DeepSeek：通过访谈自身对人工智能助手进行逆向工程

我运行 manish.sh 。我写了关于人工智能工具以及法学硕士在推动它们时如何表现的文章。这是《法学硕士内部》系列的一部分——采访一个聊天模型，了解它的想法，然后对照已发表的研究检查仔细的部分。 Kimi K2.6 参赛作品排在第一位；这是 DeepSeek 的后续行动。 ✍️ 写作风格（与 Kimi 帖子有何不同 - 以及原因） 与 Inside Kimi K2.6 相同的系列方法 - 首先面试，然后对照论文审核。这里的写作是有目的的不同。原因：DeepSeek 的面试更加密集——MoE、MLA、隐藏推理、注意力检查表、论文与聊天。这篇文章的早期草稿将其包含在太多的表格和术语中。即使读了几遍，也很容易感到失落或无聊。因此，这个版本在不改变审核方法的情况下，以表密度换取教学清晰度。首先是简单的英语。每一章在技术名称之前都以儿童简单的术语注释（桌子、草稿本、包装技巧）开头。桌子密度较小。更少的访谈记录网格；每章有更简短的解释和一个清晰的要点+下一个钩子。概念图片。提示堆栈、令牌、MoE、MLA 和隐藏推理图（在移动设备上点击可缩放）。还是个成年人，没有傻到。纪录片的基调依然存在——如果你不是人工智能原生者，那么更容易理解。如果您喜欢 Kimi 更深入的产品/工具演练，请保留该帖子以了解产品行为。当您想要 DeepSeek 的自我报告故事而不被行话淹没时，请使用这个。我的第一个问题听起来很简单：你对自己到底了解多少？我期待营销。相反，DeepSeek 将其答案分为观察、推理和猜测。就在那一刻我意识到这次采访实际上可能很有趣。本文中使用的 DeepSeek 采访聊天截图。它就像工程师在白板上绘制管道一样。然后它称自己是不可靠的证人。听起来很诚实。聊天结束后，我还是打开了公开报纸——这就是故事的分歧点。 💡 关键想法请记住：这些都不是来自泄露的权重或私人文档。一切都从一次聊天开始，然后根据公共研究进行检查。没有体重倾倒。没有提示泄漏。一篇很长的采访，对照 arXiv 进行了核对。 DeepSeek 说“我猜”的地方，我保留了这个标签。滚动到最后的交互式实验室。快速说明：一次聊天，导出于 2026 年 7 月 21 日。DeepSeek 表示最新版本，知识截止日期为 2025 年 5 月，未标记为 DeepSeek-R1 。自我报告，而不是白皮书。 60 秒 TL;DR 前提：采访模特，然后对照公开论文检查简陋的答案——不要体重暴跌。行为洞察：它仔细地将观察、推理和猜测分开——对于它如何描述自身很有用。硬限制：它看不到自己的权重、路由或注意力图。聊天与纸张：它对冲了 V3 清楚记录的著名公共规范（256 位专家，671B/37B 参数）——跳转到根据公共纸张检查聊天。实用规则：阅读 arXiv 了解架构编号；使用聊天来表现行为并激发直觉。如何阅读这篇文章 将其视为一部纪录片。问题→简短答复→我的反应→图表或简短列表→要点→挂钩。采访记录不是证据。对于架构编号，请跳至纸质检查。每一章都以一行主要术语的注释开始。章节 第 1 部分 — 自知之明 为什么采访 DeepSeek 内省的局限性 第 2 部分 — 提示和上下文 消息前面有什么 内容如何写，逐个记号 第 3 部分 — 思考、工具、失败 隐藏推理，两种含义 工具和记忆（启用时） 幻觉和虚假信心 安全和个性 第 4 部分 — 引擎和审计 简单来说，教育部和 MLA 长上下文注意力：事实与猜测 根据公开论文检查聊天内容 需要记住什么文字记录、实验室、来源 1. 为什么采访 DeepSeek（自我知识、架构） 📖 本章中的术语 架构 — “如何建造”的计划，就像房屋蓝图。权重——内部学习到的微小数字，使答案成为可能（模型无法打开它们并读取它们）。系统提示——顶部的秘密规则表（“你是DeepSeek……”）。 SFT / RLHF - 练习轮次，教导“成为一个有用的助手”和“人们更喜欢这个答案”。大多数“这个模型如何工作”的帖子都是从论文开始的。我是从一次聊天开始的。我：“你是哪个模型？你对自己的架构到底了解多少？你只是猜测什么？” DeepSeek：在我提出这个框架之前，它就从三个方面给出了答案——观察、推理、猜测。这场冲突是整个前提。一个听起来像工程师的助手，然后承认它看不到自己的权重，比白皮书摘要更有趣。当它命名为 MLA 、 MoE 、 SFT 和 RLHF 时，我还没有解压它们。我们会到达那里。现在重要的一点更简单：DeepSeek 清楚地将它所知道的内容与它所推断的内容分开。它对自己的声明（以及它给出的来源）：声明它给出的来源 它是 DeepSeek，最新 v