DeepSeek V4.1 Flash、GPT-5.6 Sol、Claude Opus 5 深度横评：Agent 编程分数只差 0.2，价格却差 25 倍

vibecoding77 vibecoding77 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 800+累计阅读 812平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄134天
关注
原创 最新推荐文章于 2026-11-09 15:18:38 发布 812 阅读 AI 写同款· GEO 优化 ›
2026年AI大模型与编程工具全景对比：谁最强？谁最值？（实时更新中） 2026年AI大模型与编程工具全景分析显示，全球主流模型已形成四强格局（GPT-5、Gemini 3、Claude 4、Llama 4），在性价比、长文本和专业场景各具优势。国产模型（千问、DeepSeek、豆包等）已跻身第一梯队，综合性能差距缩小至3-4%，成本仅为海外1/5-1/10，在开源生态和Agent能力上表现突出。编程工具方面，Codex、Cursor和Claude Code形成差异化竞争，国产Trae和Qoder则在中文适配和企业级方案上发力。 阅读详情

发布日期：2026-09-11 | 标签：DeepSeek V4.1 Flash、GPT-5.6 Sol、Claude Opus 5、大模型横评、Agent 编程、API 定价

DeepSeek V4.1 Flash、GPT-5.6 Sol 与 Claude Opus 5 是 2026 年 6 月至 9 月间先后发布的三款旗舰级模型，分别来自 DeepSeek、OpenAI 和 Anthropic，三者都支持 100 万 token 上下文、图像输入与可调推理强度，但在参数结构、开放程度和定价上走了三条完全不同的路线。DeepSeek V4.1 Flash 于 9 月 10 日以 MIT 许可开源，552B 总参数、输入激活 8B、输出激活 16B，高峰期输出价 8 元每百万 token；GPT-5.6 Sol 于 6 月 26 日预览、7 月 9 日公开，目前 API 输出价 20 美元每百万 token；Claude Opus 5 于 7 月 24 日发布，输出价 25 美元每百万 token。DeepSeek 技术报告的统一基准显示，三者在 DeepSWE v1.1 上的得分分别为 74.2、73.0 和 74.0，几乎持平，但在 HLE 与 Terminal-Bench 4.0 等高难推理项目上，Opus 5 领先幅度超过 15 个百分点。本文以官方文档、技术报告和第三方平台数据为依据，从结构、基准、定价、推理强度、生态与合规六个维度对比三款模型，并给出按场景选型的结论。

三款模型的基本档案

三款模型都在 2026 年下半年进入市场，都以"Agent 编程"作为主打能力，但定位差异明显。

项目DeepSeek V4.1 FlashGPT-5.6 SolClaude Opus 5
厂商DeepSeekOpenAIAnthropic
发布时间2026-09-102026-06-26 预览，07-09 公开2026-07-24
定位新结构系列中尺寸最小的模型，取代自家 V4 ProGPT-5.6 系列旗舰（Sol / Terra / Luna 三档最高）Anthropic 主力旗舰，位于 Fable 5.1 之下
参数552B MoE，输入激活 8B / 输出激活 16B未公开未公开
上下文 / 最大输出1M / 384K1.05M（最大输入 922K）/ 128K1M / 128K
图像输入支持支持支持
知识截止未公开2026-02-162026 年 5 月
开放程度MIT 开源，权重可下载闭源闭源
API 模型名deepseek-flashgpt-5.6-sol（gpt-5.6 别名指向此）claude-opus-5

三家的产品叙事各有侧重。DeepSeek 官方发布文的关键词是"更强、更快、更普惠"，重点讲结构创新与成本。OpenAI 把 GPT-5.6 Sol 称为"迄今最强的模型"和"网络安全能力最强的模型"，并首次以稳定能力层级（Sol / Terra / Luna）替代版本号命名。Anthropic 则把 Opus 5 定位为"复杂 Agent 编程与企业工作"的首选，官方文档建议大多数负载从 Opus 5 起步，只有在高推理强度下仍不达标时才升级到 Fable 5.1。

结构路线：一个公开，两个黑箱

DeepSeek V4.1 Flash 是三者中唯一公开结构细节的模型，其 Causal Encoder-Decoder（CED）非对称设计让输入与输出阶段激活不同规模的参数。

