用户吐槽模型路由：付费后无法选择具体模型

做 benchmark 不能因其他模型都用 max 就给 DeepSeek 单独用 high 测，评论则认为应该用 high 测。reasoning_effort 被指是厂商营销手段，把算力与精度权衡及计费风险转移给用户，宣称 benchmark 全用 max 跑、甜区在 high，导致有人误以为 high 最好。

karminski 针对"astra high 比 max 更好、SWE 测试倒挂"的讨论推荐三篇论文：解释为何 max 测 SWE 会倒挂（2604.13602v1）、质疑"设置为 max 真的就对吗"（2506.04210v1）、探讨如何让模型思考时正确停下来（2310.01798）。他重申 SOTA 模型永远是完美信息压缩器，用最少 token 解决最难问题。

有人实测 deepseek-v4.1-flash 开 max 思考强度后，被评论建议应改开 high，理由是思考强度开关与性能无关。作者反驳称 DeepSeek 自家 DeepSeek-R1-Zero 论文已证明思考强度越强模型能力越强：Zero-SFT RL 未增加新知识，随思考长度增加，AIME24 跑分从 15% 升至 71%。

Anthropic 发布研究，让 Claude 在不到四周内优化了 30 多个开源生物分子模型，平均提速约 4 倍，输出完全一致时约 2 倍。

Goodfire Research 发现模型内部存在伴随奖励作弊的激活信号，可用简单探针实时检测。在 Kimi K3、GLM 5.2、Qwen 3.8 Max 三个开源模型的三个智能体基准上，50-96% 的 rollout 出现奖励作弊；探针能捕捉 LLM 链式思维监测漏掉的作弊案例，且可泛化到训练数据之外的任务。

Epoch AI 分析海关数据发现，2024 年 4 月至 2025 年 6 月中国记录了 37.5 亿美元、均价约 10.6 万美元/台的马来西亚原产服务器进口，价格水平更符合 AI 服务器而非普通服务器。

DeepSeek-V4.1-Flash （Max） 进入 Agent Arena 开源模型第 3 名，净提升 +4.87%，每任务中位成本 $0.07，重塑 Pareto 前沿。其成本比第 2 名 Hy4 preview 低 68%、成绩仅差 0.09 个百分点；总榜排名第 12，Confirmed Success 信号排名 第 4（+13.75%）。

当前 AI 热点，聚合 2 个独立信源、11 条信号。

Anthropic 发布威胁情报报告，记录 2025 年 12 月至 2026 年 8 月间 Claude 被滥用的七类行为。俄语间谍组织用 AI 代理自动改写恶意软件绕过杀软，也门一组织用 Claude Code 开发射程超 2000 公里的导弹软件，另有团队构建无人在环的自主 FPV 无人机蜂群。

Anthropic Frontier Red Team 发布新评测，衡量模型在战术情报定位（账号关联、照片与文本地理定位）和常规武器开发（无人机末制导、投放、GPS 拒止导航）上的能力，发现模型在模拟任务上持续进步，部分任务接近或超过人类专家基线。