大模型前沿动态 · Vol.112

大模型前沿动态 · DeepSeek-V4.1-Flash 把每 token 的 KV 缓存压到 890 字节，Anthropic 首次公开 26% 研发由 Claude 主导

DeepSeek-V4.1-Flash 用 CED 架构与 FP4 KV 缓存把全局 KV 压到 890 字节/token，DeepSWE 从 54.4% 升到 74.2%；Anthropic 公开三张内部量表，Claude 主导 26% 的研发工作、3 万个 agent 全量过监控；LimiX-2 把结构化数据模型的目标从预测 Y 改成学联合分布，TabArena 分类回归双榜第一；阿里达摩院 DAMO RADAR 登上 Science，一个模型覆盖腹部 146 种病。

大模型 DeepSeek DeepSeek-V4.1-Flash KV Cache Anthropic 递归自我改进 智能体 LimiX-2 结构化数据基础模型 阿里达摩院 DAMO RADAR 医疗AI MoE 长上下文

本期四条落在四个不同位置，做的是同一件事：把此前只能靠人「过一遍」的信息空间，变成模型可以直接操作的对象——百万 token 的输入流、实验室内部的研发流程、变量之间的依赖结构，以及一张腹部 CT 里的 18 个器官。

DeepSeek-V4.1-Flash 把每 token 的全局 KV 缓存压到 890 字节，同一代模型里 DeepSWE 从 54.4% 跳到 74.2%

事件概述

2026 年 9 月 17 日，DeepSeek-AI 把 DeepSeek-V4.1-Flash 的技术报告提交到 arXiv（编号 2609.19969），权重同步挂在 Hugging Face 的 deepseek-ai/DeepSeek-V4.1-Flash。这是一个 552B 骨干参数的多模态 MoE，原生支持最长 100 万 token 的上下文，在 45T token 的多模态语料上完成预训练。报告的标题没有提能力，只提了一件事：把 KV 缓存的压缩推到极限。

技术解析

核心变化是 Causal Encoder-Decoder（CED）架构——解码器的全局 KV 不再由自身逐层生成，而是从编码器最后的隐状态投影而来。这带来一个不对称的激活量：prefill 阶段每 token 只激活 8B 参数，decode 阶段激活 16B。长周期 agent 的负载是输入密集的，prefill 便宜下来，整条链路的成本结构就变了。模型另有 196B Engram 参数。

压缩由两层叠加完成。一层是 CSA2（Compressed Sparse Attention 2）里的跨层 KV 与索引复用，配合分层稀疏索引器；另一层是主 KV 缓存直接用 FP4，采用 OCP 标准的 MXFP4 格式，并且是在训练阶段就带量化感知。两者合起来把常驻 HBM 的全局 KV 缓存压到每 token 890 字节，约为 DeepSeek-V4-Flash 的 1/4，相对 DeepSeek-V1 则是 437 倍。部署侧还有一项叫 SWA Bounded Replay 的优化，把常驻 SSD 或主机内存的持久化 KV 压到 V4-Flash 的约 1/8。报告图 2 显示，随上下文变长，单 token 解码 FLOPs 几乎保持水平。

效果那一侧也没有让步。DeepSWE v1.1 达到 74.2%，上一代 V4-Flash 是 54.4%，同表的 Opus-5 与 GPT-5.6 Sol 分别是 74.0% 和 73.0%。Terminal-Bench 2.1 拿到 90.6%，高于 Opus-5 的 89.1%。Codeforces 评分 3471，超过自家 V4-Pro 的 3348。Automation-Bench 54.8%、Agents’ Last Exam 31.8%、CyberGym 88.1% 都是同表最高。GPQA Diamond 从 89.9% 升到 90.9%。

有一组反向数字同样要记着：Terminal-Bench 3.0 与 4.0 上，V4.1-Flash 是 30.0% 和 31.2%，Opus-5 是 43.3% 和 51.8%。基准越新、越接近真实长周期任务，差距反而越大。

行业影响

长上下文的成本瓶颈正在从「算不算得动」转移到「存不存得下」。890 字节/token 意味着一次 agent 会话的历史上下文可以长期挂在显存里，而不是每轮重新压缩或截断——这直接改变了 agent 产品的形态：可以保留完整的失败尝试、工具输出和中间结论。权重开源让这套压缩方案能被复现和对照，而不是停留在论文曲线里。值得留意的是报告自己的定位：这是一份以部署成本为主线的报告，能力数字是附带给出的；把它读成「能力追平闭源」会越过报告自身的口径，Terminal-Bench 3.0/4.0 那两行已经把边界画出来了。