DeepSeek 技术报告给出的结构要点：

  • 输入编码阶段每 token 激活 8B 参数，输出解码阶段激活 16B，针对"输入远多于输出"的 Agent 负载优化
  • 全局 KV Cache 压到每 token 890 字节，约为上一代 V4 Flash 的 1/4，相对初代 DeepSeek 缩小 437 倍
  • 40 层、384 个路由专家加 1 个共享专家，每 token 激活 6 个，专家权重 FP4
  • 预训练语料 45T 多模态 token

GPT-5.6 Sol 和 Claude Opus 5 均未公开参数量与结构。可以确认的公开信息是：GPT-5.6 Sol 引入了新的 max 推理强度和调用子智能体的 ultra 模式，并通过 Cerebras 芯片提供最高每秒 750 token 的 Ultrafast 服务层；Claude Opus 5 采用自适应思考（Adaptive thinking），默认推理强度为 high，提供约 2.5 倍速度、2 倍价格的 Fast mode。

结构公开与否直接影响两件事：能否私有化部署，以及能否针对特定负载做推理优化。这也是 V4.1 Flash 与另外两款模型在企业选型中最本质的区别。

基准对比：Agent 编程三家打平，高难推理 Opus 5 领先

在 DeepSeek 技术报告表 3 的统一测试中，三款模型在 DeepSWE v1.1 上的得分分别为 74.2、73.0 和 74.0，差距在误差范围内。

以下数据取自 DeepSeek 2026 年 9 月技术报告，所有模型均以最高推理强度运行，横线表示报告未列出：

基准Claude Opus 5GPT-5.6 SolDeepSeek V4.1 Flash
DeepSWE v1.1（软件工程）74.073.074.2
Terminal-Bench 2.1（命令行 Agent）89.188.890.6
Terminal-Bench 4.051.839.931.2
NL2Repo-Bench（从需求到仓库）75.356.865.4
Automation-Bench（自动化工作流）50.345.854.8
Agents’ Last Exam28.626.731.8
GPQA Diamond（研究生级科学问答）93.494.190.9
HLE（Humanity’s Last Exam）56.344.536.8
HLE 带工具63.6—63.9
CyberGym（安全）—84.588.1
SEC-Bench Pro—74.362.8
BabyVision 带工具（视觉）94.188.989.6
Chartography 带工具（图表）84.079.978.9

三条结论：

  1. 中等难度 Agent 任务已经拉平。DeepSWE v1.1、Terminal-Bench 2.1、Automation-Bench 三项上 V4.1 Flash 都略高于另外两款，差距均在 3 分以内
  2. 难度越高，闭源旗舰优势越大。Terminal-Bench 4.0 上 Opus 5 领先 V4.1 Flash 超过 20 分，HLE 领先近 20 分，NL2Repo-Bench 领先约 10 分
  3. 视觉 Agent 是开源模型的明显短板。BabyVision 与 Chartography 两项 Opus 5 均领先 5 分左右，DeepSeek 报告自己也承认视觉 Agent 与闭源模型仍有差距

需要说明的是，以上均为 DeepSeek 单方测试。OpenAI 与 Anthropic 各自公布的成绩多为相对表述：OpenAI 称 GPT-5.6 Sol 在 Terminal-Bench 2.1 上"树立新的最佳水平"，在 Artificial Analysis 编程 Agent 指数 v1.1 上以最高推理强度得 80 分；Anthropic 称 Opus 5 在 ARC-AGI 3 上得分是次优模型的 3 倍，在 OSWorld 2.0 上以约三分之一成本超过 Fable 5。三方数据口径不同，不能直接拼成一张表。

定价对比：同样的分数，账单差一个数量级

按各家官方定价页 2026 年 9 月 11 日数据，DeepSeek V4.1 Flash 高峰期输出价 8 元每百万 token，GPT-5.6 Sol 为 20 美元，Claude Opus 5 为 25 美元。

计费项（每百万 token）DeepSeek V4.1 FlashGPT-5.6 SolClaude Opus 5
输入（未命中缓存）高峰 2 元 / 闲时 1 元4 美元5 美元
输入（命中缓存）高峰 0.04 元 / 闲时 0.02 元0.4 美元0.5 美元（基价 10%）
输出高峰 8 元 / 闲时 4 元20 美元25 美元
批处理折扣无，改为闲时半价50%50%
超长上下文附加费无输入超 272K 时整单输入 2 倍、输出 1.5 倍见官方长上下文定价
加速档无Ultrafast（限量预览，价格未公布）Fast mode，2 倍基价
并发上限2500按账户等级按账户等级

