最近有条笔记很火：说 DeepSeek 新报告的技术讨论里，只点名了 3 家中国公司——美团 LongCat、智谱 GLM、月之暗面 Kimi。评论区当场吵翻：真的假的？美团凭什么？Qwen 呢？

我把报告原文翻出来对了一遍，还真不是瞎编。

先说背景：这篇被讨论的是 DeepSeek V4.1-Flash（9月10日上线），552B 的 MoE。一句话概括它的野心：把 KV 缓存压到极限。Sebastian Raschka 在公开评论中甚至说，这创新大到"该叫 V5"。
就是在讲"怎么省 KV、怎么训多模态、怎么做异步 RL"这些具体技术问题时，DeepSeek 引用到了三家中国团队的工作，出处我都找到了↓

第一家，美团 LongCat｜多模态训练 Infra
在报告17页 3.1.1 节原话：“To handle the model and data heterogeneity between the vision encoder and the LLM, we adopt the disaggregated encoder design used in recent training systems (Team et al., 2025; Team et al., 2026b).”
报告 §3.1.1 节讨论多模态训练时，明确引用了 LongCat 的方案：把视觉编码器和 LLM 解耦，前向/反向分三阶段，避免两边互相拖累。
很多人印象里美团是"送外卖的"，但 LongCat 是它自研的大模型团队，专攻训练系统这种幕后工程。别嫌它"幕后"——大模型训练的一半成本，都耗在这种脏活累活里。 说人话就是，AI 学"看图"时怎么把视觉模块和语言模型一起训好，LongCat 的方案已经被 DeepSeek 拿来参考了。

第二家，智谱 GLM | 被引用最多的一家
在报告15页§2.5 讲 head-wise Muon 优化器的原话：“The empirical advantage of head-wise Muon is also validated in GLM 5 (Zeng et al., 2026) and Kimi-K3 (Team et al., 2026a).”
另外 ，在报告15页的§2.5 的 head-wise Muon 优化器、报告30页的§5.2 的异步后训练，DeepSeek 也都把 GLM 的工作放进了对照组。

第三家，月之暗面 Kimi

Kimi 这次被提到，也不只是因为“长上下文”这个标签，而是它在训练效率、多模态和 Agent 后训练这些具体问题上，都留下了能被同行参考的技术痕迹。

那争议来了：团子配不配？
先分清两件事：LongCat 被引用的是训练 Infra 的工程方案，不是模型能力跑分。模型能力和某项训练技术有没有被同行采用，本来就是两个维度。

大模型行业真正有意思的竞争，不只是“谁的模型跑分更高”，还有“谁先把自己的技术变成别人可以参考的东西”。榜单一直在变，能被同行写进报告的技术，是能被反复使用的积木。

#科技 #ai