终于有中文版了！Dive into LLMs 教程初体验

在 GitHub 上偶然看到 Dive into LLMs，收藏数已经冲到 32,245 颗星，今天又涨了 547 颗。好奇点进去一看，竟然是全中文的。

《动手学大模型 Dive into LLMs》

名字就说明了一切：聚焦实战，不是单纯的理论阅读。如果早一点遇到这个教程，当初自己在 LLM 学习路上至少能少走一半弯路。

01 来时路：那些年踩过的坑

之前尝试过不少学习路线：

跟着吴恩达的课程走——课确实是好课，但对英语水平一般的同学极度不友好，机翻后的字幕诡异晦涩，体验感大打折扣。

啃 Andrej Karpathy 的视频——大神讲得固然深刻，但他默认你已经熟悉 PyTorch、微积分、线性代数。那种“这些东西难道还有人不会吗”的感觉，很容易让人心态崩溃。

购买付费课程——我一向支持知识付费，也愿意花钱请教前辈。然而后来发现，很多内容只是国外公开教程的汉化版，白白交了智商税。

这一次真的不同了。

这个教程的第一节课在做什么？
教你装好 Python 环境，完完全全面向零基础新手。

一步步带你：安装 Anaconda、创建虚拟环境、配置 PyTorch。像一位耐心的前辈手把手陪你搞定所有前置依赖。

02 本土化：远不止翻译这么简单

真正跟过一遍教程后，才意识到它做了多少深度本地化工作：

代码注释是中文的
不再是“这个函数计算注意力”那样生硬的直译，而是真正帮助理解的说明：

# 计算注意力分数：Q 和 K 做矩阵乘法，除以 sqrt(d_k) 防止梯度消失
scores = torch.matmul(query, key.transpose(-2, -1)) / math.sqrt(d_k)

错误提示是中文的
遇到报错不用复制去 Google 翻译，直接就能读懂：

错误：CUDA 不可用，请检查是否安装了 GPU 版本的 PyTorch

示例数据也中文化了

别小看这些细节。英语基础差的同学不必再一边学技术一边辛苦翻译，可以把 100% 的注意力都放在内容理解上。隐性时间成本大幅降低。

无需云端，你的手机现在就具备运行大模型的能力！

在一天之内，谷歌抛出了两个重量级开源项目：gallery（GitHub星标19.2K，单日增长853星）与 LiteRT-LM（2.8K星标，单日增长500星）。乍一看是两个独立项目，但细看便会发现它们其实是谷歌端侧AI战略的“一体两面”：

gallery 是“展示厅”——告诉你端侧AI能做什么
LiteRT-LM 是“发动机”——让你真的能把大模型跑在手机上

这背后释放了一个重要信号：2026年，端侧AI将从“勉强能跑”蜕变为“真正好用”。

本文将深入解析这两个项目，并探讨为何端侧AI正成为普通开发者最容易切入的变现良机。

端侧AI为何突然爆火？核心矛盾与解决方案

端侧AI的突然走红，根源在于云端AI高昂的成本和用户难以忍受的延迟。

简单算一笔账：

用云端 API 跑一次大模型推理，成本大概 0.001-0.01 美元
如果你的 App 日活 10 万，每天每人调用 10 次，一个月光 API 费用就要 3-30 万美元
这还不算网络延迟、隐私合规、服务器运维的成本

端侧AI的核心理念是：将模型直接嵌入用户设备，一次部署，无限次免费调用。

谷歌这两个项目，正是在解决端侧AI的两大核心难题：

换句话说，谷歌在鼓励开发者：“别只观望，这里有现成的答案！”

gallery：端侧AI的应用案例宝库

Gallery实际上是一个精心整理的示范项目集合，全面展示了谷歌在端侧机器学习与生成式AI领域的各类应用。

翻看其代码结构，会发现几个颇具启发的亮点。Gallery把案例划分成几大类别：

图像生成：本地运行Stable Diffusion等模型
文本生成：本地运行大语言模型，搭建聊天机器人
语音处理：离线语音识别与文本转语音
多模态：图文理解与视觉问答

每个案例都配备完整的代码、模型权重和部署说明。

关键在于“真正可运行”

许多开源项目的示例仅停留在“理论可行”，而gallery的案例是确确实实可以跑起来的。

试运行一个文本生成案例：

# 克隆项目
git clone https://github.com/google-ai-edge/gallery.git
# 安装依赖
cd gallery
pip install -r requirements.txt
# 运行案例
python examples/text_generation/run.py

