Astronauta quase se afoga em capacete durante atividade espacial, evento que levou a revisões de segurança da NASA

Desenvolvedores descobriram três novos identificadores de modelos no repositório oficial do Harness da DeepSeek no GitHub: deepseek-v5, deepseek-v5-open e deepseek-v5-next. Atualmente, a DeepSeek não anunciou o modelo V5, e esses registros são placeholders de teste no código, e não modelos disponíveis.

Ao verificar o repositório, foi constatado que esses identificadores estão em um arquivo de teste para o provedor de contas DeepSeek, especificamente no arquivo packages/llm/llm-deepseek-account/tests/provider.spec.ts, nas linhas 154–156, ao lado da entrada existente deepseek-v4-pro. O histórico do repositório mostra que eles foram adicionados em um commit de 24 de setembro, que moveu o diretório de modelos da conta DeepSeek para a lista oficial de modelos.

O cenário de teste verifica como o cliente filtra os modelos por requisito de versão: a entrada v5-open exige uma versão mínima do cliente 0.0.1, enquanto v5-next exige 99.0.0-alpha.1, e o teste espera que apenas os modelos flash e v5-open apareçam na lista. Isso indica a possibilidade de alternar para um novo modelo do lado do servidor do Harness, seja para todos os clientes ou apenas para aqueles que atualizaram, sem a necessidade de lançar uma nova versão. No entanto, isso não confirma a existência do modelo V5 nem seu cronograma de lançamento, e alguns desenvolvedores consideram esses nomes meros placeholders de teste. Até 28 de outubro, a DeepSeek não publicou nenhum anúncio, cartão de modelo ou identificador de API para a série V5.

A oferta atual de modelos inclui V4-Pro e V4.1-Flash; este último foi lançado em setembro com uma nova arquitetura, mantendo o nome V4.

Na mesma semana, um novo resultado de benchmarking foi apresentado para o modelo atual. A Artificial Analysis lançou o Intelligence Index v5, que é a maior atualização desde o lançamento do v4 em janeiro, com 60% do peso agora baseado em conjuntos de dados de teste fechados ou respostas ocultas. O codificação representa 25% do índice, e desses 15 pontos, FrontierCode 2.0 da Cognition corresponde a 132 tarefas reais de código aberto que avaliam se os repositórios acompanhantes aprovariam o pedido de fusão.

Na plataforma FrontierCode 2.0, o modelo DeepSeek V4.1-Flash-1017 alcançou 28% com esforço máximo, sendo o maior resultado entre os modelos com pesos lançados. Kimi K3.1 Pro obteve 25,5%, mas seus pesos completos ainda não estão disponíveis. Gemini 4 Argon atingiu 25,7%, e GPT-6 Luna — 25,2%.

O índice geral foi menos favorável. DeepSeek V4.1-Flash obteve 32 pontos, empatando com GLM-5.3, enquanto o líder, Claude Opus 5.5, recebeu 58 pontos. A Artificial Analysis observa que a lacuna entre o melhor modelo aberto com pesos lançados e o líder da tabela aumentou de 3 pontos sob v4.3 para 12 pontos sob v5.

A empresa Moore Threads tornou o projeto Megatron-MUSA-Titan público, apresentando uma infraestrutura para treinamento de grandes modelos que ela desenvolveu para uso em suas próprias unidades de processamento gráfico. Este projeto é destinado ao trabalho com modelos do tipo 'mistura de especialistas' (mixture-of-experts) com um trilhão de parâmetros em clusters compostos por mais de 10.000 GPUs da Moore Threads, abrangendo tanto o pré-treinamento quanto o treinamento por reforço.

O código do projeto está disponível no GitHub. A empresa afirma que este sistema foi usado continuamente para pré-treinar MoE com um trilhão de parâmetros em clusters de 10.000 GPUs, onde sessões de treinamento prolongadas garantiram alta utilização de FLOPs do modelo e estabilidade do processo.

O repositório apresenta um exemplo de configuração para um modelo MoE no estilo Kimi-K2 com 1 trilhão de parâmetros. O princípio central do design foi manter a proximidade com soluções existentes. O Megatron-MUSA-Titan é construído sobre o framework Megatron-LM da NVIDIA. Graças à integração do PyTorch via torch_musa e à compatibilidade MUSA C com CUDA C, os desenvolvedores que possuem o ambiente MUSA podem clonar os repositórios oficiais Megatron-LM, slime e miles e iniciar o treinamento nas GPUs Moore Threads sem a necessidade de modificar o código-fonte.

