DeepSeek：花小钱办大事｜肘子的 Swift 周报 #068

DeepSeek：花小钱办大事

DeepSeek 推出的新模型无疑是近期科技界最耀眼的明星。他们以极低的训练成本，打造出了性能不逊于当前主流大模型的 AI 系统。从个人使用体验来看，DeepSeek 的 V3 和 R1 在相当多的场景下足以满足我的需求。令人惊讶的是，其训练成本仅为数百万美元，这一数字引发了业内的广泛关注和质疑。一些从业者甚至将此视为“认知作战”，难以置信。然而，其 API 定价仅为主流模型的几十分之一，这无疑是对其训练高效性的最佳佐证。更令人钦佩的是，DeepSeek 选择开源其模型的训练方法与推理机制，这一举措有望推动更多低成本、高质量的 AI 模型涌现，为用户带来优质且价格亲民的 AI 服务。

然而，DeepSeek 的成功能否促使行业巨头调整模型发展路线，却是一个值得深思的问题。自 OpenAI 用“大力出奇迹”的方式证明 LLM 的潜力以来，AI 行业几乎全盘接受了“资源至上”的信条：资金、算力与顶尖人才成为制胜法宝。如今，AI 产业已演变为一场资本的狂欢盛宴。无论产品是否盈利，只要宣布购买了大量显卡，公司的股价就能水涨船高。在“求快、求大”的行业风潮下，大多数从业者已深陷其中，难以自拔。

在这样的环境中，创新往往被巨额资源所稀释。当行业领导者将注意力集中在如何花钱时，像 DeepSeek 这样以有限资源实现突破的做法显得尤为珍贵。或许正是因为资源的稀缺，他们才得以另辟蹊径，寻找全新的技术路径。中国有句古语：“从俭入奢易，从奢入俭难”。那些习惯于高投入、大规模资源配置的头部 AI 企业，在短期内转变思维模式无疑是困难的。即使 DeepSeek 的方法能够提供一些启发，但如果没有彻底的理念变革，这些企业在降低训练成本上将难以取得持续的显著进展。

我也衷心希望 DeepSeek 在未来获得更多资源后，能够保持对有限资源的高效利用，不被丰沛的资源所累。DeepSeek 的成功不仅是技术的胜利，更是开源精神的胜利，是一次未被资本裹挟的成功，也是真正值得期待的成功。

vation在 SwiftUI 之外的使用存在诸多局限性，尤其是在 Swift 6 的语言模式下，建议优先采用更成熟的Combine框架进行可靠的属性观察。

Tuist Registry 上线 (Announcing Tuist Registry)[14]

Swift Package Manager（SwiftPM）尽管无需依赖中心化的包注册服务，而是直接从源代码库管理依赖，但这种去中心化的机制也带来了一些副作用：

• 存储和效率问题：克隆一个包时会下载完整的 Git 历史，导致磁盘空间浪费。
• 非确定性构建：Git 仓库的版本标签可能被重新分配，造成构建结果不一致。
• 可用性风险：如果依赖的 Git 仓库被移动或删除，后续构建将失败。
• 速度瓶颈：对于历史记录较大的项目，克隆仓库的速度会明显变慢。

为了解决这些问题，几天前 Tuist 宣布了全新的服务 ——Tuist Registry。该服务基于 Swift Package Registry 提案SE-0292[15]实现，允许开发者直接下载所需版本的源码归档文件，而无需下载整个 Git 历史。这一改进显著提升了依赖解析的效率，节省时间和磁盘空间，使得本地开发和持续集成（CI）更高效、更可靠。

在这篇文章中，Marek Fořt[16]详细介绍了 Tuist Registry 的优势及其使用方法。