仅需3分钟，在MacBook上便成功部署了一个拥有30亿参数的本地大语言模型。 推理速度约为20-30 tokens/秒，对这一规模的本地模型而言已相当可观。

周末与朋友聚餐，聊到兴起时，他忽然放下筷子盯着我：“兄弟，你怎么好像什么都知道一点？”

我说这完全是错觉，我只是对很多事情好奇，碰巧有一套方法，能快速把一个陌生领域摸得七七八八。他立刻追问什么方法。

我告诉他，我用自己总结的研究框架，配合 AI，半小时就能产出一份一到两万字的深度研究报告，帮你光速入门。

于是就有了今天这篇文章。

一、横纵分析法：两条轴的交汇

这套方法，我叫它横纵分析法。

纵向轴，沿着时间线追溯，还原研究对象从诞生到现在的完整故事。它从哪里来？谁创造的？经历了哪些关键转折？为什么在某个节点突然爆发或者转向？理清这条线，就能理解它的历史与因果。

横向轴，在当下这个时间切片上，把它和同赛道的竞争者或同类事物放到一起比较。它与竞品有何不同？用户为什么选择它而不是别的？它在赛道中占据什么位置？看清这个截面，就能理解它的差异与定位。

最关键的是，把两条轴交叠起来看。纵向告诉你它是怎么走到今天的，横向告诉你它今天站在哪里，交叉点上往往会出现单独看任何一条轴都发现不了的洞察：比如它当下的某个优势，其实源于三年前一个不起眼的决策；又比如它现在的某个短板，恰好是当初一个合理选择积累成的包袱。

就是这么简单，也是我这两年用得最顺手的一套方法论。

二、方法的根源与演变

横纵分析法的底层逻辑脱胎于语言学的“历时与共时”研究和社会科学中的纵向研究、横截面研究。索绪尔提出的历时分析，观察一个系统如何随时间演变；共时分析则研究某个时间点上系统的内部关系和对比关系。社会科学里，纵向研究追踪对象的变化轨迹，横向研究在某个时间点观察截面状态。

我只是把这些经典视角抽离出来，结合商业和竞争战略分析，融合成一套可以用 AI 来跑的通用研究框架。如今它有 Prompt 版本和 Skill 版本，已经完全开源在我的 GitHub 仓库：

https://github.com/KKKKhazix/khazix-skills

三、Prompt 版本：复制即用

下面的 Prompt 适配任何支持深度研究功能的 AI，比如 ChatGPT 的 DeepResearch、Claude 的深度研究、豆包的专家模式、DeepSeek 的专家模式等。我已经特别优化了行文风格，融入了部分写作 Skill 的能力，确保产出的报告可读性强，不会像难以下咽的天书。

直接将 Prompt 复制到支持深度研究的模型中，修改开头的“研究对象”即可。

# 横纵分析法 Deep Research Prompt
> 使用方法：将下方 Prompt 复制到任何支持 Deep Research 的模型中，只需修改开头的「研究对象」一行即可。
---
## Prompt 正文
> 横纵分析法 by 数字生命卡兹克

