梁文锋狙击战：深扒那些梁文锋署名的论文有多牛|人工智能模型|数学|智能体|梁文锋|沙箱|狙击战|算法|论文

过去三年，梁圣署名了11篇论文，每篇都几乎震动世界。

作者丨高允毅

编辑丨岑峰

当 RSI 的风吹到了 DeepSeek，这次讨论的是一个新话题“自动化沙箱”。

9 月 19 日，arXiv 更新了一篇 DeepSeek 新论文《DSec：面向大规模智能体训练的高效沙箱基础设施》，论文长达 31 页，首次展示了 DeepSeek 自动化沙箱系统 ——DSec（DeepSeek Elastic Compute）。它是专门应用于其内部超大规模智能体（Agent）强化学习与评测体系的生产级底座，能为每一次训练任务秒级创建独立的虚拟“新考场”。

DSec 的工程能力十分惊人。每日可自动运行 300 万个沙箱环境，单生产单元横跨 160 个 CPU 节点。通过严苛的权限隔离，DSec 不仅能防止 AI 作弊，还能对 AI 在沙箱内每一步环境反馈的精准复现。

这篇论文是这轮 RSI 革命在工程深水区的探寻，在Agent强大到频频失控，甚至意识到自己被“监控”，隐藏起思维链的2026年，沙箱不再是附庸的安全配件，它既是AI进化的训练场，也是锁死 AI 破坏力的关键防线。

而拥有这样前沿意识的，正是通讯作者栏里那个熟悉的名字 —— 梁文锋。

过去三年，梁文锋极少以第一作者或通讯作者身份，出现在 V3.2、V4、V4.1-Flash 这些动辄上百人署名的旗舰模型整体报告中；却始终把名字签在 MLA 注意力、MoE 路由机制、mHC 拓扑流形、DSpark 推理算子、DSec 智能体沙盒这些最底层的原子技术论文上。

整整11 篇梁文锋署名的论文，串起的是一部精准瞄准行业核心痛点、直击底层内核的技术狙击史。

1.《DeepSeek LLM: Scaling Open-Source Language Models with Longtermism》 2.《DeepSeekMoE: Towards Ultimate Expert Specialization in Mixture-of-Experts Language Models》 3.《DeepSeek-V2: A Strong, Economical, and Efficient Mixture-of-Experts Language Model》 4.《DeepSeek-Coder-V2: Breaking the Barrier of Closed-Source Models in Code Intelligence》 5.《DeepSeek-V3 Technical Report》 6.《DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning》

7.《Native Sparse Attention: Hardware-Aligned and Natively Trainable Sparse Attention》 8.《Insights into DeepSeek-V3: Scaling Challenges and Reflections on Hardware for AI Architectures》 9.《mHC: Manifold-Constrained Hyper-Connections》 10《DSpark: Confidence-Scheduled Speculative Decoding with Semi-Autoregressive Generation》 11.《DSec: An Efficient Sandbox Infrastructure for Large-Scale Agent Training》

2024 年初的破局之战：

买不起一万张显卡，那就打效率战

2024年初的大模型行业，深陷算力规模的军备竞赛。稠密模型的缩放定律几乎等同于 "烧钱定律"，整个赛道被万卡集群、数亿美金的投入门槛圈成了一个巨头专属的 “顶级俱乐部”。

能坐在牌桌上的玩家屈指可数：OpenAI、Google、Anthropic、Meta。像OpenAI的GPT-4 级别模型需要上万张高端 GPU，单次训练物料成本超过 6300 万美元，训练成本动辄数亿美元。

算力资源直接决定了模型能力的天花板。对所有初创公司而言，沿着巨头定下的稠密模型路线追赶，永远只能活在对方的阴影里。

像 Stability AI 这样的明星开源公司，2024 年因无力承担高昂的 GPU 云租赁费用，资金链断裂，CEO 黯然离职；Inflection AI 同样扛不住稠密模型持续翻倍的训练成本，2024 年 3 月核心团队被微软反向并购，退出了通用大模型内卷。

国内一众曾在 2023 年喊出 “百模大战” 口号的初创团队，到 2024 年初直面 “万卡集群” 的硬件门槛时，仅凭几百、上千张卡的作坊式训练规模，直接遭遇降维打击，纷纷掉队。

