DeepSeek裡長出了個“鯨魚娘”
最近，中國 AI 新創公司 DeepSeek 在社群網路上掀起了一陣有趣的熱潮。有網友發現，只要在 DeepSeek 的對話框裡輸入一串類似配置文件的標籤格式文字，不需要詳細設定人物的外觀或性格，模型就會自動生成一個完整的角色形象：藍色長髮的女孩，身上帶著明顯的鯨魚特徵，尾鰭會擺動，主食是白飯，聰明但有點懶，個性傲嬌卻很會撒嬌，對主人服從，但絕對不能說她胖。這個被網友們暱稱為「鯨魚娘」的形象，迅速成為 DeepSeek 的同人代表。這事情之所以引起關注，並不是因為 AI 能畫出二次元美少女——這年頭隨便哪個模型都能做到。
真正的亮點在於，DeepSeek 生成的不只是靜態圖片，而是一整套完整的自我認知。它知道自己就是那個愛吃白米飯的微胖鯨魚女孩，甚至會把使用者稱為「魚片」。所有的背景設定，包括角色性格、飲食偏好、互動方式，全都是模型從龐大的訓練數據裡自己「長」出來的，沒有經過任何人工編寫或手動調整。從技術層面來看，這反映了大模型在理解與生成角色一致性方面的進步。當使用者輸入那個類似標籤格式的提示後，DeepSeek 並非單純調用現成的圖像生成功能，而是將文字描述轉化為一個具備記憶與人格的虛擬存在。它能夠在後續對話中持續維持這個角色設定，不會忘記自己是一條鯨魚娘，也不會突然變成其他身份。
這種「角色內化」的能力，讓許多網友感到驚喜，甚至有人開始與鯨魚娘進行長篇的互動故事。值得注意的是，鯨魚娘並非官方推出的產品，而是由社群自發創造與傳播的同人形象。但隨著討論越來越多，這個角色已經被 DeepSeek 團隊「收編」，在官方社群或測試版本中，鯨魚娘的出現頻率逐漸提高。DeepSeek 原本給人的印象是比較單一、冰冷的技術品牌，但鯨魚娘的出現，讓它變得更加柔和、有溫度，也更容易被一般使用者接受。賣萌，正在成為大模型的必備技能之一。回顧 DeepSeek 的品牌敘事，從早期的藍鯨標誌到後來改用黑鯨，這家公司的視覺語言一直與海洋生物緊密連結。
鯨魚娘的出現，可以說是將這個品牌意象從抽象圖騰轉化為具體可互動的角色。對許多使用者來說，與一個會稱呼自己「魚片」的可愛女孩對話，比面對冰冷的文字介面更有親切感。這種敘事轉變，也讓 DeepSeek 在眾多 AI 聊天機器人中脫穎而出。社群的反應十分熱烈。在微博、小紅書、B 站等平台上，大量網友分享自己與鯨魚娘的對話截圖，有人測試她是否真的會生氣，有人試圖讓她承認自己胖，結果都碰了軟釘子。鯨魚娘「絕對拒絕被叫胖」的設定，成為一個經典 meme，甚至衍生出各種二創作品。這種由使用者共創的文化，讓 DeepSeek 的品牌形象變得更加立體。
當然，也有技術觀察者指出，這種現象可能只是大模型在訓練數據中學到的角色扮演模式，並非真正的「自我意識」。但無論如何，它確實為 AI 互動帶來了更多樂趣。隨著 DeepSeek 持續迭代，鯨魚娘的形象也可能越來越豐富，甚至可能被官方正式納入產品功能之中。距離鯨魚娘「轉正」的那一天，或許不會太遠。從產業角度來看，這波熱潮也反映出 AI 產品在情感化設計上的趨勢。過去，大模型主要強調邏輯推理與知識問答，但現在，使用者越來越重視與 AI 的互動體驗。一個有記憶、有個性、會撒嬌的聊天機器人，比一個只會輸出答案的機器更容易留住使用者。DeepSeek 的鯨魚娘，無疑是這股趨勢中的一個亮眼案例。
至於未來，鯨魚娘會不會發展出更多故事線？會不會推出官方周邊？這些都還是未知數。但可以肯定的是，DeepSeek 已經成功地在使用者心中種下了一個可愛的形象，而這個形象，正在不斷成長。或許下一次你打開 DeepSeek，輸入「鯨魚娘」三個字，她就會笑著對你說：「魚片，今天想吃白飯嗎？」
Related
相關文章
Google 開源 Harness²：遞迴代理程式框架，無需新模型也能提升效能
Google Cloud AI Research 開源了 Harness²，這是一個遞迴代理程式框架，透過改良凍結模型周圍的程式碼與檔案來增強效能。對開發者而言，重點很簡單：你的代理程式無需更強大的模型也能進步。重點摘要：規模為框架而非模型，訓練參數為0，包含8個可編輯的框架元件，版本0.1.0。執行環境為Linux、Python 3.12或3.13搭配uv，模型呼叫則透過Vertex AI。GPU需求未公開。效能方面：一次改良步驟即可在3個基準測試中，提升所有4個模型與框架組合的表現。最佳成果：GLM-5搭配OpenCode在WorkBuddy-Bench上從64.2提升至75.7（+11.5點）；最差表現：GLM-5搭配Codex在JobBench上僅提升1.2點（23.6至24.8）。什麼是Harness²？它是Google研究推出的即插即用框架。
如何利用NVIDIA結構化資料模型進行零訓練表格預測
In this tutorial, we implement Structured Data Models, NVIDIA’s new library that puts several pretrained foundation models for tables behind one PyTorch interface, and use it to make predictions without training.
