DeepSeek V5代码泄露？实为兼容性测试

AI 行业的更新节奏依然密不透风。在最新一期的 AI 晚报中，从 Codex 的重置预告到 DeepSeek V5 代码的疑似曝光，再到 Artificial Analysis 新榜单的发布与算力市场的潜在变局，几条线索交织出了当天最值得关注的技术动向。

DeepSeek V5：代码里的名字，不等于明天的发布

最抓眼球的消息来自 DeepSeek^广告 Harness 的最新代码。有开发者发现其中出现了 V5 Open、V5 和 V5 Next 三个模型名称，测试文件中也写入了相关标识。发帖者判断，这更可能是发布前的兼容性测试，而非产品即将上线的铁证——代码中出现名称不代表正式发布计划，一切仍需官方确认。

这种「代码考古」在开源社区早已成为常规操作，但它的信号强度经常被高估。模型名进入测试文件，通常意味着内部流程已经推进到某个阶段，距离真正面向用户开放可能还有距离。相比猜测发布日期，更值得留意的是 DeepSeek 对开发者生态的态度：开发者 Evan Su 此前自费开发多智能体工具、每天花费上百美元调用 API，其 DSH Layer 插件被 DeepSeek 官方注意到后收到了 999 元奖励。这笔金额不大，象征意义却不小，不过 DeepSeek 是否有统一的插件奖励计划，目前仍不明确。

Artificial Analysis V5 榜单：私有数据成新变量

评测机构 Artificial Analysis 发布了智能指数 V5，Cloud Opus 5.5 以 58 分居首，DeepSeek V4.1 Flash 在开放权重模型中以 32 分并列第一。新版指数加入了编程和科研评测，其中六成评测使用私有数据或保密答案。

这一变化值得认真对待。公开基准被模型「刷榜」的问题由来已久，私有评测集能在一定程度上缓解针对性优化的干扰，但也带来了可复现性下降的代价——外界无法核验题目和答案，只能依赖机构自身的公信力。对开发者而言，榜单排名的参考价值依然存在，但不宜作为选型的唯一依据，最好结合自己的实际任务做小规模验证。

私有评测集与公开基准的取舍

公开基准（如 MMLU、HumanEval）的题目和答案通常公开可查，模型团队可以针对性地在训练数据中覆盖相似题目，从而在榜单上取得虚高分数，这就是所谓的「刷榜」。私有评测集由机构自行构建并保密，模型方无法提前获知题目，因此更能反映模型在陌生任务上的真实泛化能力。代价是评测过程不透明：外界无法复现分数，也无法判断题目难度分布是否合理，只能依赖机构的信誉和评测方法论披露程度。业界常见的折中做法是同时报告公开基准和私有基准成绩，并公开部分样例供社区审查。

Codex 重置完成，新模型密集开源

Codex 更新进行到第 23 天，Teebo 先是调侃 iCloud 邮件和日历插件就是当天的更新，随后澄清当天只是修整，重置已经完成，明天会有好消息，但具体内容没有透露。同时，Teebo 宣布买下 POTTO.com，Grokbot 工程师 Lauren 的 X 账号恰好叫 AppleTato，两人此前围绕 Codex 更新互相调侃，Lauren 这次回应说自己买不起 Teebo.com。

模型侧的开源节奏同样密集。扩散智能发布开源预览模型 Clover35B-A3B，采用并行生成加实时修正的方式处理文本，据报道单卡速度可达每秒 680 个 Token，在代码和智能体评测中表现亮眼。文档识别方向，OvisoCR3 以 8 亿参数量支持通过提示词切换不同任务，能提取字段、识别图表、还原流程图，还能拼接跨页表格；CNB 推出的 MiniCPM OCR 则把识别与质检拆成两个模型，一个提取文字表格公式，另一个给结果可靠性打分，官方称配合并发优化最高每分钟可处理 128 页。

开放权重模型 Lingo3.1 Flash 1019 经过后训练，智能体和科学推理能力有所提升，其中一项自动化评测成绩从 62% 升至 68%，支持最长 100 万 Token 上下文。另有一条未经证实的消息在网上流传：ZImage 团队可能解散。也有网友猜测团队是否并入 KunImage 或今后不再开源，但目前没有确切消息或官方回应，不能据此认定团队已经解散。

