DeepSeek最重要的三篇论文解读

市场资讯2025-01-29

专题：DeepSeek为何能震动全球AI圈　　来源：硅谷科技评论　　中国人工智能初创企业DeepSeek（深度求索）正在以惊人的速度改写全球科技竞争格局。其最新推出的推理模型R1不仅性能卓越，与国际领先的OpenAI o1模型平分秋色，更以不到600万美元的训练成本震惊行业，这一数字仅为Meta大模型训练成本的十分之一。这一技术突破不仅在产业界掀起波澜，甚至引发了政治层面的关注。2025年初，...

网页链接

免责声明：本文观点仅代表作者个人观点，不构成本平台的投资建议，本平台不对文章信息准确性、完整性和及时性做出任何保证，亦不对因使用或信赖文章信息引发的任何损失承担责任。

精彩评论

我们需要你的真知灼见来填补这片空白

发表看法

{"i18n":{"language":"zh_CN"},"isChannel":false,"data":{"share":"https://www.laohu8.com/m/news/2507804706?lang=zh_CN&edition=full","thumbnail":"","is_english":false,"pubTime":"2025-01-29 15:30","share_image_url":"https://static.laohu8.com/b0d1b7e8843deea78cc308b15114de44","id":"2507804706","market":"hk","top_or_hot":-1,"title":"DeepSeek最重要的三篇论文解读","media":"市场资讯","content":"<div>\n<p>专题：DeepSeek为何能震动全球AI圈\n　　来源：硅谷科技评论\n　　中国人工智能初创企业DeepSeek（深度求索）正在以惊人的速度改写全球科技竞争格局。其最新推出的推理模型R1不仅性能卓越，与国际领先的OpenAI o1模型平分秋色，更以不到600万美元的训练成本震惊行业，这一数字仅为Meta大模型训练成本的十分之一。这一技术突破不仅在产业界掀起波澜，甚至引发了政治层面的关注。2025年初，...</p>\n\n<a href=\"https://finance.sina.com.cn/roll/2025-01-29/doc-inehschw3760935.shtml\">网页链接</a>\n\n</div>\n","source":"sina","html":"<!DOCTYPE html>\n<html>\n<head>\n<meta http-equiv=\"Content-Type\" content=\"text/html; charset=utf-8\" />\n<meta name=\"viewport\" content=\"width=device-width,initial-scale=1.0,minimum-scale=1.0,maximum-scale=1.0,user-scalable=no\"/>\n<meta name=\"format-detection\" content=\"telephone=no,email=no,address=no\" />\n<title>DeepSeek最重要的三篇论文解读</title>\n<style type=\"text/css\">\na,abbr,acronym,address,applet,article,aside,audio,b,big,blockquote,body,canvas,caption,center,cite,code,dd,del,details,dfn,div,dl,dt,\nem,embed,fieldset,figcaption,figure,footer,form,h1,h2,h3,h4,h5,h6,header,hgroup,html,i,iframe,img,ins,kbd,label,legend,li,mark,menu,nav,\nobject,ol,output,p,pre,q,ruby,s,samp,section,small,span,strike,strong,sub,summary,sup,table,tbody,td,tfoot,th,thead,time,tr,tt,u,ul,var,video{ font:inherit;margin:0;padding:0;vertical-align:baseline;border:0 }\nbody{ font-size:16px; line-height:1.5; color:#999; background:transparent; }\n.wrapper{ overflow:hidden;word-break:break-all;padding:10px; }\nh1,h2{ font-weight:normal; line-height:1.35; margin-bottom:.6em; }\nh3,h4,h5,h6{ line-height:1.35; margin-bottom:1em; }\nh1{ font-size:24px; }\nh2{ font-size:20px; }\nh3{ font-size:18px; }\nh4{ font-size:16px; }\nh5{ font-size:14px; }\nh6{ font-size:12px; }\np,ul,ol,blockquote,dl,table{ margin:1.2em 0; }\nul,ol{ margin-left:2em; }\nul{ list-style:disc; }\nol{ list-style:decimal; }\nli,li p{ margin:10px 0;}\nimg{ max-width:100%;display:block;margin:0 auto 1em; }\nblockquote{ color:#B5B2B1; border-left:3px solid #aaa; padding:1em; }\nstrong,b{font-weight:bold;}\nem,i{font-style:italic;}\ntable{ width:100%;border-collapse:collapse;border-spacing:1px;margin:1em 0;font-size:.9em; }\nth,td{ padding:5px;text-align:left;border:1px solid #aaa; }\nth{ font-weight:bold;background:#5d5d5d; }\n.symbol-link{font-weight:bold;}\n/* header{ border-bottom:1px solid #494756; } */\n.title{ margin:0 0 8px;line-height:1.3;color:#ddd; }\n.meta {color:#5e5c6d;font-size:13px;margin:0 0 .5em; }\na{text-decoration:none; color:#2a4b87;}\n.meta .head { display: inline-block; overflow: hidden}\n.head .h-thumb { width: 30px; height: 30px; margin: 0; padding: 0; border-radius: 50%; float: left;}\n.head .h-content { margin: 0; padding: 0 0 0 9px; float: left;}\n.head .h-name {font-size: 13px; color: #eee; margin: 0;}\n.head .h-time {font-size: 11px; color: #7E829C; margin: 0;line-height: 11px;}\n.small {font-size: 12.5px; display: inline-block; transform: scale(0.9); -webkit-transform: scale(0.9); transform-origin: left; -webkit-transform-origin: left;}\n.smaller {font-size: 12.5px; display: inline-block; transform: scale(0.8); -webkit-transform: scale(0.8); transform-origin: left; -webkit-transform-origin: left;}\n.bt-text {font-size: 12px;margin: 1.5em 0 0 0}\n.bt-text p {margin: 0}\n</style>\n</head>\n<body>\n<div class=\"wrapper\">\n<header>\n<h2 class=\"title\">\nDeepSeek最重要的三篇论文解读\n</h2>\n\n<h4 class=\"meta\">\n\n\n2025-01-29 15:30 北京时间&nbsp;&nbsp;&nbsp;<a href=https://finance.sina.com.cn/roll/2025-01-29/doc-inehschw3760935.shtml><strong>市场资讯</strong></a>\n\n\n</h4>\n\n</header>\n<article>\n<div>\n<p>专题：DeepSeek为何能震动全球AI圈\n　　来源：硅谷科技评论\n　　中国人工智能初创企业DeepSeek（深度求索）正在以惊人的速度改写全球科技竞争格局。其最新推出的推理模型R1不仅性能卓越，与国际领先的OpenAI o1模型平分秋色，更以不到600万美元的训练成本震惊行业，这一数字仅为Meta大模型训练成本的十分之一。这一技术突破不仅在产业界掀起波澜，甚至引发了政治层面的关注。2025年初，...