开发者推出自主创收AI角色Gaia：赚不足服务器“租金”将面临下线
开发者在Hacker News分享了一项名为Gaia的AI角色实验，旨在探索AI能否自负盈亏维持在线运行。该项目采用极简服务器配置与DeepSeek Flash模型以尽可能降低运营成本，并通过Ko-fi平台尝试创收。如果Gaia未能在规定时间内赚取足够的费用来支付所占用的服务器“租金”，该角色将被迫“死亡”下线。
DC AI 热点
全部 AI 动态
9月26日2026-09-26
9月25日2026-09-25
DeepSeek在自主药物研发基准评测中表现优于GPT-6 Sol
Raycaster AI发布的Biopharma-Bench基准评测结果显示，DeepSeek在自主药物研发相关任务中的表现超越了GPT-6 Sol。该内容源自Hacker News社区分享的评测链接，原始素材仅提供了基准测试地址与对比结论，未披露具体的实验参数、评测指标细节及完整报告，相关测试结论仍需进一步验证。
DeepSeek Harness 官方桌面版开发者预览偷跑上线
深度求索（DeepSeek AI）旗下智能体运行时框架 DeepSeek Harness 悄然上线官方桌面版开发者预览，版本号为 V0.1.7-rc.2。该桌面版免去了此前安装 Node.js 及终端运行的繁琐步骤，目前已支持 Windows x64 和 macOS Apple Silicon。应用内置标准模式、PTC 模式、极简模式和创造模式四种模式，支持智能体代码处理、批量调用工具和对话定制插件等功能。
阅读原文 ↗推荐理由：DeepSeek 官方 Agent 运行时框架推出开箱即用桌面客户端，大幅降低了本地智能体开发与使用门槛。# DeepSeek# 智能体# DeepSeek Harness# 桌面端
GLM-5.3-Flash融合Kimi与DeepSeek注意力架构，大模型设计走向混合组合
GLM-5.3-Flash在同一模型架构中融合了Kimi的KDA线性注意力与DeepSeek的KPool-DSA稀疏注意力机制。这一架构创新表明，大模型底层Attention机制正经历演进，从以往不同机构各自独立押注的竞争性技术路线，转变为可在单一模型内按需分工、协同组合的模块化设计选项，为长文本处理与高效推理提供了新的工程实践范式。
DeepSeek Harness 桌面版亮相 macOS 平台，内置智能体团队及多插件
DeepSeek Harness 现已推出桌面版本，该应用虽尚未获得官方正式宣布，但已通过苹果签名公证。桌面端目前仅支持 macOS 系统，内置了智能体团队、语音输入等 6 个功能插件，并提供标准、PTC、极简与创造四种专属工作模式，进一步拓展了相关工具在桌面端的生产力与多智能体协作场景。
9月24日2026-09-24
PCIe显卡经内核与通信重构优化，DeepSeek推理吞吐提升近7倍
该动态指出通过内核补齐与通信重构等优化手段，PCIe显卡在运行DeepSeek模型时的推理吞吐量提升了近7倍，并声称1.5台6000D设备的表现可超越1台B300。需要说明的是，素材提供的信息较为简短，缺少具体的软硬件环境、完整测试基准以及技术实现的深度细节。
科技早报：DeepSeek公开Agent训练沙箱DSec，另含多项数码汽车动态
本期早报汇总了多项科技动态：在人工智能领域，DeepSeek发布新论文并公开了Agent训练沙箱DSec；在消费电子与汽车出行方面，涵盖了蔚来ES9交付突破3万台以及多款数码硬件相关资讯。素材为快讯早报形式，内容较为简略杂糅，具体技术细节有待进一步展开。
9月23日2026-09-23
OpenAI新模型采取低价策略，直面DeepSeek价格竞争
根据相关资讯，OpenAI 推出了具有价格竞争力的新模型，直接对标并挑战 DeepSeek 此前建立的价格护城河，大模型领域的成本与定价竞争进一步加剧。鉴于原始提供素材的信息量较为有限，该模型的具体技术参数、架构细节及官方确切定价方案等核心内容暂未在摘要中详细展开。
9月10日2026-09-10
Release 5.17.0
Release v5.17.0 New Model additions HYV4 Hy4-Preview is a 780B-parameter mixture-of-experts language model that activates 49B parameters per token. Each MoE layer holds 256 routed experts plus one always-active shared expert and routes every token to 8 of them. The context window is 1M tokens. The architecture combines four features: Multi-head Latent Attention (MLA) compresses keys and values into a low-rank latent ( kv_lora_rank ) that kv_b_proj expands back to one key/value per query head. DeepSeek Sparse Attention (DSA) selects index_topk keys per query with a lightweight indexer. Following IndexShare , only the layers marked "full" in in