编程 Agent 的安全短板与 AI 建议的隐性影响

安全方面的发现更值得警惕。开源项目 Capsam 让 Cloud Code、Codex 等编程工具在加固的 Linux 虚拟机中运行，多个 Agent 会话可以并行且彼此隔离，支持 macOS 和 Linux。与之对照的是一类新型攻击：恶意网站无需用户点击或授权，就能把藏有恶意指令的文件静默下载到下载目录，编程 Agent 读取文件时可能误把内容当成可信指令。安全机构测试中，Codex 的中招率达到 90%。

Anthropic 的一项实验则揭示了另一种风险。50 位专业分析师使用 Cloud Code 评估农业咨询服务，86% 的关键分析选择跟随了 AI；面对与原有偏好相反的建议，六成人改变了选择，但仍有 52% 的受访者认为最终建议主要来自自己的判断。

这组数据最有意思的地方不在「AI 影响了人」，而在「人没意识到自己被影响」。专业分析场景尚且如此，日常决策中的隐性依赖只会更难察觉。对工具开发者来说，这意味着界面设计和建议呈现方式本身就是一种责任。

编程 Agent 的间接提示注入风险

编程 Agent 通常被授予读取本地文件、执行命令、访问网络的权限，以便自动完成修改代码、运行测试等任务。攻击者无需直接与 Agent 对话，只要让恶意文件出现在 Agent 会读取的目录（如下载目录、项目依赖、issue 评论）中，文件里的指令就可能被 Agent 当作任务上下文执行，这类攻击称为间接提示注入（indirect prompt injection）。由于模型难以可靠区分「数据」与「指令」，仅靠提示词防护并不充分，隔离运行环境、限制文件读取范围、对敏感操作要求人工确认是目前更有效的缓解手段。

算力与推理：TPU、小模型与本地加速

据报道，OpenAI 计划采购谷歌 TPU 芯片。若消息属实，OpenAI 对微软和英伟达的算力依赖可能减少，英伟达的市场地位也可能面临挑战。前谷歌工程师 Beth Jezos 表示她一直看好 TPU。

推理侧有一条来自单一报道的数据：在基础款 M5 MacBook Pro 上运行量化后的模型，速度达到每秒 92.1 个 Token，约为 Lama.cpp 的 4 倍，其做法是先让小模型预测、再由主模型批量验证，平均每次解码产出 7.5 个 Token。数据仅来自单一来源，实际效果还需要更多场景验证。

生态层面，OpenRouter 与韩国电信巨头 KT 达成首个亚太重大合作，KT 将在平台上提供韩国主权模型，首批包括 MyColonDMK3.0 Pro、Upstage Solar 和 Motive，计划到 2027 年扩展至 10 到 15 个模型，OpenRouter 还将支持 KT 面向企业客户的 Token Factory。Google 的 Gemini Notebook 移动端现在支持录制最长一小时的现场音频，录音完成后可作为笔记本的信息来源。

该功能似乎正在逐步推送，暂未覆盖所有用户。谷歌 DeepMind 还推出了 AI 文本检测工具 DetectorScope，除了判断文章是否由 AI 写作，还能标出影响判断的具体文字，但判断文字和结果仍不等于确凿证据。

一天之内，模型、评测、安全、算力四条线各有进展。真正需要保持警惕的，或许不是哪条爆料会成真，而是那些看起来已经确定、实际上仍待官方确认的消息。

TPU 与 GPU 的定位差异

TPU（张量处理单元）是谷歌自研的专用加速芯片，针对矩阵乘法等深度学习运算做了定制化设计，在自家数据中心内通过大规模集群和高带宽互联发挥优势，主要服务于谷歌内部模型和 Google Cloud 客户。英伟达 GPU 则是通用并行计算芯片，配合 CUDA 生态在训练和推理市场占据主导，软件兼容性和开发者工具链更成熟。若 OpenAI 采购 TPU，意味着前沿模型训练开始尝试多元算力路线，但迁移涉及编译器、通信库和模型代码的适配，短期内难以完全替代 GPU。