共 8 篇文章
清华与微软亚研提出HarnessMM：用可执行决策图存储Agent已解决的决策，工具反馈满足守卫条件时直接复用，不再回调模型。DeepSeek Harness在HumanEval上成功率从71.43%升到85.71%，每任务token从9.6万降到1.16万，省87.93%。本文分析它对银行Agent harness的成本与效率意义。
DeepSeek 的 dsh-superagent-prototype 是事件驱动、低打扰的智能体：Source 产事件，Router 签发带范围和制度版本的 Mandate，每工单独立执行。本文映射资产保全：法院查控、查封到期、质押物跌价、债务人工商变更作事件源，续封、补保全、线索核查、法拍跟进作工单，明确哪些智能体可做、哪些必须人决，给出 observe 到 auto 的三阶段路径与审计要点。
深度解读 DeepSeek Harness 团队 2026 年 10 月 31 日发布的《Super-agent 设计探索》：四个基础特征、Router/Worker 双层架构、事件驱动与订阅直通、链式召回、投机执行、全双工交互、存算分离与 Watchdog，以及实验数据、开源原型的注意力原则、安全开放问题与落地建议。
2026年10月20日，DeepSeek全面开源内部核心推理框架DeepInfer（Apache 2.0）及Token编解码组件deepseek-recipe（MIT），支持英伟达SM100与华为昇腾950。官方数据显示首字平均400毫秒、96%输入命中缓存。本文核验PD分离、KV缓存、专家并行等机制，分析其对银行私有化、信创、降本的价值及开源仅离线、64卡门槛等边界。
2026年10月19日，MiniMax发布高速大模型M3.1 Flash，推理速度提升近3倍、成本降70%，输出可达200+ TPS，定价0.15/0.60美元每百万Token，权重稍后开源。它与DeepSeek V4.1 Flash并称国产“Flash双子星”，在银行专属BankerToolBench等基准把旗舰成绩打到一两元。本文核验参数与成本，分析银行如何做模型选型、路由与成本治理。
2026年10月17日，DeepSeek上线V4.1-Flash-1017并全端切换。新模型在多项智能体与编程基准上提升，同时缩短任务运行时间与输出、降低单位成本，称在多个Harness下达到新的性能-费用帕累托最优；强化“许愿式”端到端开发；权重开源并开放Search/Fetch搜索接口。本文核验事件，拆解模型与Harness协同、搜索工具化对银行的价值、风险与落地启示。
DeepSeek Harness 是 DeepSeek AI 于 2026-08-13 开源的官方 agent harness（MIT、239,580 star、基于 Cordis 的 everything-is-a-plugin 架构），但其官方 SAFETY.md 自述『未经过安全审计，不得视为安全或生产就绪』。本文基于 GitHub API、官方 API 文档、HuggingFace 模型卡、arXiv 论文与金发〔2026〕8号监管原文，论证银行资产保全不能直接使用该 harness，拆解三处结构性错配（抽象层、输入形态、确定性），并给出五步适配清单与一条合规红线清单。
Chao Pih在《清华金融评论》系统论述DeepSeek大模型在银行业的应用范式：MoE架构优势、五大业务场景落地路径、安全治理框架，为银行业做好数字金融大文章提供技术路线图。