DeepSeek（深度求索）的模型发布、开源权重与技术报告——开源大模型价格与性能双卷的风向标。
DeepSeek Harness 进入全球公开预览并开源，基于 Cordis 的“一切皆插件”架构，可作为桌面应用运行或从代码启动 Web UI。它支持日常办公、编码、研究、后台任务，可通过“Creator mode”在聊天中创建插件，用 npx @deepseek-ai/dsh web 一条命令启动，源码在 github.com/deepseek-ai/deepseek-harness。
推荐理由：原文给出 DeepSeek Harness 的插件架构、安装方式和适用场景，读者可据此评估是否纳入自己的工作流。
Tianyi Cui@tianyi精选AI 评分6565Claude Code 团队发布 Mods，用户通过提示词即可自定义 Claude 的行为和外观，并可将 mods 作为插件分享。
Mods are absolutely insane. You can now customize Claude to work and look the way you want by just prompting it. Each person works differently, so there's no reason why everyone should have an identical Claude experience. Make Claude your own, and share mods as plugins so others can try your mods too.
推荐理由：作者借 Claude Code Mods 之机，指出 DeepSeekHarness 从一开始就把模型、工具、UI 等全部做成可替换插件，可通过提示词在线修改并持久化。
SiliconFlow@SiliconFlowAI精选AI 评分6767
推荐理由：原文给出 DeepSeek-V4.1-Flash 的参数结构、上下文长度和开源协议，读者可据此评估其部署与成本价值。
DeepSeek 正式发布 DeepSeek-V4.1-Flash，是全新模型结构系列中最小尺寸模型，具备原生多模态视觉理解能力，设计目标是能力上限更高、推理更快、吞吐更大。
推荐理由：官方公布了新结构系列最小模型的多项基准成绩和 API 迁移方式，开发者可据此评估切换成本与价格变化。
SGLang 与 Miles 团队宣布为 DeepSeek-V4.1 提供 Day-0 支持，讲解其 SWA、mHC、Engram 记忆等架构及推理与 RL 训练优化。
推荐理由：原文详解 SGLang 与 Miles 对 DeepSeek-V4.1 的 Day-0 支持，给出 Engram offload、bounded replay 等实测数字和可复现配置。
SGLang 将 SSD-LLaMA 的核心思路引入 MoE 推理，把放不进 VRAM 和内存的路由专家权重放在 NVMe SSD 上，通过 Expert Pack 连续布局、O_DIRECT 直接 I/O、pinned 暂存和 GPU 缓存，只加载 router 选中的专家。
推荐理由：原文给出完整机制说明和单卡实测数据，读者可以据此评估 NVMe SSD 承载超大 MoE 模型的可行性。
DeepSeek 在 API 平台上线实验性多模态视觉理解模型 DeepSeek-V4-Flash-Vision-Exp，通过设置 model='deepseek-v4-flash-vision-exp' 即可调用。
推荐理由：官方公布了多模态 Agent 基准成绩和调用方式，读者可据此判断其视觉 Agent 能力在现有模型中的位置。
DeepSeek@deepseek_ai精选AI 评分6868DeepSeek 发布 DeepSeek Harness v0.1 开发者预览，面向全球构建 agent harness 的开发者开放，代码库以 MIT 许可证开源。
推荐理由：官方开放了开发者预览并说明一切皆插件的架构设计，开发者可以据此评估是否用它搭建智能体。
DeepSeek-V4-Pro 正式版已在 APP、网页端和 API 上线，模型名 deepseek-v4-pro，API 调用方式不变。官方称 Agent 能力大幅提升，生产环境性能表现提升尤为显著，并公布 HLE (wo / w tools) 42.7/60.0、Terminal Bench 2.1 87.9、NL2Repo 61.5 等基准成绩。
推荐理由：官方公告列出了正式版在多项 Agent 与编码基准上的分数、Responses API 支持和峰谷定价细节，方便用户评估迁移与调用时机。
DeepSeek-V4-Flash 正式版 API 上线公测，调用方式不变，模型名设为 deepseek-v4-flash 即可使用。
