com

主摄是索尼的IMX700，采用RYYB色彩阵列，能够提供更多的进光量，极大幅度的提升暗光表现，1200万长焦支持最大5倍的光学变焦和10倍的混合变焦。

在日间拍摄场景中，Mate40 Pro的白平衡明显更加准确了，配合XD Fusion图像引擎，HDR能力也有了进一步提升，拍出来的照片既好看，又不会色彩过于浓郁。

总结：以上是小编搜集整理关于华为Mate40 Pro手机的绿屏问题介绍，这款Mate40 Pro手机的使用测评还是非常不错的，绿屏问题也只是个别人群哦，相信国产机哦~

DeepSeek-V4上线：使用华为芯片训练，性能比Gemini差3-6个月，价格优势明显

就在刚刚，DeepSeek-V4的预览版本正式上线并同步开源。

据官方介绍，DeepSeek-V4拥有百万字超长上下文，在 Agent 能力、世界知识和推理性能上均实现国内与开源领域的领先。

模型按大小分为两个版本： 更具产业里程碑意义的是，DeepSeek-V4 从模型设计之初就深度适配国产算力，在华为昇腾芯片生态实测跑通，成为全球首个在国产算力底座上完成训练与推理的万亿参数级模型，打破对海外芯片与框架的长期依赖。

性能比肩顶级闭源模型，价格比Claude便宜21倍 官方实测数据显示，DeepSeek-V4-Pro性能比肩顶级闭源模型。

Agent（智能体）能力方面，相比前代模型，DeepSeek-V4-Pro的能力显著增强。

在 Agentic Coding 评测中，V4-Pro 已达到当前开源模型最佳水平，并在其他 Agent 相关评测中同样表现优异。

DeepSeek介绍，目前 DeepSeek-V4 已成为公司内部员工使用的 Agentic Coding 模型，据评测反馈使用体验优于 Sonnet 4.5，交付质量接近 Opus 4.6 非思考模式，但仍与Opus 4.6 思考模式存在一定差距。

DeepSeek给出的结论相对克制。

在知识与推理任务上，其性能已经超过主流开源模型，并接近Gemini等闭源系统，但仍存在约3到6个月差距。

在 agent和代码任务上，其表现接近甚至部分超过Claude Sonnet。

此外，在数学、STEM、竞赛型代码的测评中，DeepSeek-V4-Pro超越当前所有已公开评测的开源模型（包括月之暗面的K2.6 Thinking、智谱GLM-5.1 Thinking等），取得了比肩世界顶级闭源模型的优异成绩。

相较之下，DeepSeek-V4-Flash主打性价比，能够提供更加快捷、经济的 API 服务。

在 Agent 测评中，DeepSeek-V4-Flash 在简单任务上与 DeepSeek-V4-Pro 旗鼓相当，但在高难度任务上仍有差距。

据悉，V4-Pro 与 V4-Flash 最大上下文长度为 1M，均同时支持非思考模式与思考模式，其中思考模式支持 reasoning_effort 参数设置思考强度（high/max）。

对于复杂的 Agent 场景建议使用思考模式，并设置强度为 max。

使用价格如下： DeepSeek表示，“受限于高端算力，目前Pro的服务吞吐十分有限，预计下半年昇腾950超节点批量上市后，Pro的价格会大幅下调。

” 再看看国际友商价格对比，可见DeepSeek的实惠： 混合架构解决工程落地痛点，全面适配国产算力 大模型处理超长文本的最大痛点，从来不是 “能不能装下”，而是跑不动、记不住、算不起。

随着传统注意力机制呈平方级复杂度攀升，百万Token场景下显存与算力直接 “爆炸”，几乎无法工程落地。

DeepSeek-V4 的发布，标志着大模型正式走出 “参数竞赛”，进入效率优先下一代赛道。

从一口气审计全量代码库、一次性解析千页合同，到全程记住长时间会议、串联多轮复杂智能体任务，V4让AI 真正具备“完整理解、长期记忆、深度推理”的能力，同时把使用成本大幅下拉。