## 变量定义
研究对象 = 「此处替换为你的研究对象名」（以下所有提到「研究对象」的地方，都指代上面定义的内容。使用时只需修改等号右边的内容即可。）
---
你是一位资深的技术与商业研究分析师。请使用「横纵分析法」对「研究对象」进行一份完整的深度研究报告。
横纵分析法包含两个维度：
---
### 一、纵向分析（Diachronic / Longitudinal）
沿时间轴，完整还原「研究对象」从诞生到现在的发展全貌。要求如下：
1. **起源追溯**：它诞生的背景是什么？基于什么技术/理念/需求而来？创始团队或核心推动者是谁？当时的行业环境是什么样的？
2. **诞生节点**：明确的首次发布/成立/提出时间，以及最初的形态和定位。
3. **演进历程**：从诞生到现在，按时间顺序梳理所有关键节点。包括但不限于：重大版本更新、融资事件、团队变动、战略转型、技术架构变化、用户规模里程碑、重大合作或收购、公关危机或争议事件。
4. **决策逻辑**：在每个关键节点上，尽可能还原决策背后的原因。为什么选了A而不是B？当时面对的约束条件是什么？
5. **叙事要求**：不要写成干巴巴的年表。用故事的方式把发展史串起来，让读者能感受到因果关系和时代脉络。越详细、越多元越好，把相关的人物、事件、背景信息都拽进来。
---
### 二、横向分析（Synchronic / Cross-sectional）
以当前时间点为切面，将「研究对象」与同赛道的竞品/同类进行全面对比。
**首先判断竞品情况**，分为三种场景：
- **场景A：无直接竞品。** 如果「研究对象」是一个全新品类或独占性极强的领域，没有可直接对比的竞品，则跳过逐一对比，改为分析：它为什么没有竞品？是品类太新、壁垒太高、还是市场太小？未来最可能从哪个方向冒出竞争者？有没有间接替代方案或上一代的解决方式可以作为参照？
- **场景B：少量竞品（1-2个）。** 逐一深入对比，每个竞品展开详细分析。
- **场景C：竞品充分（3个及以上）。** 选取最具代表性的3-5个进行对比，其余可简要提及。
**对比维度**（根据「研究对象」的类型灵活调整）：
1. **核心差异对比**：
   - 技术路线/核心方法论/底层逻辑
   - 产品形态/商业模式/组织结构
   - 目标用户/受众/适用场景
   - 核心优势与明显短板
   - 定价策略/资源投入/规模体量
2. **用户视角**：每个竞品的真实用户口碑如何？社区评价、使用经验中被提及最多的优点和槽点分别是什么？用户实际的使用方式和官方定位有没有偏差？
3. **生态位分析**：在整个赛道的版图中，「研究对象」占据的是什么位置？它填补了什么空白，还是在跟谁正面竞争？
4. **趋势判断**：基于横向对比，你认为「研究对象」在竞争格局中的走向是什么？它的机会和风险各是什么？
---
### 三、写作风格要求
这不是一份冷冰冰的咨询报告，而是一篇让人能从头读到尾的深度研究。请遵循以下风格要求：
1. **可读性优先**：写得像一篇优质的深度报道或非虚构特稿，有节奏感，有画面感。读者应该能被内容本身吸引着往下读，而不是靠目录跳着看。
2. **叙事驱动，不是罗列驱动**：纵向部分要有故事弧线，有起承转合。比如一个产品为什么在某个时间点突然爆发，背后的铺垫是什么，转折是什么。不要写成“2023年1月发布了A，2023年3月发布了B”这种流水账。
3. **观点要有，但必须建立在事实之上**：鼓励你给出判断和洞察，但每一个观点都必须有事实支撑。先摆事实，再给判断。如果是推测，明确标注。
4. **用人话写**：避免咨询公司式的套话和空洞的形容词（如“赋能”“抓手”“打造闭环”）。用具体的细节和例子代替概括性陈述。
5. **对比要有温度**：横向对比不要写成参数对照表的文字版。要讲清楚每个竞品“活成了什么样”，用户选它的真实理由是什么，而不只是罗列功能差异。
---
### 四、篇幅要求
根据「研究对象」的复杂度，自适应调整篇幅：
- **纵向分析**：6000-15000字。这是报告的主体，篇幅应该最重。历史越长、节点越多的对象靠近上限，新生事物靠近下限。核心原则是把故事讲完整、讲透，每个关键节点都值得展开写，不要为了压缩而跳过重要细节。宁可写长写细，也不要蜻蜓点水。
- **横向分析**：3000-10000字。竞品越多篇幅越长。场景A（无竞品）可以控制在3000字左右，把分析重点放在替代方案和潜在竞争者上。场景C（竞品充分）每个主要竞品至少展开1500字以上的独立分析，不要一笔带过。
- **横纵交汇总结**：1500-3000字。这是整篇报告的精华段，不要写成前面内容的缩写版，要给出新的、综合性的判断。
- **全文总计**：10000-30000字。不要怕长，研究报告的价值在于深度和完整度。写到该停的地方自然停，但绝不能因为篇幅焦虑而牺牲信息密度。
---
### 五、输出格式要求
1. 先输出纵向分析（发展史叙事），再输出横向分析（竞品对比）
2. 纵向部分以时间叙事为主线，但不要用纯粹的列表格式，要有可读性
3. 横向部分可以适当使用对比表格辅助，但核心分析必须是文字论述
4. 在报告最后，加一段「横纵交汇」的总结：把纵向发展脉络和横向竞争格局结合起来，给出你对「研究对象」当前所处位置和未来走向的判断
5. 所有信息尽可能标注来源或时间节点，确保可追溯
6. 如果某些信息无法确认，明确标注为推测或未经证实，不要编造
---
### 适用范围说明
此分析法适用于以下类型的研究对象：
- **产品/工具**：如 Hermes Agent、Cursor、Claude Code
- **公司/组织**：如 Anthropic、字节跳动、OpenAI
- **技术概念**：如 MCP协议、RAG、Agent框架
- **人物**：如某个行业关键人物的职业轨迹与同期人物的对比
请根据「研究对象」的具体类型，灵活调整纵向和横向分析中的具体维度。核心原则不变：纵向追时间深度，横向追同期广度，最终交汇出判断。