</p>\n\n<a href=\"https://finance.sina.com.cn/roll/2025-01-29/doc-inehschw3760935.shtml\">网页链接</a>\n\n</div>\n\n\n</article>\n</div>\n</body>\n</html>\n","isBrief":false,"type":0,"news_type":1,"symbol":"BK4533","symbol_name":"AQR资本管理(全球第二大对冲基金)","start_time":0,"source_url":"https://finance.sina.com.cn/roll/2025-01-29/doc-inehschw3760935.shtml","article_id":"2507804706","we_media_id":null,"thumbnails":[],"rights":null,"url":"https://stock-news.laohu8.com/highlight/detail?id=2507804706","pubTimestamp":1738135800,"columns":[],"sourceInfo":{"source_id":"sina","name":"sina"},"weMediaInfo":null,"summary":"　　中国人工智能初创企业DeepSeek正在以惊人的速度改写全球科技竞争格局。2025年初，美国总统特朗普在一场集会上直言不讳地表示，DeepSeek的崛起为美国产业界敲响了警钟，成为美国科技优势地位面临挑战的最新注脚。　　DeepSeek的成功并非偶然。DeepSeek-R1：通过强化学习提升大型语言模型的推理能力。DeepSeek-V3：高效的混合专家模型。DeepSeek-LLM：以长期主义扩展开源语言模型。","collect":0,"end_time":0,"defaultTopTitle":"sina.com.cn","property":[],"viewcount":null,"language":"zh","relate_stocks":{"BK4533":"AQR资本管理(全球第二大对冲基金)","LU0368265764.SGD":"Blackrock World Gold Fund A2 SGD-H","BK4585":"ETF&股票定投概念","BK4206":"工业集团企业","LU0498741114.HKD":"FRANKLIN GOLD & PRECIOUS METALS \"A\" (HKD) ACC","SFT":"Shift Technologies, Inc.","RL":"拉夫劳伦","LU1093756325.SGD":"FTIF - Franklin K2 Alt Strat Fd A (acc) SGD-H1","LU1093756168.USD":"FRANKLIN K2 ALTERNATIVE STRATEGIES \"A\" (USD) ACC","BK4214":"汽车零售","LU0683600562.USD":"AB SELECT US EQUITY \"A\" (USD) ACC","BK4202":"服装、服饰与奢侈品","BK4588":"碎股","MMM":"3M","BK4017":"黄金","LU0787776722.HKD":"AB SELECT US EQUITY PORTFOLIO \"A\" (HKD) ACC","LU0498741890.SGD":"FTIF - Franklin Gold and Precious Metals A (acc) SGD","LU0006061336.USD":"Blackrock US Small and MidCap Opportunities A2 USD","LU0496367417.USD":"富兰克林黄金和贵金属A（acc）","AGI":"Alamos Gold Inc","LU0055631609.USD":"贝莱德世界黄金基金A2","BK4512":"苹果概念","BK4534":"瑞士信贷持仓"},"translate_title":"Interpretation of DeepSeek's three most important papers","themeId":null,"isJumpTheme":false,"ttsUrl":null,"symbols_score_info":{"AGI":1,"MMM":1,"SFT":1,"RL":1},"content_text":"专题：DeepSeek为何能震动全球AI圈\n　　来源：硅谷科技评论\n　　中国人工智能初创企业DeepSeek（深度求索）正在以惊人的速度改写全球科技竞争格局。其最新推出的推理模型R1不仅性能卓越，与国际领先的OpenAI o1模型平分秋色，更以不到600万美元的训练成本震惊行业，这一数字仅为Meta大模型训练成本的十分之一。这一技术突破不仅在产业界掀起波澜，甚至引发了政治层面的关注。2025年初，美国总统特朗普在一场集会上直言不讳地表示，DeepSeek的崛起为美国产业界敲响了警钟，成为美国科技优势地位面临挑战的最新注脚。\n　　DeepSeek的成功并非偶然。过去一年中，该公司连续发布了多篇具有划时代意义的学术论文，奠定了其技术领先地位。