几点补充：

  • GPT-5.6 Sol 当前 4 美元 / 20 美元是促销价，官方文档注明至少持续到 2026 年 11 月 21 日；6 月预览时公布的原价为 5 美元 / 30 美元。OpenRouter 上该模型自 8 月 17 日起标价 2 美元 / 10 美元
  • 以 1 美元约合 7.1 元估算，V4.1 Flash 高峰期输出价约为 Opus 5 的 4.5%，闲时约为 2.3%。即便按 Agent 任务中占比最高的缓存命中输入计，V4.1 Flash 的 0.04 元与 Opus 5 的 0.5 美元也相差约 90 倍
  • DeepSeek 的闲时定义为北京时间周一至周五 9:00–12:00、14:00–18:00 之外的全部时段，含周末，对夜间批处理和离线评测场景意义明显

以 Terminal-Bench 2.1 三家 89 到 90 分的成绩看，这是"分数打平、价格差 25 倍"的典型案例。但 Terminal-Bench 4.0 与 HLE 上的差距提醒读者：高难任务上多付的钱确实买到了更高的成功率。

推理强度：三家都开放了同一个旋钮

三款模型都提供可调推理强度，让开发者在精度与 token 消耗之间做取舍，这是 2026 年旗舰模型的共同特征。

项目DeepSeek V4.1 FlashGPT-5.6 SolClaude Opus 5
档位low / high / max（对应内部 effort 50 / 75 / 100）none / low / medium / high / xhigh / maxeffort 参数，默认 high
默认开启思考mediumhigh
公开的量化数据effort 25 到 100，八项基准平均 67.1% 升至 76.3%，输出 token 约 2.5 倍未公开具体曲线客户案例：某交易基准推理 token 约为 Opus 4.8 的 1/7

DeepSeek 报告是三家中唯一公开完整"强度—精度—成本"曲线的：把 effort 设在 60 到 80 区间，可以用不到一半的 token 预算拿回大部分精度。这一数据对预算敏感的团队有直接的参数调优价值。

生态与接入：脚手架兼容性与云平台覆盖

三款模型均支持 OpenAI 兼容接口与工具调用，接入成本主要在脚手架适配与地域可用性上。

DeepSeek V4.1 Flash

  • 官方 API 同时提供 OpenAI 格式（api.deepseek.com）与 Anthropic 格式（api.deepseek.com/anthropic），可直接接入 Claude Code 一类工具
  • 技术报告表 4 显示，在 Claude Code、Codex、OpenCode、Pi、mini-SWE、DeepSeek Harness 六个脚手架上 DeepSWE v1.1 得分在 65.5 到 74.2 之间，不绑定单一 harness
  • 腾讯 WorkBuddy、CodeBuddy 与 OpenCode 已官方全量接入；OpenRouter 已上线 deepseek/deepseek-v4.1-flash

GPT-5.6 Sol

  • 支持 Chat Completions、Responses、Batch 三个端点，不支持 Realtime、Assistants、微调等
  • Codex 原生支持，含 ultra 子智能体模式
  • 6 月预览期因美国政府要求先向少数可信合作伙伴开放，7 月 9 日才公开；8 月 10 日另发布面向安全场景的 GPT-5.6-Cyber

Claude Opus 5

  • Claude API、Amazon Bedrock、Google Cloud Vertex AI、Microsoft Foundry 四个渠道均可用，模型 ID 统一为 claude-opus-5
  • 支持 Message Batches API 下最高 300K 输出的 beta 能力
  • 官方承诺 2027 年 7 月 24 日前不退役

对国内团队而言，三款模型的实际可达性差别很大。V4.1 Flash 可直接调用官方 API 或下载权重私有部署；另外两款需通过海外云账户，或经由聚合了多款主流大模型的国内 AI 服务平台按需调用。以七牛云 AI 大模型广场为例，其 DeepSeek 系列已上线 V4-Pro-0813、V4-Flash-20260731 等多个版本，并同样按缓存命中与高峰闲时四档计价，V4.1 Flash 的上架时间需以平台公告为准。