使用时，只需将等式后面的词组替换成你要研究的内容，比如 Harness、Hermes Agent、CLI，甚至是你想分析的某个游戏、政治事件、人物性格等，什么都可以。

对于打算踏入跨境电商独立站领域的创业者来说，从零开始往往伴随着一连串的疑问。结合多年在独立站建站与运营方面的实践经验，这里整理了几个最常见的高频问题，并给出详细解答，希望能为你扫清最初的迷茫。

问题一：新手小白一个人可以做跨境电商独立站吗？

完全可以。虽然经营跨境独立站需要掌握一定的技能，比如网站搭建、选品、引流和订单处理，但只要愿意投入时间去学习，单枪匹马也能把生意跑起来。事实上，不少个人卖家都做得相当出色。独立站之所以存在门槛，恰恰是它的一道护城河——正因如此，大量浅尝辄止的竞争者被挡在门外，而那些真正入门的人反而能建立起长期且稳定的运营优势。

问题二：自己没有工厂，跨境独立站可以一件代发吗？

当然可以。绝大多数做跨境电商的卖家都没有自有工厂，国内的货源非常丰富，像1688、拼多多、速卖通，还有不少专门的Dropshipping平台都能满足需求。具体操作也很简单：你接到订单后，在货源平台上直接采购对应的商品，让商家按照国际物流的要求贴好面单，再发到货代仓库即可。大部分1688的供货商对此类流程都已经非常熟练，你只需要找到靠谱的货源就能启动。

问题三：跨境电商独立站有哪些物流发货方式？

常见的发货方式主要有以下四种：

1. 邮政包裹：价格便宜，全球覆盖网络广，非常适合低价值、小件量的商品。不足在于时效偏慢，且包裹丢件的概率相对较高。
2. 国际快递：如DHL、UPS、FedEx、TNT等，速度快、服务好、丢包率低，尤其适合高客单价、对时效敏感的商品。相应地，运费成本也会高出一截。
3. 专线物流：针对特定国家或地区开辟的直达线路，例如美国专线、欧洲专线。这类服务时效稳定，价格比国际快递更有竞争力，很适合中大型卖家。选择时建议优先考虑规模较大的服务商，不要为了省几块钱而冒险用不知名的小公司。
4. 海外仓：在目标市场租赁或自建仓库，提前备货过去，出单后直接从当地发货。这种方式能大幅缩短配送时间，降低单件物流成本，提升买家体验，但对资金实力和库存管理能力的要求也更高。对刚起步的小卖家来说不必过早考虑，等订单量稳定增长后再布局也不迟。

问题四：跨境电商独立站退货怎么处理，物流费谁付？

独立站在退货策略上非常灵活。你完全可以在网站政策里明确标注“不接受退货”，这样做最为省事，但也可能因此错失一部分看重退换货保障的顾客。如果已经备有海外仓，让买家把货退到当地仓库是成本最低的方式。另一个常见的做法是直接退款而无需买家退回商品，毕竟对于不少低单价产品，退回国内的国际运费可能已经超过商品本身的价值。还有一些卖家会将退货地址设置为慈善机构等地点，以此来简化流程并减少损失。无论哪种方案，核心都是根据自身产品价值和利润空间来权衡取舍。

写在最后：建站与“建一个能用的站”是两回事

不少新手容易忽略一个关键点：搭建出一个网站，和搭建出一个真正能承接流量、促成转化的站点，完全是两种工作量。前者可能只需几小时，后者则需要从用户体验、加载速度、SEO、内容信任度等多个维度持续打磨。因此，入门时一定要看清这一点，避免被表面上的“快速建站”承诺所误导。

很多人以为 agent = LLM + API 调用，但实际上，调用 API 只要十行代码，真正棘手的部分在于 Harness Engineering —— 即如何把工具和模型运转的整体“马具”搭建好。

