为什么DeepSeek-V4-Flash-0731的后训练如此有效？
今天DS在官宣中提到这次的更新，Flash架构没变，但实际效果提升如此巨大。
很疑惑，为什么如此有效？
一个不能忽视的变量是DeepSeek刚刚成立的Harness团队，以及这个团队背后的一位核心人物：崔添翼Tianyi Cui。
DS突然开始疯狂招兵买马
如果你关注过这个人的推特的话，你会发现他发的帖子里面绝大多数都是关于 DeepSeek 招人的，而他本人是 DeepSeek Harness 团队的一个技术 staff，有可能就是 leader 级别的。
因为从他 7 月 21 号发的新帖子来看，Harness 这个部门是新成立的。他提到部门的目标非常远大，很可能就是 ASI 或者 AGI。
目前他们工作非常繁重，非常缺人，正在招三种职位：
1. Harness 研究员
2. 工程师
3. 产品经理
公开报道通常将崔添翼称为DeepSeek Harness团队负责人；他个人公开身份则是Harness团队的技术成员。换句话说，不管DeepSeek内部的正式职级如何划分，他至少是这个团队目前最核心的人物之一。
特别是他提到了最终的终面是由他来面，这也是我判断他是 leader 的主要原因。
甚至在 LinkedIn 上，我看到他在很多平台上都在招聘 Harness 相关的人员。
崔添翼的履历也很有意思。
他本科毕业于浙江大学计算机学院，在校期间长期参加ACM-ICPC竞赛。据国内公开报道，他曾六次获得亚洲区区域赛金牌。毕业后，他进入Jane Street，在香港从事软件开发和研究接近9年，业务覆盖交易系统、固定收益和股票；2022年，他又联合创办了量化交易公司TSY Capital，直到2026年3月加入DeepSeek。
量化系统和Agent，底层能力高度相似
这条职业路线与传统的大模型研究员不太一样。
他不是一路从语言模型论文、对齐算法或者自然语言处理实验室走出来的，而是长期在真实的量化交易系统里工作。
我个人认为，他量化背景对于 Agent 的加持其实非常直接。
其实我觉得这也是很多时候为什么“无心插柳柳成荫”—高频交易和量化系统本质上就是“高可靠性、低延迟、多步骤决策、实时工具/数据集成、不确定环境下的长程策略执行”。这些能力与Agent几乎一一对应。
比如规划、工具链式调用、错误自动回退与重试、多Agent协调、上下文与状态管理。
这是在大方向确立以及核心的框架确定之后，再加上疯狂招人的策略，也让这个 Agent Harness 的能力（也就是后训练效果）倍增。
特别是他最新发的一个帖子，他在招募 Agent 相关开源项目的开发者。
其实这个意思有点像 build in public，也就是招募在 Agent 方面有丰富经验的开发者。这些人其实可以不是我们以前通俗理解的大模型从业者，比如你可以是医疗方面的从业者，也可以是歌曲生成方面的从业者。只要你有相关经验，特别是在大量的 Agent 对话或者测试过程中发现过问题、总结出经验，这反而才是后训练阶段最需要的人。
你要知道，DeepSeek 可以说是这个地球上最火热的科技IP之一。DeepSeek 发布的招募有很多人自愿响应。靠着 DeepSeek 的声望，再加上 Agent Harness 团队，我觉得 DeepSeek V4 Pro 的效果有很大概率能和 Fable 5 打平，甚至有可能超越它。
这是为什么有人提到了DeepSeek 的新模型甚至已经达到了帕累托最优。
另外还有个点，那就是 DeepSeek V4 Flash 其实跟它的正式版之间的架构没有任何差别，唯一的区别就是后训练做得更充分。
这非常有可能跟上面这位大佬提到的思路是一致的。他认为在 4 月份的时候，DeepSeek V4 只是后训练做得不够充分，没有完全发挥出它的架构潜力。
这就说明，其实 DeepSeek 自从发布以来，不管是它的 V3、R1 还是现在的 V4，在架构上面可能已经优化到头了。
对于后训练来说，就是是将一个模型从智商正常的成年人，训练成一个可以干各种复杂工作的全能手。而这个全能手的一个前提，就是它在所有的基础知识上面是没有短板的。目前看来，DeepSeek V4 预训练模型的架构依旧是非常优质的。
这次上涨，不能全部算在模型权重上
这里还有一个很关键的细节。
DeepSeek在V4-Flash-0731的模型卡中明确写道，公开的代码Agent测试使用了尚未发布的DeepSeek Harness，运行的是minimal模式，同时开启了max推理强度。
这意味着，我们看到的成绩严格来说并不是一个完全脱离外部系统的“裸模型成绩”，而是：
DeepSeek-V4-Flash-0731模型＋DeepSeek Harness＋最大推理强度。
所以，这次能力暴涨很可能包含两部分。