安全与合规：三条不同的红线

三款模型都在网络安全能力上有显著提升，也都为此加装了不同形式的限制。

  • GPT-5.6 Sol：OpenAI 称其未跨越准备框架中的网络安全"危急"阈值，但配备了迄今最严格的分层防护，实时分类器可能暂停生成并交由更大模型复审；官方承认预览期间合法的安全工作也可能被误拦
  • Claude Opus 5：Anthropic 说明其在攻击性网络安全与生物领域仍落后于 Mythos 5，未针对网络任务训练；网络安全分类器介入频率比 Fable 5 低约 85%，被标记的请求在 Claude.ai 与 Claude Code 中回退到 Opus 4.8
  • DeepSeek V4.1 Flash：报告称其在 CyberGym 等安全基准上为开源模型中最佳，MIT 许可下无使用侧分类器，合规责任转移到部署方

对企业用户，这意味着闭源模型的"安全"体现在厂商侧拦截，开源模型的"安全"取决于自建的审核与权限体系。

选型建议

按任务难度与预算约束，三款模型的适用边界可以概括为三句话。

  1. 中等复杂度 Agent 编程、批量代码任务、成本敏感场景：选 DeepSeek V4.1 Flash。Terminal-Bench 2.1 与 DeepSWE v1.1 已与闭源旗舰持平，闲时价仅为 Opus 5 的约 2%，且可私有部署
  2. 命令行密集型开发、需要极低延迟或子智能体编排：选 GPT-5.6 Sol。Ultrafast 服务层每秒 750 token 与 ultra 模式是目前独有的能力，促销价窗口到 11 月 21 日
  3. 高难多步推理、从需求到完整仓库、视觉密集型 Agent、多云合规要求：选 Claude Opus 5。Terminal-Bench 4.0、NL2Repo-Bench、HLE 三项领先幅度 10 到 20 分，四大云渠道可用

混合路由是更现实的方案：用 V4.1 Flash 承接大部分常规请求，把失败重试或高难任务升级到 Opus 5 或 GPT-5.6 Sol，整体成本通常能降到纯闭源方案的两到三成。

常见问题

三款模型的基准数据为什么只引用 DeepSeek 一家？
因为只有 DeepSeek 技术报告在同一测试框架下同时跑了三款模型并给出绝对分数。OpenAI 与 Anthropic 官方页面主要给相对表述（如"比次优模型高 3 倍"），无法与绝对分数直接拼表。引用时需注意 DeepSeek 作为测试方的利益相关。

GPT-5.6 Sol 的价格到底是多少？
OpenAI 开发者文档 2026 年 9 月标价为输入 4 美元、输出 20 美元每百万 token，注明是至少持续到 11 月 21 日的促销价；6 月 26 日预览公告的原价为 5 美元 / 30 美元。OpenRouter 上第三方报价为 2 美元 / 10 美元。

Claude Opus 5 和 Fable 5.1 是什么关系？
Anthropic 文档把 Opus 5 列为大多数负载的起点，Fable 5.1 定价为其两倍（10 美元 / 50 美元），面向更高难度推理与长程 Agent 任务。两者上下文均为 1M、最大输出 128K。

DeepSeek V4.1 Flash 能替代 Opus 5 做代码审查吗？
在 DeepSWE v1.1 这类修复型任务上可以，两者得分 74.2 与 74.0。在 NL2Repo-Bench 这类从零构建完整仓库的任务上差 10 分，在 Terminal-Bench 4.0 上差 20 分，建议对高难任务保留闭源模型作为升级路径。

三款模型都支持 100 万上下文，长文档处理成本一样吗？
不一样。GPT-5.6 Sol 对输入超过 272K 的请求整单加价（输入 2 倍、输出 1.5 倍）；Claude Opus 5 有单独的长上下文定价；DeepSeek V4.1 Flash 定价页未设长上下文附加费。

结语

2026 年 9 月的三款旗舰模型呈现出清晰的分层：在中等难度 Agent 任务上，开源的 DeepSeek V4.1 Flash 已用约 4% 的价格追平闭源旗舰；在高难推理与视觉 Agent 上，Claude Opus 5 仍保持 10 到 20 分的领先；GPT-5.6 Sol 则以速度与安全能力为差异化卖点。本文数据来自 DeepSeek 技术报告、OpenAI 开发者文档与预览公告、Anthropic 模型文档与发布公告、OpenRouter 模型 API，采集时间为 2026 年 9 月 10 日至 11 日；三家定价与路由规则变化频繁，使用前请以官方页面为准。