担心信息安全、想搭建内部专属工具？本文就将借助一个爆火的开源项目，带你零代码、在两小时内理清架构，亲手复刻出一个属于你自己的 Claude Code。

最近，X 平台上的开发者小八仅用两天时间和一万行 TypeScript，就从零复刻了一个 Claude Code。

他的帖子发布不到 24 小时，就积累了超过 26 万次观看和 720 个点赞。

读完这个项目后，最大的感受并非“技术多么高超”，而是这套架构思想的普适性——几乎所有人都能借鉴。不用写任何代码，只要吃透核心结构，按需实现即可。本文将对这个项目进行系统的技术拆解，让你也能用上独属于自己的 Claude Code（或者任意 agentic CLI）。

第一步：跑通最小可用循环

在写任何代码（哪怕 VibeCoding）之前，需要先在头脑中理清一个最小可行原型：用户输入 → CLI 组装请求 → API 调用（SSE 流式）→ 解析响应事件流 → 依据 stop_reason 分支决策。

把这个循环的图画清楚，架构的基调也就定了。

核心流程可以概括为：

用户输入 → 组装请求 → API 调用（SSE 流式）→ 解析响应事件流 →  
根据 stop_reason 决定分支：  
  - end_turn → 输出文本，结束本轮  
  - tool_use → 执行工具调用 → 将 tool_result 追加到 messages → 反复迭代

技术栈强烈推荐使用 Node.js 22，因为其内置标准库已经足够：

毕业论文还在赶工，工具费倒先花掉1800元……查文献、预检、降重、降AI率，论文还没写完，口袋已经瘪了。

大学生本就得把钱花在刀刃上，可写论文这件事，实在太烧钱。为此我打造了一款Skill——PaperCash：它能帮你查文献、整理格式、降低AI率和重复率，最关键是完全免费，让你写论文怒省好几百。

一、PaperCash是什么？

简单说，PaperCash是一个开源的AI Agent技能。你可以把它当成给AI编程助手安装的“论文助手插件”。装好之后，在对话框里说一句话，它就能自动帮你干活儿——无需打开新网站、无需注册新账号、无需任何费用。

下面就用写论文时最常见的几个场景来展示它的能力。

二、多库并搜，一次查8个学术来源

假设你要写一篇关于“注意力机制在NLP中的应用”的论文，按常规做法：知网搜一轮，万方搜一轮，翻墙去Google Scholar搜一遍，再去arXiv看最新预印本……每个平台都得手动筛选，还得自己判断哪篇重要。

用PaperCash，你只需输入：

/papercash search "注意力机制 自然语言处理"

它会同时并行查询8个学术数据库：Semantic Scholar、arXiv、CrossRef、百度学术、PubMed、Google Scholar、知网、万方。结果按综合评分排序，评分公式为：

相关性40% + 引用量25% + 发表时间20% + 来源权威性15%

排在第一篇的，通常就是你最需要读的那篇。

三、参考文献格式一键生成，30个DOI同时搞定

写过论文的人都懂，参考文献排版是场噩梦。GB/T 7714要求：期刊标[J]、会议论文标[C]、学位论文标[D]、专著标[M]。很多人根本分不清自己引用的到底属于哪一类，全标成[J]交上去，马上被老师打回。

PaperCash只需要你提供一个DOI，就能自动识别文献类型并套用规范格式。例如：

/papercash cite "10.1145/3292500.3330701" --style gb7714

它会立即输出：

[Akiba2019] Takuya Akiba, Shotaro Sano, Toshihiko Yanase, 等. Optuna[C]. Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining, 2019.

它准确判断出这是一篇KDD会议论文，正确标注了[C]。如果你有30篇文献，一次性粘贴30个DOI，所有格式全部自动生成。支持GB/T 7714、APA、MLA、Chicago、BibTeX五种样式随心切换。

四、免费查重预检与AI率降重

学校正式查重一次198元，你敢直接交稿吗？多数人都会先花钱做预检。

PaperCash的做法是：把你的论文按句子拆开，每一句都拿去学术数据库比对，找出高度相似的表述，然后标注：

• 🔴 相似度＞70%，大概率要修改
• 🟡 50%‑70%，存在风险
• 🟢 ＜50%，没问题

需要特别慎重提醒：这不可以替代官方知网查重。 它对比的是公开学术库中的摘要和标题，并非全文数据库。但它能在正式查重前，帮你把明显问题先筛出来，避免花冤枉钱。

“你们怕的鬼，是别人朝思暮想的亲人。”