一部分是模型权重经过新一轮后训练后，确实更擅长规划、调用工具和处理长流程任务；另一部分则是Harness更好地管理了工具、文件、上下文和任务循环，把模型原本已经具备、但以前没有稳定发挥出来的能力释放了出来。
这并不是说崔添翼一个人主导了0731版本的模型训练。目前没有公开资料能够证明这一点。
但从时间线看，他3月加入DeepSeek，4月发布的V4还是Preview版本，随后Harness团队快速成立并扩招，7月底正式版Flash的提升又主要集中在Agent和工具使用上。
因此，我更倾向于认为：崔添翼和Harness团队未必是这轮后训练的唯一原因，但很可能是DeepSeek Agent能力迅速补强的重要变量之一。
V4的后训练，为什么特别适合提升Agent？
最后，分享下来自于V4技术报告中关于后训练的细节：
第一阶段是领域专家独立训练。
DeepSeek并不是直接把数学、编程、知识问答、指令遵循和Agent工具使用等所有任务混在一起训练，而是先针对不同领域分别培养专家模型。
每一个专家先使用高质量领域数据进行监督微调，也就是SFT；随后再通过GRPO进行强化学习，并使用与该领域对应的奖励信号。数学题可以根据答案进行验证，编程任务可以直接运行测试用例，Agent任务则可以放进真实或模拟环境中，检查它究竟有没有完成目标。
这样做的好处是，每个专家都可以集中解决自己的问题。
Agent专家不需要同时考虑怎么写好一篇文章，它可以专门练习工具调用、长程规划、错误恢复和任务执行。数学专家也不需要为了兼顾普通聊天而牺牲推理强度。
第二阶段，则是多教师在线策略蒸馏，也就是On-Policy Distillation。
DeepSeek使用了十多个不同领域的专家作为教师，然后让统一的学生模型在自己生成的轨迹上，学习最相关专家的输出分布。
这里学的并不只是“标准答案是什么”。
学生模型在每一步生成过程中，都要学习专家对整个词表的概率判断。DeepSeek还使用了完整词表的reverse KL，而不是只模仿最终选中的那个token。这样得到的更接近一种行为策略，而不是简单背下专家给出的答案。
这对于Agent尤其重要。
因为Agent的好坏往往不是由最后一句答案决定的，而是由中间几十甚至几百个动作决定的：
什么时候搜索，什么时候打开文件，什么时候执行代码，发现错误后是否重试，以及什么时候停止继续探索。
传统的监督微调可能只告诉模型“正确答案长什么样”，而在线策略蒸馏可以让学生模型在自己的行动轨迹上，逐步靠近Agent专家的行为分布。
真正稀缺的是可以大量产生失败轨迹的环境
DeepSeek技术报告里还有一部分非常容易被忽略：它专门搭建了用于Agent后训练和评测的沙箱系统DeepSeek Elastic Compute，也就是DSec。
根据报告，一个DSec集群可以管理数十万个并发沙箱实例，支持函数调用、容器、虚拟机以及完整的软件工程环境。
这件事可能比多增加一些训练文本更加重要。
普通语言模型可以从互联网文本中学习知识，但Agent必须通过行动学习。模型需要真的运行代码、修改文件、调用工具、观察结果，然后根据失败继续调整。
如果只有少量人工演示，模型很难学会处理各种边缘情况。只有当你能大规模创建执行环境，让模型不断尝试、不断失败，再通过测试用例或者环境反馈自动打分，Agent强化学习才真正有可能扩大规模。
这也是为什么DeepSeek这次的后训练会显得格外有效。
V4的底座并不是一个缺乏知识的弱模型。它已经使用超过32万亿token进行预训练，Flash基础模型虽然每个token只激活较少参数，但在知识、编程和长上下文测试中已经表现很强。
它缺少的未必是“再学一点知识”，而是把已有知识组织成稳定行为的能力。
打个不完全准确的比方，预训练相当于培养出一个知识很全面的成年人；后训练则是在教他如何使用终端、管理项目、检查错误、调用外部工具，并在没人一直监督的情况下把一项复杂工作做完。
底子已经在那里了，后训练只是在把能力接到真实世界的接口上。
一旦训练环境、奖励机制和Harness同时改善，成绩就可能出现跳跃，而不是一点点上涨。
结论
从目前公开的Agent测试看，新版Flash已经在不少项目上接近GLM-5.2和Claude Opus 4.8，同时API价格低得多。至少在Agent性能和调用成本这两个维度上，它已经非常接近性价比前沿。
因此，我依然很看好后续的V4-Pro。
如果Pro版本能够吃到和Flash类似的后训练红利，那么它逼近甚至在部分Agent任务上超过Opus 4.8，并不是一个特别夸张的判断。
至于能不能直接打平Fable 5，现在还没有足够的数据。
但至少可以确定，DeepSeek接下来最值得关注的，可能已经不只是下一篇模型架构论文，而是崔添翼和这支仍在疯狂招人的Harness团队，最终会把DeepSeek的模型变成一个什么样的Agent。
热门跟贴