参考资料

标签
#gpt #人工智能 #AI编程
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
【AI前沿】7月24日：Kimi K3开源2.8万亿参数震场，Gemini 3.6 Flash翻车，中美AI博弈白热化-优快云博客 2026年7月16日，在2026世界人工智能大会（WAIC）开幕之际，月之暗面（Moonshot AI）正式发布了旗下最强旗舰模型Kimi K3——全球首款参数规模达到2.8万亿的开源大模型。该模型搭载100万Token超长上下文窗口、原生视觉理解能力，在前端代码评测Arena中登顶，完整权重定于7月27日正式开源。消息发布后的72小时内，英伟达股价跌超5%，费城半导体指数一周暴跌12.5%进入技术性熊市。资本市场的剧烈反应，折射出行业对"开源+超大参数"组合冲击力的重新定价。 阅读详情

相关推荐

物联网开发131 - Micropython ESP32 C3连接TB6600驱动42BYGH39步进电机

如何使用合宙ESP32 C3连接TB6600驱动42BYGH39步进电机，实现控制步进电机正反转和旋转指定角度等

zhusongziye的博客 2371

2026.10.17 静默更新：V4.1-Flash-1017，一个分数变高、输出变短的模型

2026 年 10 月 17 日，DeepSeek 在凌晨静默推送 V4.1-Flash-1017，网页端、APP 与 API 同步切换，没有发布会，API 调用方式与价格保持不变。官方 README 给出的定位是一句话：V4.1-Flash 的 minor update，推理、编码、Agent 与视觉基准实质性提升，同时任务执行时间与输出长度双双缩短。最有信息量的事实来自社区实测：一句提示词，模

gitblog_00248的博客 658

保姆级教程：在S32DS 3.4上安装S32K3xx RTD 4.4驱动包（附常见安装失败排查）

本文提供在S32DS 3.4上安装S32K3xx RTD 4.4驱动包的详细教程，涵盖环境准备、分步安装指南及常见问题排查。特别针对NXP S32K3系列MCU开发者，解决网络问题、路径配置等安装难点，并分享进阶配置技巧和最佳实践，助力高效开发。

weixin_42696271的博客 289

DeepSeek-V4.1-Flash-1017 更新全解析：能力、机制与选型建议

让 Agent 用一句话从零搭出可运行项目时，真正的瓶颈往往不是写代码，而是多轮迭代里越滚越长的上下文账单。DeepSeek-V4.1-Flash-1017 就是冲着这类负载来的：官方 [README](https://link.gitcode.com/i/da7aad8ea215270b05b57277f3d93187) 将其定位为 V4.1-Flash 的 minor update，在推理、编

gitblog_00155的博客 388

空频、空时、空域、时域、频域抗干扰介绍

1、时域抗干扰：对时间域序列进行滤波，滤波系数h(n)，采样序列不断进行输入与滤波系数卷积计算，得到响应输出；例如常用的FIR和IIR滤波器。 对于多窄带干扰噪声源和连续波干扰源有较好的处理效果，还可以解决多径问题； 可以通过在接收机前端处理中增加一个嵌入式块实现； 2、频域抗干扰：接收机不容易受到相对于接收机频带以外的强功率干扰； 通常为带通滤波和阻带滤波， 适用于窄带干扰噪声源，连续波干扰源以及较强的频带外干扰噪声源， 3、空域抗干扰：通过多个自适应天线按照特定组合成天线阵列，波束成形，针对

qq_43517907的博客 7305

告别龟速与断连：Arduino IDE下ESP32及ESP32-CAM一站式环境部署指南

本文提供Arduino IDE下ESP32及ESP32-CAM一站式环境部署指南，解决下载速度慢、断连等常见问题。通过国内镜像源加速、详细步骤讲解和ESP32-CAM专属配置技巧，帮助开发者快速完成环境搭建，避免常见陷阱，提升开发效率。

weixin_30576827的博客 771

静默上线却刷满基准表：DeepSeek V4.1 Flash 1017 如何让“许愿式编程“变得用得起

2026 年 10 月 17 日，DeepSeek 没有发任何公告，就把 DeepSeek-V4.1-Flash-1017 推上了全线：无发布会，API 协议与价格未变，网页端与 APP 直接切换。但仓库里的基准表显示，Agent 执行类项目集体跳升，任务耗时与输出长度反而收缩。这次 KV 缓存压缩基座的更新到底改了什么？开发者不动配置就能吃到红利吗？ ## 一、结论先行：四个值得知道的变化