O projeto indica que algoritmos gerais e correções de erros devem ser direcionados aos projetos superiores, enquanto a Moore Threads se concentra em dois tipos de alterações: otimizações em larga escala adaptadas ao hardware e clusters da Moore Threads, e soluções alternativas para problemas específicos do MUSA.

Os recursos de pré-treinamento incluem treinamento em bloco no formato FP8, que depende do MT-TransformerEngine da Moore Threads. A roteamento e agregação de tokens MoE são acelerados com o DeepEP, que opera sobre o Async Copy Engine da empresa, permitindo também a comunicação dos especialistas em paralelo com os cálculos. Outras opções incluem o descarregamento de ativações usando paralelismo de pipeline virtual e o agendamento de uma passagem direta e uma passagem reversa, além da comunicação paralela de pipeline combinada com cálculos, graças ao Mooncake RDMA.

A ferramenta de análise de rastreamento distribuído lê os rastreamentos PyTorch de cada GPU para detectar gargalos, como bolhas de pipeline e nós de baixo desempenho. O projeto afirma ser capaz de analisar uma execução de MoE com 1 trilhão de parâmetros em 10.000 GPUs em apenas algumas horas.

Para o treinamento por reforço, o stack suporta os frameworks slime e miles; o Megatron cuida do treinamento, e a compilação MUSA-SGLang gera as passagens, permitindo que um único sistema base atenda tanto ao pré-treinamento quanto ao RL. A otimização para inferência autônoma não faz parte do escopo deste projeto.

Para desenvolvedores que consideram aceleradores domésticos, a questão prática é qual parte do código de treinamento existente permanecerá funcional. A resposta da Moore Threads é que o código do ecossistema Megatron não requer modificações.

A empresa Iluvatar CoreX, durante seu dia de mídia realizado em 28 de outubro em Xangai, apresentou pela primeira vez o processador gráfico de propósito geral Tiangai 300 em funcionamento em hardware real. Até então, os materiais públicos da empresa sobre o chip focaram exclusivamente na arquitetura e no roteiro, e não em sistemas operacionais.

A principal declaração é uma comparação de desempenho. A Iluvatar CoreX afirma que o Tiangai 300 se tornou o primeiro GPU de propósito geral doméstico com desempenho medido que atinge o nível do NVIDIA H200. Além disso, testes de terceiros, após conversão de dados, mostraram que a largura de banda total de um único cartão é 1,05 vezes maior do que a do H200. É importante notar que a empresa não divulgou a metodologia de teste, os modelos utilizados ou as condições de carga de trabalho, portanto, este resultado ainda não pode ser verificado independentemente.

Este chip é destinado à implementação no supernó IXL144, apresentado anteriormente pela empresa na Feira Internacional Industrial da China. Um telhado IXL144 combina 144 GPUs, 18 CPUs e cerca de 10,1 TB de memória GPU, o que a Iluvatar CoreX chama de supernó GPU mais denso do setor. Segundo suas próprias estimativas, essa configuração reduz o custo em um milhão de tokens eficientes em 40% em comparação com soluções internacionais principais.

No dia aberto, também foram apresentadas informações sobre implantação heterogênea. A Iluvatar CoreX informou que implementou o primeiro esquema doméstico de desagregação AFD entre GPU e XPU, o que permitiu reduzir a latência de inferência em 60%. A desagregação AFD geralmente implica a divisão das etapas de cálculo do modelo, como camadas de atenção e propagação direta, entre diferentes tipos de processadores, para que cada um execute o trabalho no qual é mais eficiente.

Quanto aos dispositivos periféricos, a empresa declarou que seu chip Tongyang TY1200 supera o NVIDIA Thor T5000 em testes realizados, novamente sem publicar detalhes. O TY1200, que foi anunciado anteriormente com 300 TOPS de computação densa para PCs de IA e inteligência incorporada, também foi nomeado como o primeiro produto periférico doméstico capaz de realizar simulação física com aceleração de GPU baseada em MuJoCo-Warp — uma função crítica para o treinamento de robôs em simulação.

Em geral, essas demonstrações levam a linha de produtos de próxima geração da Iluvatar CoreX do campo das especificações em papel para sistemas operacionais. O próximo ponto a ser observado serão os benchmarks independentes com cargas de trabalho divulgadas.