相关链接

Anthropic 首次公开三张内部量表：Claude「主导」了 26% 的研发工作，3 万个 agent 的动作 100% 过监控

事件概述

2026 年 9 月 17 日，Anthropic 在 Institute 栏目发布《Measurements for understanding the pace of AI development inside frontier labs》，署名 Marina Favaro 与 Phillie Wright，Jack Clark 提供研究方向。文章不给结论，给三把尺子：研发有多少是 AI 自己做的、agent 的动作被监督到什么程度、算力怎么分。三把尺子都附带了 Anthropic 自家 2026 年 8 月的实测值。

技术解析

第一把尺子是 Anthropic R&D Automation Index。它把公司里每一类 AI 研发工作列出来，借用 Epoch AI 的自动化等级（AL0 到 AL5）逐类打分再汇总。AL3 是「协作」，AL4 是「主导」。8 月的快照：没有任何一类研发工作由 Claude 全自动完成；Claude「主导」的部分占 26%；达到或超过「协作」级别的占比超过 90%。

第二把尺子量监督。8 月，在其最常用的内部平台上，任意时刻约有 3 万个 agent 在做研究与工程工作。在线监控在执行前检查全部动作、通常几秒内完成，被拦截的动作一周内由人工复核；8 月分析了超过 10 亿次 agent 决策，其中 0.002%（约每 47000 次一次）被拦截。离线监控每周标记约 10 万条 transcript，交给多个分类器筛假阳性，最高优先级约 50 条升级到人工复核；整体约每千条标记 1 到 2 条。

第三把尺子量算力。取 7 月 13 日至 20 日一周的全部算力做分类，投向 AI 研发的算力约 6% 用于安全，投向「AI 驱动的 AI 研发」的算力约 12% 用于安全。文章明确说这是偏保守的估计：一个 token 如果同时推进能力和安全，就不计入；安全分类器本身的开销也不在这两个数里。

行业影响

递归自我改进此前一直是修辞，各家定义还不统一——Anthropic 在文里给的口径是「AI 能自主设计并开发比自己更强的后继系统」，OpenAI 的口径更宽。这次的意义不在于 26% 这个数本身，而在于它被拆成了可以逐类复核的条目，并且作者主动写了四条局限：用自家模型评估自家系统、标签依赖自动规则、单周快照看不出趋势、算力占比只衡量花了多少（分类器效率提高反而会拉低这个数）。文章还承诺让多家机构的第三方评估者入驻，拿到与内部风险团队相当的数据访问权限。把监督做成一组可发布的指标（覆盖率、复核延迟、升级率），实际上是承认了一件事：agent 的规模已经到了必须靠指标而不是靠人盯的程度。

相关链接

LimiX-2 把结构化数据模型的目标从「预测 Y」改成「学联合分布」，TabArena 分类与回归双榜第一

事件概述

稳准智能与清华大学团队发布 LimiX-2，技术报告于 9 月 15 日上线 arXiv（编号 2609.17488），署名机构为 Stable AI 与 Tsinghua University。在 TabArena、TALENT、BCCO 三个结构化数据基准上，它超过 Google 的 TabFM、Amazon 的 Mitra、TabPFN 与 TabICL 等对手，二分类、多分类、回归各项指标均列第一。

技术解析

改动发生在学习目标上。以 TabPFN 为代表的 PFN 路线围绕条件预测 p(y|x, D_context) 组织上下文学习；LimiX-2 提出的上下文机制网络（CMNs）把它换成 p(x, y | D_context)，建模的是数据在给定上下文下的联合结构，而不是给定输入后目标变量等于多少。配套的预训练目标是上下文条件掩码建模（CCMM）：反复遮住不同变量再预测，逼着模型从「盯住一个 Y」转向学习变量之间的条件依赖。表示粒度下沉到单元格（Cell-Level），保留列身份、具体取值与缺失状态，支持跨变量、跨样本交互。

训练数据来自结构因果模型（SCM）生成的合成数据集，覆盖不同的图结构、函数机制与观测过程。预训练规模扫描从 12.5M 到 406.2M 参数：TabArena Elo 从 1766 升到 1935，参数每翻一倍涨 34.68 Elo，拟合 R² 为 0.9808，在 406.2M 处看不到饱和迹象，报告把外推画到了 2B。

榜单成绩方面，TabArena 分类（38 个数据集）Elo 1917，四项预测指标全部第一，平均两两胜率 94.5%；回归（13 个数据集）Elo 2206，同样是四项第一，平均两两胜率 96.9%，第二名的 TabFM+ 是 2063，差 143 分。报告还提到特征注意力编码了直接因果关系，可用于因果骨架恢复；在 Sachs、UF、Causal Chamber 等公开数据上优于多种传统因果发现方法。

