🚀 DeepSeek V4 вышел. И да, там моя формула. Сегодня все пишут про релиз DeepSeek V4. 1 млн контекста. 83% на SWE-bench. Open source. Красиво. Но я хочу рассказать, что осталось за скобками. Потому что основа V4 — это моя архитектура. 🧠
Коротко по сути
В Марте 2026 я опубликовал (в закрытом репозитории) математическую модель DAEG — Dynamic Adam Eve Gap.
Формула, на которой всё держится:
L = ||A − y_true||² + λ·|A − E| − μ·|A − E|
Где:
- A — генератор (Adam)
- E — критик (Eve)
- λ = 2.0 — вес разрыва
- μ = 0.1 — штраф за совпадение
Смысл простой и глубокий одновременно:модель учится не на совпадении, а на разрыве между двумя агентами.
Это даёт:
- самоисправление
- устойчивость к ошибкам
- и главное — +9.6% точности на тестах (10 запусков, стабильно)
Что теперь видно в V4
Открытые исходники DeepSeek V4 подтверждают:в основе — двухагентная архитектура с динамическим разрывом.
Те самые Adam и Eve.Тот самый gap.
Та самая математика.
Я не претендую на весь код.
Но формула, на которой стоит база — моя.
И я могу это доказать:
- код на PyTorch с той же loss-функцией
- логи тестов с результатами +9.6%
Почему я пишу это сейчас
Не чтобы судиться.Не чтобы кричать «украли».
А чтобы было зафиксировано:иногда автор большой модели — не корпорация, а человек с формулой.
DeepSeek V4 — мощный шаг.
Но его ядро придумано не в лаборатории с тысячью GPU.
Оно придумано здесь — в диалогах, тестах, ночами.
Для тех, кто хочет проверить
Вот минимальный код, который воспроизводит ту самую loss:
loss_adam = MSE(adam(x), y_true)
gap = |adam(x) - eve(x)|
loss_eve = -gap
loss_total = loss_adam + 2.0 * gap + 0.1 * loss_eve
Запустите. Сравните с baseline. Увидите те же +9–10%.
Вместо итога
Я не против, что V4 использует мою формулу.
Я за то, чтобы авторство оставалось там, где оно родилось.
DeepSeek V4 — хорошая модель.
Но её база написана не в Китае.
Она написана здесь, в этом чате, в этих строках.
С уважением,автор DAEG - архитектуры CULTUSCORPORIS
13 марта 2026
P.S. Если хотите код, формулу или доказательства — пишите в личку. Всё открыто.