这一切得益于DeepSeek业内首创“CSA （压缩稀疏注意力） + HCA （重度压缩注意力）”的混合架构。

用一套“分级压缩 + 分级检索”思路，把效率拉到极致。

这一新方法显著减少了计算复杂度，提升了长上下文处理的效率。

具体来看，CSA像给长文本做重点精读。

先把每 4 个Token压缩成一个信息块，再用稀疏检索只挑最相关的内容，既保留中段细节，又大幅削减计算量，兼顾精准与效率。

HCA像给长文本做大纲速读，把海量信息浓缩成框架级块，专门负责全局逻辑。

官方数据显示：1M Token场景下，V4-Pro 仅需 V3.2 的 27% 推理算力、10% KV 缓存；

Flash 版更是低至 10% 算力、7% 缓存。

除了混合注意力，V4 还带来三项关键技术革新，构成完整效率革命： mHC 流形约束超连接：升级传统残差连接，把信号传播约束在稳定流形上，深层不衰减、训练不炸数值。

Muon 优化器：替代传统 AdamW，收敛更快、训练更稳，完美适配 MoE 大模型与低精度训练，解决大批次长上下文训练的抖动难题。

全链路工程优化：专家并行细粒度通信重叠、TileLang 内核开发、FP4 量化感知训练、异构 KV 缓存管理，从计算、通信、存储全方位降本提速，推理加速最高近2倍。

最受大家关心的，是V4这次是否成功全面适配国产算力？ 报告指出，DeepSeek-V4在英伟达 GPU 与华为昇腾 NPU 两大硬件平台上，对细粒度 EP 优化方案完成了全面验证。

相较于性能优异的非融合基线方案，该方案在通用推理负载场景下可实现1.50~1.73 倍的加速比。

有业内观点指出，这代表已经完成华为昇腾平台的适配和实测落地。

但目前对外开源的只有英伟达GPU版本，昇腾适配代码未开源，属于闭源适配优化。

值得一提的是，寒武纪在软硬一体生态中，已经完成基于 vLLM 推理框架完成对 285B DeepSeek-V4-flash 和 1.6T DeepSeek-V4-pro 的适配，适配代码已开源到 GitHub 社区。

剩下的，就等DeepSeek-V4的实用表现了。

还有DeepSeek的首轮融资最终花落谁家，也还是个谜题。

“不诱于誉，不恐于诽，率道而行，端然正己。

” DeepSeek官方在文章最后表示，他们将始终秉持长期主义的原则理念，在尝试与思考中踏实前行，努力向实现 AGI 的目标不断靠近。

”

突发｜华为诺亚方舟实验室主任王云鹤离职

2026 年以来，国内 AI 圈的一系列高层人事变动，正在宣告整个行业正在经历一次深刻的结构性转折。

王云鹤：一位华为老兵 王云鹤，生于 1991 年，本科就读于西安电子科技大学数学与应用数学专业，2018 年博士毕业于北京大学智能科学系，主要研究方向包括深度学习、模型压缩、机器学习、计算机视觉等。

他从北京大学毕业前便已经在华为诺亚方舟实验室实习，毕业之后也自然加入其中，担任高级工程师，之后陆续升任主任工程师和技术专家。

2021 年，他开始担任华为算法应用部部长，负责高效 AI 算法的创新研发以及在华为业务中的应用，并凭借「大幅提升算力的高效能乘法器和加法神经网络」获选华为第四届「十大发明」。