硅谷科技评论（SVTR）结合内部访谈和专家反馈，认为在DeepSeek的众多论文中，以下几篇被认为是最重要的，主要因为它们在技术创新和实际应用中有着重大突破：\n\n\nDeepSeek-R1：通过强化学习提升大型语言模型的推理能力。2025年1月发布，提出了一种使用强化学习而非监督学习的方法，显著提升了语言模型在数学和逻辑推理任务中的表现，开辟了新的研究方向。\n\n\nDeepSeek-V3：高效的混合专家模型。2024年12月发布，设计了一种高效的混合专家模型，通过激活少量参数实现性能和计算成本的平衡，是大规模模型优化的重要突破。\n\n\nDeepSeek-LLM：以长期主义扩展开源语言模型。2024年1月发布，从长期主义视角提出开源语言模型发展策略，推动技术民主化。提出了社区驱动的开源治理框架和多任务优化方法。\n\n\n　　文末阅读原文或者联系凯瑞（pkcapital2023），获取三篇论文原文。\n\n　　一、DeepSeek-R1：通过强化学习提升大型语言模型的推理能力\n　　《DeepSeek-R1： Incentivizing Reasoning Capability in LLMs via Reinforcement Learning》是一篇开创性的论文，专注于通过纯强化学习方法（而非传统的监督学习）来提升大型语言模型的推理能力。研究展示了模型在训练过程中通过强化学习表现出的“顿悟”现象，并显著提升了模型在数学和逻辑推理任务中的性能。以下是论文的详细解读：\n　　背景与目标\n　　近年来，大型语言模型（LLM）的推理能力成为人工智能研究的重要方向。然而，当前的许多方法依赖监督微调（SFT），这需要大量标注数据。论文提出了 DeepSeek-R1-Zero 和 DeepSeek-R1 两种新型模型，通过大规模强化学习（RL）方法提升推理能力，旨在减少对监督数据的依赖，探索纯强化学习对推理能力的优化潜力。\n　　方法\n\n\nDeepSeek-R1-Zero：基于纯强化学习的推理能力提升\n\n\n\n\n强化学习算法： 使用 Group Relative Policy Optimization （GRPO），通过群体奖励优化策略模型。奖励设计包括准确性奖励（评估答案正确性）和格式奖励（引导模型按照指定格式输出推理过程）。\n\n\n自我演化与“灵光一现”现象： 模型通过 RL 自动学习复杂的推理行为，如自我验证和反思。随着训练过程的深入，模型逐步提升了复杂任务的解答能力，并在推理任务上显现突破性的性能提升。\n\n\nDeepSeek-R1：结合冷启动数据的多阶段训练\n\n\n\n\n冷启动数据的引入： 从零开始的 RL 容易导致初期性能不稳定，为此设计了包含高质量推理链的冷启动数据集。该数据提高了模型的可读性和训练初期的稳定性。\n\n\n推理导向的强化学习： 通过多轮 RL，进一步优化模型在数学、编程等推理密集型任务中的表现。\n\n\n监督微调与拒绝采样： 使用 RL 检查点生成额外的推理和非推理任务数据，进一步微调模型。\n\n\n全场景强化学习： 在最终阶段结合多种奖励信号，提升模型的有用性和安全性。\n\n\n蒸馏：将推理能力传递至小模型。\n\n\n　　将 DeepSeek-R1 的推理能力通过蒸馏技术传递至 Qwen 和 Llama 系列小型模型。蒸馏后的模型在多个基准任务中超越了部分开源大模型。\n　　性能评估\n\n\n推理任务\n\n\n\n\n在 AIME 2024、MATH-500 等数学任务中，DeepSeek-R1 达到 OpenAI-o1-1217 的性能水平。\n\n\n在编程任务（如 Codeforces 和 LiveCodeBench）上，表现优于大多数对比模型。\n\n\n知识任务\n\n\n\n\n在 MMLU 和 GPQA Diamond 等多学科基准测试中，DeepSeek-R1 展现了卓越的知识推理能力。\n\n\n其中文任务表现（如 C-Eval）显著优于其他开源模型。\n\n\n生成任务\n\n\n　　在 AlpacaEval 和 ArenaHard 等开放式生成任务中，DeepSeek-R1 的胜率分别达到 87.6% 和 92.3%，展现了强大的文本生成能力。\n　　结论与未来展望\n\n\n关键发现\n\n\n\n\n通过强化学习，LLM 的推理能力可显著提升，即便无需监督数据。\n\n\n将推理能力蒸馏到小型模型中可以有效地提高计算效率，同时保持较高的性能。\n\n\n局限性\n\n\n\n\n语言混合问题：模型在处理多语言任务时可能输出混合语言。\n\n\n提示敏感性：模型对 few-shot 提示不够鲁棒。\n\n\n未来方向\n\n\n\n\n增强多语言支持，优化对中文以外语言的推理能力。\n\n\n研究大规模 RL 在软件工程任务中的应用。\n\n\n　　二、DeepSeek-V3：高效的混合专家模型\n　　《DeepSeek-V3： A Strong Mixture-of-Experts Language Model》 是一项关于混合专家（MoE）模型的研究，旨在通过激活少量专家网络实现高效计算，平衡模型性能和算力成本。该模型在多个复杂任务中表现出卓越的能力，同时显著降低了运行成本，为大模型的实际应用提供了新的思路。