gitblog_00434的博客 171

告别手动！用Python+CATIA V5/V6自动生成三视图和标题栏（附完整代码）

本文详细介绍了如何利用Python和CATIA V5/V6实现工程图自动生成，包括三视图布局和标题栏填写。通过COM接口调用和智能算法，系统能自适应不同尺寸模型，大幅提升设计效率。附完整代码和部署方案，帮助团队实现从手动到自动化的转变。

weixin_42699679的博客 353

AI前沿 | 2026年9月23日：GPT-6 Sol + Luna 腰斩定价 + 缓存工程化 + DeepSeek 腹地

📖19.9 元（AI 编程 · Agent 实战 · 本文同主题系统课程）·49.9 元（AI 时代成长方法论）单篇不过瘾？订阅解锁全量源码、实战与答疑；文末附资料包领取方式 ↓📊：9 月 22 日（美西周二），在 Anthropic 发布 Claude Opus 5.5，OpenAI 发布 GPT-6 家族两位新成员：API 价格较 GPT-5.6 促销价（Sol $2/$10、Luna $0.10/$0.50，官方口径为），并亮出三大工程杀手锏——。更重要的是，

求知若渴、虚心若愚 349

详解在linux上安装vpn客户端

详解在linux上安装vpn客户端

FuncPlotCalc 8427

【目标检测】基于yolov5的道路坑洼检测(附代码和数据集)

基于yolov5的道路坑洼检测(附代码和数据集)

学无止境、积少成多、厚积薄发 4620

AI创业者通识日报 | 2026年9月23日

—做国产栈的团队，训练/推理供给的确定性在变强；② RSI 从 demo 变成阿里官宣的『33 轮全自动自迭代、分数 40→45』，

求知若渴、虚心若愚 289

Linux7 挂载 nfs 远程目录

每天一个 DBA 小知识，助你更进一步！

LuciferLiu_DBA 1万+

AI前沿 | 2026年9月21日：Step 5 大模型来了 + 600B 稀疏 MoE 架构 + 1/8 成本 API

📖19.9 元（AI 编程 · Agent 实战 · 本文同主题系统课程）·49.9 元（AI 时代成长方法论）单篇不过瘾？订阅解锁全量源码、实战与答疑；文末附资料包领取方式 ↓📊：9 月 20 日，——一款 600B 总参数、每 Token 仅激活 27B 的稀疏 MoE 旗舰，支持 1M 上下文与图像输入，Artificial Analysis 智能指数 44（模型榜第 24、开源权重模型第三）。——厂商宣称单任务成本约为 Claude Opus 5 的 1/8。；而且官方页面的开源权重排期是。

求知若渴、虚心若愚 429

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过，这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后，重新检测通过。

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

【AI前沿】7月24日：Kimi K3开源2.8万亿参数震场，Gemini 3.6 Flash翻车，中美AI博弈白热化

2026年7月16日，在2026世界人工智能大会（WAIC）开幕之际，月之暗面（Moonshot AI）正式发布了旗下最强旗舰模型Kimi K3——全球首款参数规模达到2.8万亿的开源大模型。该模型搭载100万Token超长上下文窗口、原生视觉理解能力，在前端代码评测Arena中登顶，完整权重定于7月27日正式开源。消息发布后的72小时内，英伟达股价跌超5%，费城半导体指数一周暴跌12.5%进入技术性熊市。资本市场的剧烈反应，折射出行业对"开源+超大参数"组合冲击力的重新定价。

求知若渴、虚心若愚 336

锂电池充电器电路设计 里面有电路

锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。

AI创业者通识日报 | 2026年9月22日

对创业团队：① 顶部开源模型的 AA 分数冲到 46 分（+20 分一代），意味着。

求知若渴、虚心若愚 380

AI前沿 | 2026年9月5日：腾讯混元Hy4 preview开源 + 7700亿MoE架构 + 百万Token上下文

📖19.9 元（AI 编程 · Agent 实战 · 本文同主题系统课程）·49.9 元（AI 时代成长方法论）单篇不过瘾？订阅解锁全量源码、实战与答疑；文末附资料包领取方式 ↓📊：8 月 28 日腾讯混元发布并开源——770B 总参 / 49B 激活 / 1M 上下文，163 位专家盲测 203 项工程任务均分 2.99 略胜 GLM-5.3 与 Kimi K3；到 9 月 5 日开源第 8 天，权重已从约 1.5TB 压到约 214GB、WorkBuddy 首发限免进入倒计时。

