。

?

V3.1 是一個強調可用性的版本，它不會解決所有對 R2 的期待，卻能在當下把體驗拉齊，維持產品與生態的活躍。
?

回顧 DeepSeek 今年的幾次更新，基本都是變動不大的小更新，這里我整理了 DeepSeek-R1 發布以來的一系列模型更新的時間節點：

?

?

盡管 V3.1 有一定改進，市場關注的 R2 模型仍未公布具體發布時間。大家認為 R2 將會在哪些方面實現新突破？歡迎交流討論！