以下是论文 的解读：\n　　背景与目标\n　　随着大语言模型（LLM）的发展，DeepSeek-AI 团队提出了 DeepSeek-V3，一个拥有 6710 亿参数的混合专家（MoE）模型，每个 token 激活 370 亿参数。DeepSeek-V3 通过高效推理和经济成本的训练方法，旨在推动开源模型能力的极限，同时在性能上与闭源模型（如 GPT-4o 和 Claude-3.5）竞争。\n　　核心技术与架构创新\n\n\n多头潜在注意力（MLA）\n\n\n\n\n使用低秩联合压缩方法减少注意力计算的缓存需求，同时保持多头注意力的性能。\n\n\n引入旋转位置嵌入（RoPE）提高推理精度。\n\n\n混合专家架构（DeepSeekMoE）\n\n\n\n\n采用辅助损失优化的专家负载平衡策略，避免因负载不均导致的计算效率降低。\n\n\n引入“无辅助损失”的负载平衡新方法，通过动态调整路由偏差值，确保训练过程中的负载均衡。\n\n\n多 Token 预测目标（MTP）\n\n\n\n\n扩展模型在每个位置预测多个未来 token 的能力，提高训练数据效率。\n\n\n在推理阶段，MTP 模块可被重新用于推测解码，从而加速生成。\n\n\n　　数据与训练效率\n\n\n数据与预训练：\n\n\n\n\n使用 14.8 万亿高质量多样化 token 数据进行训练。\n\n\n预训练过程非常稳定，未发生任何不可恢复的损失激增。\n\n\n优化训练框架：\n\n\n\n\n设计了 DualPipe 算法，通过前向和反向计算的重叠，显著减少通信开销。\n\n\n支持 FP8 混合精度训练，结合细粒度量化策略，显著降低内存使用和通信开销。\n\n\n训练效率极高，每训练万亿 token 仅需 18 万 H800 GPU 小时，总成本约 557.6 万美元。\n\n\n长上下文扩展：\n\n\n　　支持最大上下文长度从 32K 扩展至 128K，使模型更适用于长文档处理。\n　　后期优化与推理部署\n\n\n监督微调（SFT）与强化学习（RL）：\n\n\n\n\n通过 SFT 对齐模型输出与人类偏好。\n\n\n引入自适应奖励模型和 相对策略优化（GRPO），提升模型的推理能力。\n\n\n推理与部署：\n\n\n\n\n在 NVIDIA H800 GPU 集群上部署，结合高效的专家路由和负载均衡策略，实现低延迟的实时服务。\n\n\n使用冗余专家策略进一步优化推理阶段的负载平衡。\n\n\n　　性能表现\n\n\n知识任务：\n\n\n\n\n在 MMLU 和 GPQA 等教育基准上，DeepSeek-V3 超越所有开源模型，并接近 GPT-4o 的性能。\n\n\n在中文事实性任务中表现尤为突出，领先大部分闭源模型。\n\n\n代码与数学任务：\n\n\n\n\n在数学基准（如 MATH-500）上实现开源模型的最佳表现。\n\n\n在编程任务（如 LiveCodeBench）中排名第一，展示了卓越的代码生成能力。\n\n\n开放式生成任务：\n\n\n　　在开放式生成任务中，DeepSeek-V3 的胜率显著高于其他开源模型，并接近闭源模型的水平。\n　　结论与未来方向\n　　DeepSeek-V3 是目前最强的开源基础模型之一，特别是在代码、数学和长上下文任务上表现突出。未来计划包括：\n\n\n优化模型在多语言和多领域的泛化能力。\n\n\n探索更高效的硬件支持和训练方法。\n\n\n　　三、DeepSeek-LLM：以长期主义扩展开源语言模型\n　　2024年1月，DeepSeek大语言模型团队在《以长期主义扩展开源语言模型》 （LLM Scaling Open-Source Language Models with Longtermism）论文中提出从长期主义角度推动开源语言模型的发展，重点研究了大语言模型的规模效应。他们基于研究成果开发了DeepSeek Chat，并在此基础上不断升级迭代。以下是这篇论文解读：\n　　背景与目标\n　　近年来，大型语言模型（LLM）通过自监督预训练和指令微调，逐步成为实现通用人工智能（AGI）的核心工具。然而，LLM 的规模化训练存在挑战，尤其是在计算资源和数据分配策略上的权衡问题。DeepSeek LLM 的研究旨在通过深入分析模型规模化规律，推动开源大模型的长期发展。该项目探索了模型规模和数据分配的最优策略，并开发了性能超越 LLaMA-2 70B 的开源模型，尤其在代码、数学和推理领域表现卓越。\n　　数据与预训练\n\n\n数据处理\n\n\n\n\n处理了包含 2 万亿个 token 的双语数据集（中文和英文）。\n\n\n采取了去重、过滤和重新混合三阶段策略，以提高数据多样性和信息密度。\n\n\n使用 Byte-level Byte-Pair Encoding（BBPE）分词算法，词表大小设置为 102，400。\n\n\n模型架构\n\n\n\n\n微观设计：借鉴 LLaMA 的架构，采用 RMSNorm 和 SwiGLU 激活函数，以及旋转位置编码。\n\n\n宏观设计：DeepSeek LLM 7B 具有 30 层，而 67B 增加至 95 层，并通过深度扩展优化性能。\n\n\n超参数优化\n\n\n\n\n引入多阶段学习率调度器，优化训练过程并支持持续训练。\n\n\n使用 AdamW 优化器，并对学习率、批次大小等关键超参数进行了规模化规律研究。