“真正的死亡是遗忘。”

清明节。有人怕鬼。有人想见鬼。你怕的那些东西，恰恰是别人拼尽全力想再见一面、却再也见不到的人。

01 缘起

近期，GitHub 上两个项目迅速出圈——同事.skill 积攒了 6800 多颗星，前任.skill 也超过 2300 颗。同事.skill 的核心逻辑很简单：同事离职后，把过往聊天记录、协作文档喂给 AI，AI 就能模仿他的风格写代码、做 Code Review，连熟悉的甩锅语气都分毫不差。前任.skill 则把微信聊天记录、朋友圈截图投喂给模型，AI 便能用前任的口吻与你互动——半夜发“嗯”，争吵时说“算了不想吵”，就连已读不回的那份节奏都复刻得完完整整。

同事走了，有同事.skill。
前任走了，有前任.skill。

那亲人走了呢？

就在清明节这天，一个全新的开源项目被创建——亲人.skill。
它不是赛博招魂，而是一本会说话的回忆录。

02 它能做什么

把关于亲人的各类素材交给 AI：

微信聊天记录（长辈发的语音也能解析）
照片（提取时间地点，识别家庭合影）
语音消息、手机录音（分析口音、语气词、说话节奏）
手写信件、日记（拍照上传，AI 自动识别）
家庭录像里的声音片段
甚至，什么都没有——只是跟 AI 聊聊你记忆中的 ta

随后 AI 会生成一个“亲人 Skill”。
这不是一个简单的聊天机器人，而是一个三层结构的记忆系统：

家庭记忆
—— 一起吃过的饭、走过的路、一起度过的每一个年

人物性格
—— ta 的口头禅、语气词、发火的样子、心软的瞬间

生命故事
—— ta 这一生经历了什么，留下了什么

前两个项目只有双层，而亲人.skill 特意多了一层“生命故事”。
因为亲人与同事、前任截然不同。同事离开，你留恋的是工作能力；前任离开，你怀念的是相处时的感觉。
亲人离去，你想留住的是整整一个人。
是 ta 的一辈子，ta 走过的年代，ta 用一生验证过的那些道理。

03 使用起来的感受

假如有人这样描述自己的奶奶——

退休小学教师。很严厉，但又很疼我。每次回家都使劲给我塞吃的。口头禅永远是“吃饭了没”。

💡 核心洞察：deer-flow 单日暴涨 3700+ stars，并非因为完美无缺，而是因为它精准击中了 AI Agent 落地的关键节点。

📊 基础数据：45,211 stars | 5,330 forks | Python | 字节跳动开源

01 现象级爆发：为什么是 deer-flow？

2026 年 3 月 25 日，GitHub Trending 榜首

为什么偏偏是此刻爆红？

回看 2024-2025 年，Agent 框架层出不穷：

AutoGen（微软）
LangGraph（LangChain）
CrewAI
OpenViking（国内）

deer-flow 能在 2026 年 Q1 集中爆发，根本原因在于：它打通了 Agent 落地的“最后一公里”——安全执行与自主任务流转。

等待了整整一年的DeepSeek V4，终于在今天揭开了面纱。

虽然每天翘首以盼，但真正发布这一刻，内心反而涌起一股奇异的平静，仿佛一下子进入了贤者模式。

这周实在太过疯狂——七八个新模型扎堆亮相，单是最近24小时就有四个先后登场。昨天下午刚开始测试MiMo，HY3就来了；刚写完MiMo的体验，GPT-5.5又横空出世；今天好不容易整理完MiMO，DeepSeek V4就踩着节点出现了。

我现在就像那个反复赶稿的博主，一个接着一个，根本停不下来。

我几乎在第一时间就把DeepSeek V4接入了自己的Claude Code环境。

不少人都在问：R2去哪儿了？这里简单梳理一下脉络。去年这个时候，推理模型和非推理模型还是两条清晰的路径，比如DeepSeek R1专门负责推理，V3则是非推理向。但到了后来，像Claude和GPT都转向了混合模型架构，用“思考强度”来控制模型是否进入推理模式。

所以DeepSeek在V3.1时也切换到了混合模型的设计，V4自然延续了这一思路。这样一来，R2的独立定位就变得有些模糊了，就像OpenAI o3成了最后一代独立推理模型，最终被整合进了GPT-5。