推荐理由：官方给出完整的 Agent 基准分数和调用方式，读者可以直接评估是否切换到 deepseek-v4-flash 正式版。
OpenRouter 基于 2026 年 1 月 1 日至 6 月 14 日超 450 万亿 token 的日志分析，DeepSeek V4 于 4 月 24 日发布后，DeepSeek token 份额从年初约 9% 升至 6 月初近 20%，并自 5 月中旬起成为 OpenRouter 上用量第一的模型，智能体工作负载贡献了主要增量。
推荐理由：基于 OpenRouter 450 万亿 token 日志分析 V4 上线后的份额变化，并区分智能体与人类流量，数据口径和价格对比都有可参考价值。
OpenRouter 认为 2026 年 6 月最值得关注的四款开放权重模型是 DeepSeek V4 Flash、GLM 5.2、MiniMax M3 和 NVIDIA Nemotron 3 Ultra，并指出开放权重模型与美国前沿实验室的能力差距已连续 18 个月保持在 3-6 个月且未在扩大。
推荐理由：OpenRouter 用自家价格与吞吐数据逐一点评四款开放权重模型的适用场景，读者可以按成本、质量和模态对号入座选型。
SGLang 与 Miles 团队宣布在发布当天为 DeepSeek-V4 (1.6T Pro, 284B Flash) 提供推理与 RL 训练的开源支持，针对其混合稀疏注意力、mHC 和 FP4 专家权重架构做了专项适配。
推荐理由：原文给出 ShadowRadix、HiSparse 等具体优化机制和基准数字，读者可以了解混合稀疏注意力架构对推理与 RL 训练系统的实际工程要求。
DeepSeek API 已支持 V4-Pro 与 V4-Flash，兼容 OpenAI ChatCompletions 接口与 Anthropic 接口，base_url 不变，model 参数改为 deepseek-v4-pro 或 deepseek-v4-flash。
推荐理由：官方说明了新模型接入方式与旧模型名停用时间，开发者可以据此安排迁移。
DeepSeek 宣布 API 的 deepseek-chat 和 deepseek-reasoner 均已升级为 DeepSeek-V3.2。deepseek-chat 对应非思考模式，deepseek-reasoner 对应思考模式。
推荐理由：官方说明了两条 API 模型线与 DeepSeek-V3.2 思考模式的对应关系，方便使用 API 的开发者确认升级后的调用变化。
DeepSeek 非正式部署 DeepSeek-V3.2-Speciale API 服务，用户通过 base_url="https://api.deepseek.com/v3.2_speciale_expires_on_20251215" 访问。价格不变，仅支持思考模式下的对话功能，不支持工具调用，最大输出长度默认 128K，支持至北京时间 2025-12-15 23:59。
推荐理由：原文给出了非正式部署的访问方式和明确截止时间，用户可以据此判断是否短期试用这个思考模式模型。
deepseek-chat 和 deepseek-reasoner 均已升级为 DeepSeek-V3.2-Exp。deepseek-chat 对应该模型非思考模式，deepseek-reasoner 对应思考模式，详细更新内容需参阅官方文档。
推荐理由：官方说明两个 API 端点均已切换至新实验版模型，读后可据此确认调用行为是否受影响。
DeepSeek 官方宣布 deepseek-chat 和 deepseek-reasoner 均已升级为 DeepSeek-V3.1-Terminus，分别对应其非思考模式和思考模式。此次更新保持模型原有能力，针对用户反馈改进了语言一致性，缓解中英文混杂和偶发异常字符问题，并优化了 Code Agent 与 Search Agent 的表现。
推荐理由：官方说明升级后的接口对应关系和两类具体改进，现有用户可据此判断是否切换或观察效果。
DeepSeek 宣布 deepseek-chat 和 deepseek-reasoner 均升级为 DeepSeek-V3.1，分别对应其非思考模式与思考模式。
推荐理由：官方说明了两个 API 端点对应的模式切换，并给出 SWE-bench 等三项基准分数，读者可据此评估升级影响。
DeepSeek 官方宣布 deepseek-reasoner 模型升级为 DeepSeek-R1-0528，推理能力增强，AIME 2025 Pass@1 从 70.0 升至 87.5，GPQA 从 71.5 升至 81.0，Aider 从 57.0 升至 71.6。
推荐理由：官方更新日志列出各基准的具体分数变化，读者可以直接对比新旧 R1 在推理和幻觉上的差异。