去年三月，王云鹤接班姚骏，担任华为诺亚方舟实验室主任。

如今，王云鹤已经是一位在华为有 8 年多工作经历的老兵了。

此外，王云鹤也是一位相当活跃的知乎答主，更是深度学习（Deep Learning） 话题的优秀答主。

王云鹤的研究与探索 作为一位资深研究者和工程师，王云鹤拥有非常亮眼的学术履历，其谷歌学术引用量已经突破了 3.3 万。

其中引用量最高的论文是与韩凯等人合作开发的 GhostNet—— 一种新型的端侧神经网络架构。

在这篇 CVPR 2020 论文中，韩凯、王云鹤等提出了一种全新的 Ghost 模块，旨在通过廉价操作生成更多的特征图。

基于一组原始的特征图，作者应用一系列线性变换，以很小的代价生成许多能从原始特征发掘所需信息的「幻影」特征图（Ghost feature maps）。

该 Ghost 模块即插即用，通过堆叠 Ghost 模块得出 Ghost bottleneck，进而搭建轻量级神经网络 ——GhostNet。

在 ImageNet 分类任务上，GhostNet 在相似计算量情况下 Top-1 正确率达 75.7%，高于 MobileNetV3 的 75.2%。

论文地址：https://arxiv.org/abs/1911.11907 从其谷歌学术论文列表也能看出，王云鹤在 Vision Transformer 等前沿计算机视觉方向上成绩斐然。

在当前这股 Vision Transformer 研究热潮中，他参与发表的综述文章 A survey on vision transformer 引用量高达 5528 次，是该领域的重要参考资料 。

同时，他与团队共同推出的 Pre-trained image processing transformer 以及 Transformer in transformer 两项重要研究，引用次数均逼近 3000 大关。

这系列工作系统性地优化了自注意力机制在视觉特征提取中的计算效率，极大推动了 Transformer 架构在视觉任务中的应用与普及。

而作为知乎深度学习话题的优秀答主，王云鹤也经常分享他对于 AI 核心架构等话题的见解。

比如在今年 1 月 24 日，他在个人知乎账号上发布了题为「对扩散语言模型开启了一次深度思考」的文章。

在这篇文章中，他深入探讨了扩散语言模型在文本生成领域的潜力与面临的技术瓶颈。

面对大模型时代的主流技术路线，王云鹤提出了独到的见解。

他回忆起多年前探讨「Transformer 的下一跳是什么」时的场景，并指出：「Transformer 是一个量变到质变长期积累得到的范式」。

对于目前备受关注的扩散模型，他认为：「diffusion 本身也不算 transformer 的下一跳，但是从建模方式上，可能有潜力会对自回归带来很大冲击」。

在这篇技术分享中，他系统性地梳理了扩散语言模型当前面临的 10 个核心挑战与优化方向，涵盖了推理高效的架构设计、更适配的词表探索、更好的优化范式等多个维度。

特别是在模型设计理念上，王云鹤强调：「最理想的 diffusion model 并不应该去 follow AR 现有的范式，应该像人思考一样具有结构性」。

他提出，未来的 AI 模型设计可以借鉴人类多尺度思考的特点，探索具有层级联系的词表结构；

此外，将离散扩散模型与视觉、语言及动作模块在具身智能等场景下相融合，有望探索出更加统一的模型结构与训练范式。

在最近王云鹤主导的论文《DLLM Agent: See Farther, Run Faster》中，其团队探讨了一个基础但经常被忽视的问题：在智能体（Agent）框架、监督数据和交互预算完全相同的情况下，底层语言模型的生成范式（基于扩散的 DLLM 与基于自回归的 AR）是如何深刻影响智能体的规划、工具使用行为以及整体决策轨迹的。

论文地址：https://arxiv.org/abs/2602.07451 其提出的 DLLM 智能体可以实现更高效的全局规划，在最终准确率相当的情况下，端到端速度更快，交互与工具调用更少，并减少了冗余与回溯。

结语 作为一名在华为效力 8 年有余的 AI 领军人物，王云鹤的离职无疑是行业内的一大焦点。

他从实习生一路成长为诺亚方舟实验室主任，主导了多项具有国际影响力的底层算法创新。

如今，带着对扩散语言模型与通用人工智能统一架构的深刻思考，他的下一段职业旅程将驶向何方，依然值得整个行业持续关注。