DEEPTECH

滴普科技 01384.HK价格

DEEPTECH
¥0
+¥0(0.00%)
无数据

*页面数据最近更新时间:2026-04-14 20:20 (UTC+8)

至 2026-04-14 20:20,滴普科技 01384.HK (DEEPTECH) 股票价格报 ¥0,总市值 --,市盈率 0.00,股息率 0.00%。 当日股票价格在 ¥0 至 ¥0 之间波动,当前价格较日内低点高 0.00%,较日内高点低 0.00%,成交量 --。 过去 52 周,DEEPTECH 股票价格区间为 ¥0 至 ¥0,当前价格距 52 周高点 0.00%。

DEEPTECH 关键数据

市盈率0.00
股息收益率 (TTM)0.00%
流通股数0.00

滴普科技 01384.HK (DEEPTECH) FAQ

滴普科技 01384.HK (DEEPTECH) 今天的股价是多少?

x
滴普科技 01384.HK (DEEPTECH) 当前报价 ¥0,24 小时变动 0.00%。52 周交易区间为 ¥0–¥0。

滴普科技 01384.HK (DEEPTECH) 的 52 周最高价和最低价是多少?

x

滴普科技 01384.HK (DEEPTECH) 的市盈率 (P/E) 是多少?说明了什么?

x

滴普科技 01384.HK (DEEPTECH) 的市值是多少?

x

滴普科技 01384.HK (DEEPTECH) 最近一季的每股收益 (EPS) 是多少?

x

滴普科技 01384.HK (DEEPTECH) 现在该买入还是卖出?

x

哪些因素会影响 滴普科技 01384.HK (DEEPTECH) 的股价?

x

如何购买 滴普科技 01384.HK (DEEPTECH) 股票?

x

风险提示

股票市场具有高风险和价格波动性。您的投资价值可能会增加或减少,且您可能无法收回全部投资金额。过往表现并非未来业绩的可靠指标。在做出任何投资决策之前,您应仔细评估自身的投资经验、财务状况、投资目标和风险承受能力,并自行进行研究。如有需要,请咨询独立的财务顾问。

免责声明

本页面内容仅供参考,不构成投资建议、财务建议或交易推荐。Gate 不对因此类财务决策而造成的任何损失或损害承担责任。此外,请注意 Gate 可能无法在某些市场和司法管辖区提供全部服务,包括但不限于美国、加拿大、伊朗和古巴。有关受限地区的更多信息,请参阅《用户协议》的相关条款。