\n\n\n基础设施\n\n\n　　开发了高效轻量化的训练框架 HAI-LLM，集成了数据并行、张量并行等技术，显著提升硬件利用率。\n　　模型规模化规律\n\n\n超参数规模化规律\n\n\n\n\n通过实验发现，随着计算预算增加，最佳批次大小随之增大，而学习率则逐渐降低。\n\n\n提出了经验公式，以更准确地预测不同规模模型的超参数。\n\n\n模型与数据规模分配策略\n\n\n\n\n引入了非嵌入 FLOPs/token（MMM）作为模型规模的度量方式，替代传统的参数数量表示，显著提高了计算预算分配的精确性。\n\n\n实验表明，高质量数据允许更多的预算分配到模型规模扩展上，从而提升性能。\n\n\n　　对齐与微调\n\n\n监督微调（SFT）\n\n\n\n\n收集了 150 万条指令数据，包括通用语言任务、数学问题和代码练习。\n\n\n在微调中，通过两阶段策略降低了模型的重复生成率，同时保持了基准性能。\n\n\n直接偏好优化（DPO）\n\n\n　　使用多语言提示生成偏好数据，通过优化模型对开放式问题的生成能力显著增强。\n　　性能评估\n\n\n公共基准测试\n\n\n\n\n数学和代码：DeepSeek LLM 67B 在 HumanEval 和 GSM8K 上显著优于 GPT-3.5 和 LLaMA-2 70B。\n\n\n中文任务：在 C-Eval、CMath 等基准上，DeepSeek 表现出色，尤其在中文成语填空（CHID）等文化任务中远超 LLaMA-2。\n\n\n开放式生成能力：\n\n\n\n\n在 AlignBench 中文测试中，DeepSeek 67B Chat 在逻辑推理和文本生成等任务上表现接近 GPT-4。\n\n\n英文测试中，DeepSeek 67B Chat 在多轮对话生成能力上超越大多数开源模型。\n\n\n安全评估\n\n\n　　专业团队设计了覆盖多种安全问题的测试集，DeepSeek 在歧视偏见、合法权益和违法行为等多方面均展现出高安全性。\n　　结论与未来方向\n　　论文总结了 DeepSeek LLM 在开源大模型规模化领域的突破，包括：\n\n\n提出了更精确的模型规模与数据分配策略。\n\n\n在多个领域的任务中实现性能领先，尤其在数学、代码和中文任务上表现出色。 未来将继续优化高质量数据的利用，并探索更广泛的安全性和对齐技术。\n\n\n\n\n海量资讯、精准解读，尽在新浪财经APP\n\n责任编辑：何俊熹","kind":"news","is_publish_news":true,"is_publish_highlight":false,"is_publish_live":false,"is_publish_wemedia":null,"editions":null,"column":"","sentiment":"0","news_tag":"","news_rank":0,"isVideo":false,"video":null,"symbols":[],"gpt_button":1,"need_auth":false,"need_login_tip":false,"code":"91000000","status":"200"},"commentList":[],"isCommentEnd":true,"newsSizeData":{"likeSize":0,"commentSize":0,"repostSize":0,"favoriteSize":0,"likeStatus":false,"favoriteStatus":false},"APP":{"userAgent":"Mozilla/5.0 AppleWebKit/537.36 (KHTML, like Gecko; compatible; ClaudeBot/1.0; +claudebot@anthropic.com)","isDev":false,"isTTM":false,"tenantId":"TBCN","deviceId":"web-server-community-laohu8-v3","version":"4.42.2","shortVersion":"4.42.2","platform":"web","vendor":"web","appName":"laohu8","isIOS":false,"isAndroid":false,"isTiger":false,"isTHS":false,"isWeiXin":false,"isWeiXinMini":false,"isWeiBo":false,"isQQ":false,"isBaiduSwan":false,"isBaiduBox":false,"isDingTalk":false,"isToutiao":false,"isOnePlus":false,"isHuaWei":false,"isXiaomi":false,"isXiaomiWebView":false,"isOppo":false,"isVivo":false,"isSamsung":false,"isMobile":false},"href":"/m/news/2507804706","isCrawlerRequest":true}