求知若渴、虚心若愚 1089

AI创业者通识日报 | 2026年9月28日

（Gemini 4 影响未来两三代 TPU 设计）说明自研栈厂商的垂直整合优势在加深，通用推理供应商的护城河在变薄。来源：新智元（AITNT 转载，2026-09-27 23:12）/ The Information（Koray Kavukcuoglu 访谈）/ X @alannnfx、@AI_Screening、@thtbee_、@HarshithLucky3、@LuminaBench、@TimJayas / 引用前请以谷歌官方发布为准。

求知若渴、虚心若愚 203

CMU 11-768 | AI Agents | Fall 2026 | 学习笔记 | Lecture 3：Agent Capabilities 2: Context Management for L

CMU 11-768 lecture 3笔记

naRuTo1325的博客 219

RAG-FastGPT安装

今天开始学习RAG安装，选择FastGPT，环境是Windows 11。

w8827130的博客 89

Spring AI + GPT-5.5 + Ollama 配置教程：Base URL、超时与流式调用

由于不同 Spring AI、Spring Boot 小版本之间仍可能存在差异，创建项目时应检查 Spring Initializr、Spring AI BOM 和官方兼容矩阵，不要直接复制旧教程中的 Starter 名称和版本号。多人项目最好隔离不同客户端，并在脱敏前提下记录最终 URL、状态码、请求耗时、请求 ID 和模型 ID。Spring AI 接入模型 API，至少要同时确认 Starter、Base URL、请求路径、API Key、模型 ID、连接超时、读取超时和流式客户端这 8 项。

2601_95893075的博客 234

GPT Image 2.6 的 Flare 与 Sunburst：双版本怎么分工，附一套迁移回归测试

GPT Image 2.6 在 11 月 4 日上线，API 里多了 Flare 和 Sunburst 两个变体。Flare 走速度与布局，Sunburst 走画质与多轮编辑一致性。这篇讲清三个新参数的用法边界，并附一套两三个小时能跑完的迁移回归测试：四类 case、五项打分、5 次里 4 次过前三项才算可用。

weixin_47592901的博客 369

GPT-6.2 灰度的 3D 演示火了

在 GitHub 社区有部分 Claude Opus 5.5 用户抱怨复杂任务变慢、质量波动或更快耗尽额度。并展示了单个提示词生成的 Three.js 场景：浮空岛、瀑布、光照和昼夜变化，全塞进一个 HTML 文件里，没有外部素材。此前多用户反馈现在 GPT-6 降智了，如果本次消息属实，那 ChatGPT 用户的体验将会有很大的改善。为了不错过 GPT、Claude、Gemini、Grok 和 Apple 的重要更新与实用教程，请关注👆。欢迎在评论区留言你的想法，给他人启发。

hello99yum的博客 216

GPT Image 2.6 编辑验收实战：保留项清单、接口骨架与排错流程

> 本文由 AceDataCloud 来源文章改编并经 AI 辅助整理。示例使用占位凭据；具体参数、计费、权限和区域可用性以当前模型目录与接口文档为准。 “接口返回了一张图”不等于编辑成功。对商品图和内容素材来说，真正困难的是判断：模型是否只改了该改的部分，原来已经正确的商品结构、文字和光影有没有被破坏。 ![纸面标注需要修改的位置](https://i-blog.csdnimg.cn/dir

jakeycis123的博客 245

OpenAI 公开物理工程加速：Astra/GPT‑6 一周设计 Codex 对话设备，BenchCAD 内部模型 0.875 vs Astra 0.594

OpenAI 官方博文（2026-11-03）《Accelerating engineering for the physical world》分享模型如何帮助工程师设计、仿真与制造物理产品。重点：用 Astra（多模态+computer use）与 GPT‑6 端到端设计可对话 Codex 的测试设备，两人侧项目约一周、合同制造商约一个月内小批量原型；量产就绪仍需多轮人工审阅。自 February 起硬件团队 token 用量增 23-fold。

weixin_49016065的博客 157
上一篇： 企业级 API 网关深度对比 2026：Kong、APISIX、Higress、Envoy Gateway 与 AWS/Azure 托管方案怎么选
下一篇： 2026 企业采购国产大模型平台推荐：8 家企业级厂商能力对比与选型建议
点赞 1
评论 0
书签 书签 6
vibecoding77
vibecoding77
博客等级 码龄134天 12粉丝 78原创
+ 关注
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值