其他交易市场

滴普科技 01384.HK (DEEPTECH) 热门帖子

matic填坑工

matic填坑工

04-05 22:45
>   炒股就看金麒麟分析师研报,权威,专业,及时,全面,助您挖掘潜力主题机会! (来源:DeepTech深科技) 写一个函数,AI 几乎无敌;但维护一个系统,为何 AI 开始崩溃? 目前,人工智能已经进入到“下半场”。随着 AI 编程能力不断提升,OpenClaw 等产品逐渐兴起,“CLI everything”正在成为现实,即 AI 不需要操作电脑,而是将所有的接口改为命令行界面(CLI),一个个技能正转变成一个个软件功能。 现在,Agent 已不仅仅是执行单次任务的对话工具,而是正在向长期运营、与真实世界交互、执行复杂任务的系统发展。然而,一个新的问题出现了:在持续演进的过程中,AI 能不断适应新环境并保持开发能力稳定吗? 腾讯“CEO/总裁办公室”首席 AI 科学家姚顺雨曾在一篇题为“The Second Half”的博客中提到,真实编程任务是连续依赖的,不是独立并行的,但当下学界没有这样的基准来评估 AI 在该场景下所需要的能力,甚至缺乏勇气打破任务间相互独立的假设——长久以来被广泛接受,用于简化问题。 近期,美国南加州大学、加利福尼亚大学河滨分校、斯坦福大学、普林斯顿大学、OpenHands 等联合团队发布了一项全新评估基准 EvoClaw,为上述问题上提出了新方案。研究团队从开源项目中提取高质量代码演进历史,让 Agent 在同一代码库上连续完成数十个相互依赖的功能迭代。 结果显示,顶尖 AI 能在独立评估任务中表现优异(得分 80%+),一旦进入长周期的真实场景,即便是综合得分最高的 Claude Opus 4.6 也只获得了 38.03% 的得分。这意味着,AI 对于执行自由度更高的任务容易偏离轨迹,其距离真正能够处理长周期、连续的软件演进工作仍存在显著差距。 (来源:arXiv) 这项研究揭示,AI 在长期演进中极易陷入滚雪球式的技术债。尽管能持续添加新功能,却无法控制回归错误累积,最终导致系统失控。这也意味着,AI 编程正从写代码向系统治理转折。 相关论文以《EvoClaw:面向持续软件演进的 AI 智能体评估基准》(EvoClaw: Evaluating AI Agents on Continuous Software Evolution)为题,近期发表在预印本网站 arXiv[1]。 图丨相关论文(来源:arXiv) 现有 AI 编程评测与真实体验错位,问题出在哪里? 为何独立测评获得高分的顶尖模型,在 EvoClaw 测评中集体失利?问题的根源在于评测范式变了。 在以往研究中,主流编程测评基准(benchmark)多数聚焦于独立任务:给定一个议题(issue)或拉取请求(PR,Pull Request),模型在静态的代码快照上完成修复,验证通过即完成测评。 但以往基准测评成绩与现实开发能力之间,存在着一道不容忽视的鸿沟:静态环境是一种相对理想的状态,而真实环境则是更为复杂和动态的。随着时间的演进,即便是数月前的微小 bug,经过版本迭代后也可能像滚雪球那样越来越大,进而导致系统崩溃。 (来源:arXiv) 该论文第一作者、南加州大学博士生邓港大对 DeepTech 表示:“现有的 commit 以及 release 粒度,要么过于琐碎要么过于粗糙。因此,这些开发历史并不能体现软件演进的过程。” 图丨邓港大(来源:受访者) 研究团队首次将时间维度引入 AI 编程能力的评估体系,采用了一种全新层级——里程碑(Milestone),对软件演进的历史进行重构,能够兼具语义完整性和演进依赖关系保留能力的功能单元。其要求 AI 在同一代码库上按序完成多个功能单元,这样不仅保留了每一步产出还成为下一步的起点。 (来源:arXiv) 为了支持从大量开源代码库中提取出高质量软件演进历史,研究人员基于顶尖 AI 强大的能力,提出了一套 Agent 驱动的自动化流水线 DeepCommit,首次实现将嘈杂的 Git 开发记录重构为可验证、功能内聚的里程碑任务依赖图(Milestone DAG),并为每一个里程碑构造出评估环境。主要包括三个阶段:Git 历史预处理、Agent 驱动的 DAG 构建以及里程碑环境配置与验证。 实际上,用 Milestone 对 Agent 历史演进进行重构并非易事,因为它不只是要构造一个静态的、可纯粹被观测的 DAG,而是要一连串可以被执行的评估环境,还要在演进依赖变更的同时保证正确性。 这意味着,当打乱 commit 的整体顺序并把它重新聚类连接时,可能会面临 commit 无法应用、接口对不齐以及编译大面积报错的情况。针对该问题,研究人员设计了一套迭代式修复循环:Agent 主动分析报错日志、动态修改 Dockerfile 确保可执行。 更关键的是,它会基于原有 DAG 补充被遗漏的隐式依赖,通过调整 Milestone 的先后约束关系让接口冲突问题得以妥善解决。经过反复迭代,最终实现正确收集 87.1% 的原有测试用例。 “与单个编程任务场景相比,稳定、可靠、有效的长周期自主编程是更前沿的研究热点,例如 Anthropic、OpenAI 就明确表明他们已经将重心转移到训练模型的长周期编程能力。”邓港大表示。 图丨 DeepCommit 流水线架构图(来源:arXiv) 研究人员将 DeepCommit 自动生成的演进图与人类专家的手动标注进行对比,让他们感到意外的是,二者采用了不同的组织逻辑且互为补充。 