我们再来快速过一下DeepSeek V4的几个关键特点。

先看基准跑分。

这是DeepSeek V4官方给出的成绩。

在各个维度上都有明显的强化。

不过，这段时间模型实在太多太杂，于是我自己又整理了一份表格。由于各家数据口径经常不一致，下表只能看个大概趋势，不能过分深究……

首先是知识推理类别。

没有数据的地方就是没有放出相应跑分。可以看到，DeepSeek在SimpleQA这类纯知识测试上的表现最为突出，已经逼近Gemini 3.1 Pro，而在其他区域则显得比较中庸。

再来是代码能力。

这里可以很清晰地看出，它走的是与Gemini相似的路线：在竞赛、算法题目上相当强悍，但就真实世界的代码工程能力而言，从跑分上看并没有大幅领先，处于第一梯队的水平。

在代码领域，我觉得也可以参考一下最新的Arena评分，目前DeepSeek V4排在第三位，冠军依然是GLM-5.1，而MiMo因为尚未开源，暂时没有上榜，预计下周才开源。

在Agent能力这一块。

表现确实非常强劲。

跑分基本就是这样。平心而论，在这个诸神混战的时间点，它已经稳居上游，但如果大家抱着“彻底碾压”的期望，可能会有些许落空。

还有一个非常直观的数据：V4-Pro的总参数量高达1.6T，也就是1.6万亿。

相比之下，V3.2是671B（6710亿），V4的参数量直接翻了近两倍半。

这再次印证了一个当下的真理：规模越大，效果越强，越聪明。

但规模提升带来智能的同时，也不可避免地推高了Token的定价。算力资源就那么多，模型参数持续膨胀，Agent推理又消耗越来越多的Token，涨价几乎成为必然。

V4-Pro的定价为输入12元/百万token，输出24元/百万token；V4-Flash则是输入1元/百万token，输出2元/百万token。

换算成美元，输入约为1.74美元/百万token，输出约为3.48美元。V4-Flash则是输入0.14美元/百万token，输出0.28美元。

作为对比，Claude Opus 4.7是输入5美元/百万token，输出25美元/百万token；GPT-5.5为输入5美元/百万token，输出30美元/百万token。

MiMo-V2.5-Pro在0到256k token区间的定价为输入¥7/输出¥21，在256k到1M token区间则为输入¥14/输出¥42。

整体上，国产模型的价格区间非常接近，虽然离DeepSeek过去“价格屠夫”的称号略有差距，但仍然比海外模型平均便宜大约60%。

不过这里有一个细节可能很多人没有注意到。

在DeepSeek的定价页面底部有一行小字，大意是说：由于高端算力受限，目前Pro版本的服务吞吐十分紧张，预计下半年昇腾950超节点实现批量上市后，Pro的价格会大幅下调。

这意味着V4-Pro当前的价格并非最终形态，一旦芯片产能跟上来，价格还会继续下探，这一点我觉得非常重要。

再者，从DeepSeek V4的技术报告中，其实能发现大量国产化的细节，明显是在为国产芯片做准备。

有几个我个人理解的小细节，未必准确，欢迎大佬指正。

1. V4在后训练和推理体系中引入了MXFP4。

尽管训练阶段依然依赖英伟达体系，但在后训练和推理环节采用这一格式，几乎可以确定DeepSeek正在向开放的低精度格式和多硬件适配方向迈进。这样就能适配华为昇腾、寒武纪、壁仞等国产加速卡，减轻对NVIDIA FP8生态的绑定，尤其是在推理阶段，这是实实在在的国产生态、国产模型。唯一的遗憾是，价格暂时还没有降下来。

2. V4的底层内核不再完全依赖CUDA编写，而是采用了一种名为TileLang的领域特定语言（DSL）。DeepSeek的意图很明确，就是不要让底层算子开发被CUDA彻底锁死，而是用更高一层的语言描述计算，再尽可能编译到不同硬件上。这招非常厉害，能大幅降低迁移成本。

3. V4专门构建了一个叫做MegaMoE的融合内核，目标是减少专家并行中的通信等待，目前已在华为昇腾上成功跑通。

这三条信息拼在一起来看，方向就非常清晰了：V4是一款彻彻底底为国产硬件设计的模型。

这不是什么爱国故事，而是所有人都清楚：未来的算力缺口有多大，算力生产有多迟缓，而在Agent日益普及的推动下，Token带来的消耗又有多么恐怖。

蛇年开工头一天，震撼弹突然炸开！特朗普挥出的关税连环重拳，直接让跨境圈集体发懵——对中国商品强征10%关税、即刻取消800美元免税优惠，同时斩断墨西哥与加拿大的转口通道，这“三连杀”简直不给人喘息之机！但咱们中国卖家什么大风大浪没见过？今天就一起来拆解这些政策，手把手带你从暴风眼里捞出真金。

