DeepSeek recruits Jane Street engineer to accelerate AI agents

⚡ 30-Second TL;DR

有什麼變化

DeepSeek 成立了全新的 AI「harness」團隊，專注於 Agentic AI 的開發。

為什麼重要

DeepSeek 對 Agentic AI 的重視顯示其策略正從單純的 LLM 效能轉向自主任務執行。這可能預示著產業趨勢，即來自量化金融領域的頂尖人才正被投入到複雜、目標導向的 AI 系統開發中。

下一步行動

密切關注 DeepSeek 的 GitHub 與研究論文，留意其在 Agentic 編排與工具使用基準測試方面的最新框架。

誰應關注：Developers & AI Engineers

DeepSeek模型採用混合專家（MoE）架構，僅在執行任務時激活部分參數，顯著降低了計算成本並提高了效率。例如，DeepSeek-R1總參數為6710億，但每次任務僅激活370億參數。
DeepSeek-V3模型引入了多頭潛在注意力（Multi-head Latent Attention, MLA）和DeepSeekMoE架構，並採用無輔助損失的負載平衡策略及多令牌預測訓練目標，以實現高效推理和成本效益訓練。
DeepSeek-R1通過強化學習（RL）技術進行訓練，擅長邏輯推理、多步驟問題解決和結構化分析，並利用測試時縮放（test-time scaling）來增強推理能力。
「harness」被定義為包裹大型語言模型（LLM）以使其成為功能性Agent的完整基礎設施，提供「手、眼、記憶和安全邊界」等功能。
DeepSeek團隊開發了CODEI/O方法，利用程式碼的結構化特性來增強LLM的推理能力，將程式碼中的邏輯結構和決策過程轉化為LLM可學習的自然語言推理任務。
DeepSeek-V4是一個多模態模型，具備圖像、影片和文本生成能力，並正針對華為昇騰950 PR處理器等中國國產AI晶片進行優化。

DeepSeek 延攬 Jane Street 工程師，加速 AI Agent 開發