145
2前游戏开发者，现海外云厂商架构师 [反向弯曲] 主理的 [AI×游戏] 播客！
帮助互联网｜游戏从业人员 拆解全球游戏 AI 前沿动态，深挖技术落地干货。
让你轻松拿捏行业脉搏，预判 AI + 游戏的 "下一帧"。
对未来好奇？速戳订阅！
小红书b站同名：反向弯曲
=====================================
1.6万亿参数，只激活490亿。100万token上下文，算力只要上一代的27%，显存只要10%。MIT开源，价格是GPT-5.5的几十分之一。
DeepSeek V4来了。
这不是简单的版本迭代——这是一个160人的中国团队，在芯片受限的条件下，重新发明了注意力机制。
本期我们从幻方量化到深度求索的创业故事讲起，完整回顾V2→V3→R1→V3.2→V4的技术演进脉络。然后掀开V4的引擎盖：CSA+HCA双轨注意力如何让百万上下文成为可能？从NanoGPT speedrun社区诞生的Muon优化器怎么被用到万亿参数训练？"先分后合"的后训练新范式有多巧妙？
当然也有硬核横评——编程第一、Agent短板、知识类差距，优势和不足都摆出来。加上一个月900美元vs8.4美元的价格炸弹，以及华为芯片适配背后的技术栈独立性。
不管你是技术人还是产品经理，这期都值得听完。
=====================================
开场：幻方量化到DeepSeek的创业故事
DeepSeek V2
DeepSeek V3
DeepSeek R1
DeepSeek V3.2
DeepSeek V4
推理优化1：CSA压缩+稀疏三步走
推理优化2：HCA极端压缩 + 为什么两种注意力混着用
训练优化1：Muon优化器：从业余speedrun社区到万亿模型
训练优化2：mHC：给信息高速公路装交通灯
训练优化3：FP4+FP8混合精度
Post-Training新范式：先分再合
竞争格局横评：编程/Agent/数学/知识/长上下文
收尾：「不诱于誉，不恐于诽，率道而行，端然正己」
=====================================