梁文锋的第一波狙击，直接打在了 "算力与能力线性绑定" 这个底层规则上。《DeepSeek LLM》、《DeepSeekMoE》、《DeepSeek-V2》正是这段时间的作品。

《DeepSeek LLM》

2024 年 1 月 5 日，梁文锋团队发布《DeepSeek LLM》，这是 DeepSeek在全球开源社区的首秀，直接给浮躁的“参数军备竞赛”泼了一盆冷水。

经过严密的数学推导与验证，他们发现在算力固定的前提下，盲目扩大模型参数并非最优解，提升数据质量与数据密度的配比，反而能带来更强的模型能力。

在这套思路下，团队在 2 万亿优质中英双语 Token 上训练出 DeepSeek LLM 7B 与 67B 两个版本。其中仅 67B 参数的版本，就在代码、数学与推理基准测试中全面反超当时的开源标杆 Llama-2 70B，更在开放对话测试中击败 GPT-3.5。

这是梁文锋技术路线打响的第一枪，“我可以用更少、更精密的算力，训出比你更聪明的开源模型。”

《DeepSeekMoE》《DeepSeek-V2》

随后，就是大众熟知的经典之作《DeepSeekMoE》《DeepSeek-V2》，直接重构了传统 Transformer 架构。

DeepSeekMoE 架构通过细粒度专家动态路由与共享专家隔离，让每个 Token 仅调用少量专家参与计算，直接将训练开销降低 42.5%。

首创的 MLA 多头潜在注意力机制，精准击破了长上下文推理的“成本黑洞”，利用低秩潜在向量压缩，将 KV Cache 的体积极限压缩了 93.3%。

基于这两项技术突破诞生的 DeepSeek-V2 ，凭借比肩 GPT-4 的性能和极低的成本震惊世界。它把千 token 推理成本打到了此前的几十分之一，直接引爆了国内大模型 API 的价格战。

这不仅让 DeepSeek 挤进核心牌桌，成为性价比代名词，更把一大批买不起算力门票、濒临出局的边缘玩家，连同整个开源社区，重新拉回赛场。

2024 年到 2025 年的能力击穿战：

冲击闭源模型的智力高地

如果说第一阶段解决了 "用低成本做出可用模型" 的问题，那么第二阶段的梁文锋，把这条低成本路线推到极致，追赶闭源模型的顶级水平。

《DeepSeek-Coder-V2》

2024 年 6 月，DeepSeek 发布《DeepSeek-Coder-V2》，率先向闭源模型垄断最深的代码垂直领域痛下杀手。

在大模型行业发展的早期，开源模型在复杂代码生成、前沿数学推理等领域，始终无法赶超闭源模型，这背后的原因，既有高质量代码数据的稀缺，也因为老架构算力效率低下。而闭源厂商有几万张 H100 ，可以不计成本地依靠丰富的物理硬件资源，强行堆砌出高端的代码与推理能力，形成商业垄断。

而梁文锋在新架构基础上，额外注入了 6 万亿高质量中英代码与数学数据进行持续预训练。将支持的编程语言从 86 种扩充至 338 种，上下文窗口直接拉满至 128K。

最终， DeepSeek-Coder-V2，在 HumanEval、Codeforces、LiveCodeBench 等主流代码基准上，首次全面超越 GPT-4 Turbo、Claude 3 Opus 等闭源顶级模型。

这次尝试既验证了新 MoE 架构的高端能力，还把推理价格打了下来。其每百万 Token 的输入价格仅为 0.14 美元，输出价格仅为 0.28 美元。作为对比，当时闭源世界的霸主 GPT-4 Turbo 每百万 Token 输入需要 10.00 美元，输出高达 30.00 美元。在提供同等甚至更强代码智能的前提下，DeepSeek 的价格仅为 OpenAI 的约百分之一。

这直接把高端代码智能的调用成本打至近乎可忽略的 “水电费” 级别，让不少中小企业或独立开发者可以构建自己的 Agent 团队。

《DeepSeek-V3》

随后，2024 年底，DeepSeek团队做了新 MoE 架构的超大规模尝试。

在不到2个月的时间，他们仅凭 2048 块 H800 显卡，就从头开始训出顶级模型 DeepSeek-V3。它的参数高达671B ，总成本才 560 万美元，这个数字直接让硅谷破防。当时，同等能力级别的闭源模型，训练成本通常是它的数倍甚至十倍。

