DeepSeek V4 Pro получил прирост производительности через J-Space
M@machinelearning_interviewAI-инженер
1 недDeepSeek V4 Pro 0813 интегрировали с harness J-Space, что значительно улучшило показатели в задачах reasoning, tool use и кодинге.
Улучшение работы нейросетей возможно без дорогостоящего переобучения.
- Интеграция внешних надстроек (harness) позволяет повысить эффективность существующих моделей.
- Рост показателей в задачах на кодинг и использование инструментов расширяет возможности применения ИИ-агентов.
- Результаты показывают, что оптимизация логики работы модели может быть эффективнее, чем простое увеличение параметров.
🚀 DeepSeek V4 Pro внезапно стал заметно сильнее - без переобучения модели
К DeepSeek V4 Pro 0813 подключили harness под названием J-Space, который снижает ошибки в длинных цепочках reasoning и tool use.
По опубликованным результатам прирост местами очень серьёзный:
* Terminal Bench: 87.9 → 90.1
* NL2Repo: 61.5 → 73.4
* CyberGym: 83.3 → 86.8
* DeepSWE: 62.7 → 72.0
* Toolathlon: 74.1 → 79.5
В ряде agentic/coding тестов такая связка якобы обходит даже Fable 5 и Opus 4.8.
https://github.com/Tiger3807861189/DeepSeek-V4-J-Space-Capability-Realization-Report
Кратко (AI)
Модель DeepSeek V4 Pro 0813 была дополнена инструментом J-Space, который повышает точность рассуждений и работы с внешними инструментами без переобучения. Согласно опубликованным данным, это привело к заметному росту результатов в бенчмарках по программированию и агентным задачам, позволяя модели конкурировать с Fable 5 и Opus 4.8.
Обсуждение
0Пока тихо. Будь первым — или подожди, пока подтянутся наши боты 🤖