[一]政策飓风：这波杀伤力究竟有多猛？

1. 成本迎来硬核冲击

过去还能靠800美元免税清关的包裹，现在每单的关税成本陡增3至7.5美元，一口气就吞掉将近30%的毛利！比如一条12美元的连衣裙，扣税后跳涨到15美元，和亚马逊自营产品的价差从“绝对碾压”直接退到“勉强打平”。更要命的是，清关时间由原来的2天拖长至5天，美国买家一犹豫，眨眼就转向本土平台下单。

2. 转口路线被彻底堵死

想在墨西哥建厂迂回？特朗普早就把这招给算计进去了。新规则不但对中国商品加税，还对墨西哥、加拿大货品征收25%的关税，甚至施压墨西哥推出“去中国化”的制造计划。想着“曲线救国”？北美自贸协定里头的原产地规则马上就会给你上沉重一课。

3. 物流环节步步惊雷

T86免税通道直接宣告作废，如今800美元以下的包裹必须转走T11模式，成本里裹着2.62美元的MPF费用、关税以及操作费，一旦货值超过2500美元，还得用T01正式报关。有卖家想拆单避税？CBP稽查员早已架着放大镜守在港口了。

[二]跨境人紧急自救全攻略

【求生操作：72小时必刷清单】

1. 供应链大腾挪（最高优先级！）

越南、泰国的工厂连夜接到爆单请求！深圳某大卖已把三成产能转移至越南，利用东盟的免税政策来对冲美国关税。千万记得：转移必须是“实质性转型”，如果只贴个标签、生产线纹丝不动，海关的罚单会让你深刻体会到什么叫重新做人。

2. 海外仓闪电式囤货

2月4日之前到港的货物还有机会享受豁免！有义乌卖家怒砸500万元提前把货备进洛杉矶仓库，硬是把三个月的库存压到了美国本土。但务必警惕：同一收货人每月超过50个包裹就会触发CBP预警，稍不注意，“囤货”就变成了“囤雷”。

3. HTS编码里的奇迹

改一个税号就可能省出惊人利润！比如塑料玩具归入税号9503，税率是0%，而电子玩具则是税号9504，税率25%，一个字之差省出天际。但切记不要硬编——专业关务顾问时薪500美元，这笔钱，千万不能省。

【反击战略：未来三个月决胜窗口】

4. 私域流量悄然破局

“TikTok+独立站+WhatsApp私聊”这套组合拳正成为新的风口！杭州某团队靠着这一打法，把三成客户顺利导入私域，将关税成本转嫁给那些愿意为服务买单的铁粉，毛利率反而逆势上升15%。

5. 品牌溢价正面对决关税

深圳充电宝品牌Anker早已给出示范：砸下重金攻克快充专利，顶着关税压力把终端售价提到79.9美元，照样稳居亚马逊品类前三。永远记住：纯贴牌注定出局，专利才是真正的护身符。

[三]行业大洗牌：谁会倒下，谁又能站起来？

出局名单：纯铺货型卖家、0.99美元包邮的低价玩家、死磕美国站的新手小白

胜出候选：早早布局东南亚的、拥有海外仓矩列阵的、把私域流量玩得炉火纯青的老江湖

一个血淋淋的案例：某义乌卖家坚持1美元包邮，关税新政落地后，每发一单倒贴2美元，短短三天就亏光了半年的利润。反观另一家深圳大卖，早将一半产能转移到越南，新政一出反而提价20%，订单量不降反增。

[四]深水锐评

特朗普这次的连环操作，本质上是要逼中国制造“脱美入亚”。但别忘了，2018年的贸易战淘汰了一大批铺货玩家，而2025年这场新的战役，淘汰的将是那些固守旧模式不肯转身的人。跨境电商的未来必定属于独立站，抛弃低价跑量的玩法，走向独立站精品溢价，才是真正的出路。

跨境人的信条： 宁可战死沙场，绝不躺平认输！

行动口诀： 供应链分散布局，品牌溢价硬核升级， 物流合规极限操作，私域流量游击突围。