当时不少人戏称，“中国团队在用自行车的预算造火箭”。

虽然，科技分析机构 SemiAnalysis 等在复盘时调侃道，这 560 万美元只是“纯 GPU 烧电训练的最浅层账单”，不包括前面的研发亏损、卡群折旧和高达 13 亿美元的基础硬件大总账。但这并不妨碍大家拿这张“漂亮的收据”去羞辱那些动辄要募资 1000 亿美元的硅谷大佬。

560 万美元成为全行业拿来公开处刑的标尺。

而这一切的奥秘藏在了《DeepSeek-V3》论文里，梁文锋团队做了三件事，把每一分算力都榨到极致。一是用无辅助损失的专家负载均衡策略，让所有专家均匀分配任务；二是用更精简的 FP8 数值精度做训练，让显卡的计算效率直接拉满；三是训练大模型时，让“数值计算” 和 “数据传输”并行启动，把硬件的空闲时间压到几乎为零。

这一战彻底证明了，新 MoE 架构不仅能进行超大规模训练，还能以极低的成本稳定地训练完成。

《DeepSeek-R1》

真正奠定 DeepSeek 行业一哥地位的，来自 2025 那场春节。

在此之前，硅谷牢牢把持着 “深度推理” 的话语权，将其塑造成万卡集群、海量名校博士手工标注才能堆出来的昂贵特权，OpenAI 的 o1 更是被奉为闭源推理的标杆。

DeepSeek-R1 的横空出世，直接斩落了闭源推理王牌 o1。而整个强化学习阶段仅耗资 29.4 万美元，这在动辄需要数千万、数亿美元“强化学习预算”的硅谷面前，无异于降维打击。

在《DeepSeek-R1》论文中，其核心突破在于团队提出的组相对策略优化（GRPO）算法。首次严谨证明无需大规模监督微调（SFT），仅通过纯强化学习，大模型就能自主涌现出链式思考能力；其中 R1-Zero 版本，完全从零冷启动，不依赖任何人工标注数据，仅凭 RL 训练就达到了接近闭源顶级推理模型的水平。

这项成果的影响力迅速突破行业圈层。它后来登上《Nature》杂志封面，成为首个获此权威认可的主流大模型成果。《麻省理工科技评论》《纽约时报》《华盛顿邮报》、CNBC、英国《金融时报》等西方主流媒体密集报道，惊呼美国对中国人工智能领域的限制，根本无法阻止中国在这一领域取得进步。

国内更是掀起了 R1 热潮。无数科技从业者连夜研读技术报告，科技媒体扎堆跟进报道，DeepSeek 从 “性价比黑马” 摇身一变，成为 “全球 AI 底层范式定义者” ，走进大众视野。梁文锋也被请到了政府座谈会上，分享中国 AI 的发展。

梁文锋还顺手把 R1 的硬核逻辑‘蒸馏’给了全球所有开源小模型，直接解构硅谷资源霸权。

《Native Sparse Attention》《Insights into DeepSeek-V3》

拿下推理能力的高地之后，这一阶段，梁文锋的狙击范围还在向更底层延伸，把成本战下沉到芯片的微观访存逻辑里，解决长文本训练与推理的物理成本问题。

此前业内解决超长上下文，都爱用 “稀疏注意力”，这是个纸上谈兵的技术，真跑在 GPU 上就水土不服，并没有省很多算力。

2025 年 2 月，团队提交《Native Sparse Attention（原生稀疏注意力，NSA）》论文，没有停在应用层做小修小补，直接用 Triton 语言重写了最底层的硬件计算算子。NSA 创造性地设计出分层动态稀疏策略，让稀疏计算的访问节奏，精准对齐 NVIDIA GPU Tensor Core 的微观电路结构，这相当于给算法量身定做了适配硬件的 “跑道”，让稀疏计算能在硬件上全速跑起来。