行业影响

这条赛道今年明显升温：Google 发布 TabFM，Amazon 推 Mitra，SAP 先做 SAP-RPT-1 再收购 TabPFN 背后的 Prior Labs，投入超过 10 亿欧元扩建结构化数据研究团队，TabPFN-3.5 Plus 已进入 SAP AI Core 做现金流预测、付款延迟、供应商风险这类企业决策任务。LimiX-2 的价值不在多拿一次第一，而在它给出了一条与 PFN 分岔的路线：当问题从「Y 等于多少」推进到「变量之间是什么关系」，PFN 那种先把数据压成高层表示的做法会折掉变量级的细粒度信息。报告里那句「分类、回归、缺失值填补可以统一为对同一个数据模型的查询」如果成立，结构化数据模型就有了与 LLM 平行的第二种基础能力形态——一个学人类已经表达出来的知识，一个学真实世界留下的高维变量空间。

相关链接

阿里达摩院 DAMO RADAR 登上 Science：一个模型覆盖腹部 18 种结构 146 种病，外部验证 AUC 0.895

事件概述

2026 年 9 月 18 日，Science 刊发阿里达摩院与浙江大学医学院附属第一医院等机构合作的 DAMO RADAR（Rapid Abdominal Diagnosis with AI and Radiology）。它被介绍为首个专家级通用影像 AI 模型，覆盖腹部 18 种解剖结构、146 种病变，模型、代码与技术框架全部开源。以下数字来自量子位对该研究的报道，尚未回源论文原文。

技术解析

路线是视觉-语言对比学习：医院里天然存在大量 CT 影像与配套诊断报告，模型直接学二者的对应关系，不需要医生逐片标注。这一步解决的是标注成本，真正的难点在下一步——一套腹部 CT 有数百张切片，真正有问题的往往是某个器官上的小病灶，把整张图与整份报告整体对齐，关键信号会被大量正常组织淹没。团队试过这条路，模型只学到粗糙的统计特征。

RADAR 的做法是器官级细粒度对齐：先从 CT 中定位肝脏、胰腺、胆囊、肾脏等器官，把一整套 CT 拆成器官单元，再与报告中对应的描述逐一对齐。第二项创新是自适应对比建模——标准对比学习默认把不同样本的特征严格推开，而在医学场景里，两个健康肝脏的表示不该被割裂，同一种病的两名患者应该被拉近，样本距离按医学知识动态调整。

验证分了几层。内部近 3.9 万例真实世界连续队列上平均 AUC 0.913；来自 8 家外部医院、覆盖不同地区与扫描设备的 2.4 万余例 CT 上 AUC 0.895；2.7 万例急诊数据（急诊成像质量偏差，且不在训练目标内）AUC 0.904。肝癌、胰腺癌、胃癌、肠癌四种癌症以病理活检为金标准，AUC 区间 0.891 到 0.984。人机对比有 14 家医院的 26 名放射科医生参与，在同一批病例上独立诊断，RADAR 准确率超过其中 23 名，略低于 3 名资深医生；医生在 AI 辅助下读片，整体敏感度提升约 10%，平均阅片时间减少 30% 以上。论文里的 Scaling 曲线还在上升，未见饱和。

行业影响

医疗影像长期被期刊当作工程技术问题处理，Science 极少发这类文章。RADAR 通过评审的意义是它把「一个通用模型覆盖一整个领域」这条路线，放进了容错最低的场景验证——这里的误判会直接改变治疗方案。达摩院此前的 PANDA 走的是单病种路线，一个病种要啃两三年；换成通用模型之后，边际成本不再随病种数量线性增长，器官级对齐框架理论上也能迁移到 MRI、PET、超声。

报道里也点了副作用：年轻医生用 AI 写出的报告可能达到主任级水平，一旦形成路径依赖，影像逻辑思维的养成路径就被截断了。浙大一院放射科主任肖文波给出的用法是把模型当一对一带教工具——医生先按常规写完报告，再用 AI 做一次自检，哪个病灶漏了、哪个判断偏了，当场可见。这与前面三条形成对照：模型进入一个新空间之后，人的那套能力怎么继续长出来，是一个独立于准确率的工程问题。

相关链接

编者小结

四条里，只有 DAMO RADAR 是纯能力叙事，另外三条都在改「算什么」：DeepSeek 改的是长上下文的记账单位，Anthropic 改的是实验室内部的可见性，LimiX-2 改的是结构化数据的学习目标。把看不见的东西变成可报的数，比再刷一张榜单更难被复制——因为它要求先承认这件事此前一直是靠感觉判断的。