摘要：DeepSeek近期正进行大规模技术岗位招聘，同时密集发布了两项核心技术研究成果。其一是与北京大学合作的Engram模块，旨在为Transformer模型增加高效的外部记忆机制，实验显示在270亿参数规模下，该模块使模型在MMLU、BBH及数学能力上分别提升3.4、5.0和2.4个百分点，长文本检索准确率从84.2%提升至97.0%。其二是关于模型架构稳定性的mHC（流形约束超连接）研究，在27B参数的混合专家模型上实现了更稳定的训练曲线，损失相比基线降低0.021，推理能力提升2.1%。这些动向被外界解读为该公司正在为下一代模型DeepSeek V4积攒技术基础。
线索：从技术发展角度看，DeepSeek在模型基础架构上的连续突破（高效记忆、训练稳定性）若成功整合至下一代产品，可能显著提升其模型性能与效率，形成技术壁垒。这为关注AI基础设施层的投资提供了潜在机会。然而，相关技术仍处于研究论文阶段，其大规模工程化落地效果、商业化进程以及面临的市场竞争（包括国际头部厂商的进展）存在不确定性，是潜在的风险点。
正文：
DeepSeek近期在招聘活动和技术研究方面表现活跃。该公司正在招聘包括深度学习研究员、深度学习研发工程师、大模型全栈工程师、全栈开发工程师、核心系统研发工程师在内的多个核心技术岗位，同时开放校招、社招和实习渠道，另有产品、设计等岗位。招聘信息显示，大部分岗位可选择在北京或杭州工作。此前在2025年11月，该公司也曾因团队规模扩大而进行过行政岗位的招聘。
在技术研究方面，DeepSeek近期连续发布重要成果。一项是与北京大学合作完成的名为“Engram”的研究，相关论文题为《Conditional Memory via Scalable Lookup》。该研究旨在解决当前Transformer架构缺乏原生“条件记忆”的问题，试图为模型增加一个可高效调取知识的外部记忆模块。研究发现了记忆与计算资源分配的U型扩展规律，实验表明，在同等计算量下，将20%-25%的资源分配给静态记忆（Engram）、其余分配给神经计算（MoE）时模型效果最优。在270亿参数规模的实验中，集成Engram模块的模型在MMLU评测中提升3.4个百分点，在BBH推理能力上提升5.0个百分点，在数学能力上提升2.4个百分点，在长文本检索测试中的准确率从84.2%大幅提升至97.0%。该架构支持“预取-重叠”策略，可利用CPU内存存储知识，GPU专注逻辑计算。
另一项是于元旦当天发布的关于模型架构稳定性的研究《mHC：流形约束超连接》。该研究旨在解决超大规模模型训练时的稳定性问题，通过将神经网络连接约束在特定流形空间来维持训练稳定。在27B参数的混合专家模型上，mHC架构展现出稳定的训练曲线，最终损失相比基线降低0.021，推理能力提升2.1%。研究团队还为mHC的实施进行了一系列基础设施优化：使用TileLang框架实现融合内核以减少内存访问；为Sinkhorn-Knopp算法设计了专门的前向和反向内核；扩展了DualPipe调度策略以重叠计算与通信。
这两篇论文的作者列表中均包含DeepSeek创始人梁文锋。根据其过往论文作者名单，DeepSeek核心团队人员稳定性较高，此次招聘主要为扩增需求。
基于上述密集的技术输出和招聘动态，外界推测DeepSeek正在为其下一代模型（可能被称为V4）进行技术储备和团队扩充。推测中的V4模型可能整合MoE的高效计算、Engram的海量记忆能力，并由mHC架构保障其超大规模训练的稳定性。
发布时间：2026-01-14 20:23:49
评论 ( 0 )