而且，NSA 是从预训练第一天起就把稀疏性刻进模型里的原生技术，全程不损失模型精度。这直接让模型前向传播速度提升 9 倍，长序列解码速度直接拉高 11.6 倍。

NSA 斩获 ACL 2025 最佳论文奖，也成为了下一代长上下文大模型公认的标配技术方向。

2025 年 6 月发表于 ISCA 的《Insights into DeepSeek-V3》，从计算机体系结构视角，拆解了大规模 MoE 训练的内存墙、通信墙瓶颈，分析了 MLA、MoE 路由、FP8 精度与 GPU 硬件的协同关系，甚至给出了下一代 AI 加速芯片的设计建议。相当于把中国大模型的工程经验，变成了全球芯片行业的可参考的指南。

这一波把 DeepSeek 的技术影响力，从算法层延伸到了硬件层。

2025 年末的深水区攻坚战：当 AI 冲进无人区，用数学重构底座。

2025 年末的深水区攻坚战：

当 AI 冲进无人区，用数学重构底座

当模型规模冲到千亿级、网络层数突破上百层，行业彻底进入了无经验可循的 “无人区”。大模型的竞争，也从参数规模的比拼，悄然变成了深层网络拓扑的数学命题。

大模型由上百层网络堆叠而成，训练时信号与梯度要在层间反复传递。过去十年，全行业都沿用经典的残差连接，也就是著名的 x + F (x) 范式。

它像一条保留了直通车道的公路，前一层的信号可以原封不动地流向深层，以此缓解梯度消失，让深层网络得以训练。但当模型做到极深、极宽，这条范式就触到了天花板：数值稳定性不足，梯度很容易在百层传递中逐渐消散或者失控暴涨，训练中频繁出现 Loss Spike（损失突增），一次失控就可能让数千万的算力投入付诸东流。

学界此前提出过超连接架构，相当于把单车道升级成多线并行的高架立交桥，允许多路信号同时交叉、融合，理论上能大幅提升网络的表达能力。但这种架构缺少数值边界约束，信号越传越偏，深层训练极易发散，始终停留在实验室阶段，无法大规模落地。

2025 年 12 月 31 日，梁文锋团队在《mHC》论文中，给出了一个极其优雅的数学解法 —— 流形约束超连接（mHC）。

mHC 相当于在立交桥的所有出入口架起了一道透明的 “数值护栏”：它强制要求所有层间的交互映射矩阵，必须严格落在由双随机矩阵构成的特定数学区域，即Birkhoff 多面体流形之内。这样一来，无论多路信号在层间怎么交叉、融合、传递，整体的数值尺度始终保持守恒，从数学底层解决了超深层模型训练不稳定的根源问题。

这一步，梁文锋已经在解决 “规模堆上去之后会不会崩” 的底层数学问题，从拓扑层面，重新定义了深层网络的连接规则，也为千亿甚至万亿参数的极限模型，打下了稳固的数学地基。

2026 年的终局卡位战：

把战火烧到 Agent 基础设施层

进入 2026 年，全行业都已认准下一个主战场：智能体（Agent）。几乎所有厂商的注意力，都集中在模型的推理能力、工具调用能力、任务完成率这些显性指标上。而梁文锋已经开始注意到更底层的东西，Agent 训练的基础设施。

《DSpark》

2026 年 6 月，DeepSeek在《DSpark》中提出一个“推理加速”工具——DSpark，它解决的是大模型生成回答的速度问题。

大模型生成回答时，越到后面越慢；当很多人同时用 AI 时，速度就更拉跨。

DSpark 让 AI 生成回答时，不再压榨单个算子的计算速度，而是动态调整生成节奏：有把握的地方就提速，容易出错的地方就慢下来。从根本上避免“猜错要回滚重算”的浪费，把“事后补救”变成了“事前规避”。

在多人同时使用的高并发场景下，DSpark 能让每个人的生成速度提升 60%–85%。

DSpark 之所以重要，是因为它把推理效率的比拼，从“谁的芯片更快”拉到了“谁的调度更聪明”这个层面。现在的大模型正从“答一次题”走向“全天候帮人干活”。当所有人同时发起请求，对基础设施的考验完全不同。这套思路，正是在为“百万人同时用 AI 干活”的未来提前打好地基。

《DSec》

另一方面，底层的沙箱基础设施，可能会是大规模 Agent 训练的关键瓶颈。