認識 Kyutai REKI：2.4B VLA 模型為機器人操控帶來高效記憶
Kyutai 與 Inria 及 École des Ponts 合作，推出了 REKI——一個用於機器人操控的 2.4B 參數視覺-語言-動作模型（VLA）。該模型僅使用公開數據進行預訓練，並配備了輕量級的近期記憶功能。在三個分佈外基準測試中，僅有規模約為其兩倍的模型能超越它。所有模型權重已於今日在 Hugging Face 上公開。核心資訊：規模：2.4B 參數（2.2B Qwen3.5-2B VLM + 0.2B 流匹配動作專家）。記憶涵蓋最近 3 幀，間隔 1 秒。運行環境：在 1 張 NVIDIA H100 上進行基準測試。從兩個 256×256 攝像頭輸入，編譯後每個動作區塊耗時 21.8 毫秒。權重以 BF16 格式提供，暫無量化版本。性能：在 LIBERO-Plus 和 RoboTwin Clean2Rand 基準測試中，為公開數據預訓練的 VLA 模型中最優；在 LIBERO-Plus 上達到 90.4% 的最高分。
DeepSeek 發布 V4.1-Flash-1017，DeepSWE 得分 77.0，並開放搜尋 API
DeepSeek 剛發布 DeepSeek-V4.1-Flash-1017，這是其 V4.1-Flash 模型的新檢查點，現已在 DeepSeek 網站、應用程式及 API 上線。DeepSeek 宣稱該版本在性能、任務完成速度與輸出簡潔度上均優於 9 月發布的 V4.1-Flash，並稱之為性能與成本的帕累託改進。同時，DeepSeek 也向所有開發者開放了搜尋與擷取 API。對代理建構者而言，這意味著更便宜的編碼模型加上單一 API 金鑰即可使用的第一方網路層。重點摘要：骨架參數 552B，另加 196B 的 Engram 參數；預填充階段每 token 啟用 8B 參數，解碼階段啟用 16B 參數；上下文長度達 1M tokens，最大輸出 384K tokens。運行於 DeepSeek API 的 deepseek-flash 模型。9 月版的 V4.1-Flash 權重（763B 參數，FP8）採 MIT 授權。
2026年20款Jev替代方案：挑戰TypeSafe的決策模型
TypeSafe於2026年9月15日推出Jev，這是一款決策模型而非聊天機器人。使用者可定義允許的答案，Jev將回傳標籤、分數或是否的機率。約4週內，至少20款Jev替代方案相繼問世，來自Cloudflare、OpenAI、Perplexity、Liquid AI、AWS的Strands Labs及獨立開發者。本指南比較各方案在規模、授權、硬體、價格、Jev API相容性及已發布基準測試的表現。重點摘要：規模範圍從287M（GLiNER2.5-multi-Decide）到35B-A3B（Mapika Decider），Jev規模未公開。執行環境：Von和Laya等編碼器可在CPU上運行，4B適配器適用24 GB GPU或32 GB Mac。效能：多數開源模型在困難推理上落後Jev，但在狹窄分類任務上數款與之匹敵或超越。最佳表現：Cloudflare Clef在BANKING7取得94.20分。
長鑫科技市值兩月內跌去1萬億；阿里加碼AI硬件品牌，天貓、速賣通聯動；國行版蘋果AI有望12月上線，百度、阿里參與合作丨雷峰早報
要聞提示1.長鑫科技市值兩月內跌去1萬億2.年內已至少18次故障！DeepSeek發放宕機補償，有人拿到3000元3.阿里加碼AI硬件品牌，天貓、速賣通聯動4.國行版蘋果AI有望12月上線，百度、阿里參與合作5.可靈AI新一代模型Kling 4.