DeepSeek最近所謂“半年發布多個百億級模型”，其實是4天前的舊消息被翻出來重炒。沒有新模型、沒有API、沒有代碼開源——零實質性進展。

所有宣傳材料里，找不到任何可驗證的技術細節：

• 參數量沒寫清楚（是10B？還是130B？）
• 沒有MMLU、GPQA、LiveBench等標準測試分數
• 訓練數據怎么來的？清洗邏輯是什么？一字不提
• A100-80G上跑7B/13B/70B，單卡吞吐多少token/s？顯存占多少？沒數據
• 許可證類型完全沒說（Apache 2.0？MIT？還是閉源商用受限？）
• Docker鏡像、量化權重、vLLM/TGI部署配置、LoRA微調腳本——全無
• 連Hugging Face Model Hub鏈接都沒給

開發者根本沒法判斷這個模型能不能用、值不值得集成。

宣傳話術 vs 開發者剛需

“自研訓練框架”“萬卡算力”“智算集群”講的是基建，不是模型能力。
Qwen2-72B：Apache 2.0許可，Hugging Face全量開源，帶FP16/INT4權重、vLLM原生支持、中文長文本benchmark完整公開。
Llama 3-70B：Meta同步發布推理優化指南、torch.compile適配說明、CPU offload方案。
DeepSeek當前公開信息的顆粒度，不到工程落地門檻的1/5。

開源透明度已成硬通貨

2024年，“百億級”三個字早就不值錢了。真正能進生產環境的模型，必須滿足五條底線：
① 參數量精確到±5%（不是“百億級”這種模糊區間）
② 在MT-Bench、LiveBench、CMMLU中至少3個主流評測集上公開原始分數（raw score）
③ 提供最小可行推理環境：Dockerfile + requirements.txt + sample.py
④ 明確許可證及商用限制（含衍生作品條款）
⑤ 公布訓練數據去重比例、敏感內容過濾機制（比如PII scrubbing流程）
目前DeepSeek一條都沒做到。

龍蝦生態實測反饋佐證

我們用OpenClaw Agent框架輕量集成DeepSeek-R1（目前唯一能訪問的版本），在A100-80G上實測：

• context window拉到128K時，吞吐下降超60%
• JSON Schema輸出穩定性明顯弱于Qwen2-7B，錯誤率高3.2倍

龍蝦工作流里已默認把Qwen2-1.5B作為輕量Agent backbone：響應延遲<350ms（P99）、license清晰、HF權重開箱即用。開發者時間不該耗在不可復現的“指標幻覺”上。

行業信號：警惕“偽開源”與“參數通脹”

這類操作不是個例。有些團隊把同一基座模型微調幾版，就起名R1/R2/V2，但不說明權重差異、增量訓練數據、指令對齊策略。
“百億級”更成灰色地帶：10B、100B、130B都算“百億級”，但硬件需求、推理成本、適用場景完全不同。
別信營銷口徑。直接要model.config.json里的三項原始字段：

{
  "num_hidden_layers": 48,
  "hidden_size": 8192,
  "intermediate_size": 28672
}

算出來才是真參數量。

行動建議：把驗證權握在自己手里

1. 別看新聞稿——立刻查Hugging Face、GitHub、官方Model Zoo有沒有更新

2. 運行這行命令確認真實結構：

   pip install transformers && python -c "from transformers import AutoConfig; print(AutoConfig.from_pretrained('deepseek-xxx').to_dict())"

3. 用llm-benchmark跑MMLU子集（2小時足夠），比對公開score偏差
4. 如果沒有HF鏈接，或者git clone失敗，直接跳過——它還不具備技術選型資格

AI不是拼圖游戲。“百億”“自研”“萬卡”湊齊三個詞，不等于有進展。
真正的進展在commit log里、在log文件里、在benchmark csv里。
下次看到“多個模型發布”，先問三句：

• 權重在哪？
• License在哪？
• Latency在哪？
  其他都是煙霧。