具体而言,人类专家的 Milestone 通常在局部时间窗口内,先定议题再归拢提交,是一种自上而下的语义切分;DeepCommit 为保证绝对准确性,从提交之间的依赖关系出发,自下而上地重建软件演进脉络,更强调拓扑结构与执行约束。 对评测而言,这恰恰说明 DeepCommit 关键在于从代码开发历史中提炼出一套可执行、可验证的里程碑结构。从结果来看,DeepCommit 能筛选出高质量、适合评估的 Milestone 任务,并且在真实环境中可执行、可验证,为评测可靠性提供了保障。 一进入真实开发,模型成绩为何集体“腰斩”? EvoClaw 覆盖五种主流语言,包括 Python、Java、Go、Rust 和 TypeScript,选取的项目横跨最长真实开发周期达 750 天。 在评测指标方面,研究团队未采取简单的通过率,而是引入了两个更核心的维度——召回率(Recall)与精确率(Precision)的 F1 加权作为每个 Milestone 的评分。其中,召回率用于衡量功能实现完备性,而精确率则捕捉模型在新增功能时破坏既有代码的程度。 研究团队对 Claude Code、OpenHands 等多种框架和模型组合进行测试。结果显示,在独立评测中得分普遍在 80%-90% 的顶尖模型,在进行 EvoClaw 基准测试后集体断崖式下降,其中最高得分的 Claude Opus 4.6 仅获得 38.03% 得分。 图丨 EvoClaw 主要实验结果(来源:arXiv) GPT 5.3 Codex 以 28.88% 的综合得分仅次于 Opus4.6,位居第二。分仓库来看,GPT 5.3 Codex 在两个 Rust 项目(Nushell、ripgrep)上表现较弱,在其余仓库上则能接近甚至超过 Opus4.6。在完整解决率方面,得分最高的 Gemini 3 Pro 也只有 13.37%,并且绝大部分能正确实现的都是没有前置依赖的任务。 据了解,研究人员将整体开销控制在合理范围内,以 Claude Opus 4.5 为例,完整测评一次的成本约为 500 美元,Kimi K2.5 以及 Gemini 3 Flash 则在 50 美元以内,小模型的开销会更低。 (来源:arXiv) 那么,如果给模型更长的开发窗口,它最终能 100% 把项目搞定吗? 研究给出了否定答案:无论开发窗口多长,所有模型的表现最终都会撞上“天花板”。任务执行顺序越靠后、所处 DAG 层级越深,分数和解决率就越低。饱和函数外推结果证明,即便是最优的 Opus 4.6,累计分数也会被卡死在 45% 左右的渐近线上。 “尽管 Opus 4.6 在 Anthropic 官网中提到比 4.5 在长周期的任务中表现更好,但是并没有给出详细的评估指标,EvoClaw 算是从另一个角度验证了他们的说法。”邓港大表示。 此外,从实验中还看到了不同模型家族之间存在显著差异。具体而言,Claude 与 GPT 在持续演化场景中的表现,会随着版本更新稳步提升。其中,Opus 4.6 在长周期的编程上证明了其对系统的维护性能最佳;GPT 5.3 由于在 Rust 数据集上表现不佳而拉低了分数,排名在第二位。 (来源:arXiv) 比较出乎意料的是,Gemini 家族呈现出完全不同的趋势:从 3 Flash 到 3 Pro 再到 3.1 Pro,每一代都在早期启动更快、前期表现更好,但其长程表现几乎没有显著提升。邓港大解释道:“Gemini 长周期运行表现的明显衰退,意味着其不仅指令遵循变差,越来越忽视软件规格说明(SRS)的需求,同时对所构造的软件系统缺乏维护。” 当研究人员把整体分数进一步分解为召回率与精确率时,一个更有意思的现象出现了:召回率几乎呈不断上升趋势,接近线性增长。这意味着,哪怕代码库变得越来越混乱、越来越脆弱,Agent 依然擅长实现当前给定的新目标功能。 真正的瓶颈在于精确率:Agent 难以维护现有系统,回归错误积累的速度超过了它们修复这些问题的能力,而这正是长期开发最终停滞的根本原因。 图丨左:错误链示意图;右:错误链分布(来源:arXiv) 为深入理解模型在迭代中失控的根本原因,研究团队提出了错误链(Error Chains)的分析框架。他们从首次出错开始跟踪每个测试,并观察错误在后续 Milestone 中被继承、扩散、跳过还是修复。 结果发现,新问题的产生速度并不会加快,模型甚至会实质性地被动修复部分历史错误,但前置错误的累积速度远超修复速度,最终陷入“技术债破产”。 为 AI Harness 调试提供通用评估 近期,有个非常火热的概念 “Harness Engineering”,希望把软件开发的全部流程配置成适合 Agent 参与的环境。EvoClaw 基准测试提供了这样一个通用且评估长周期代码演进的 playground,适合调试 AI Harness 框架。 例如,本次研究中所提到的失败案例,如果 Agent 突然表现出非常积极的迭代,或不断编辑、不断验证,很可能是 Agent 遇到了困难。在这种情况下,可以通过在对应位置构造护栏,来尽早发现问题、及时人工介入,从而提高效率。 既然模型的架构让 Agent 具有“实现新功能远强于维护长期旧功能”的通用性质,那么,未来是否会催生出新的软件形态以及开发模式? 例如,软件会更强调灵活性、兼容性,更可靠的大规模改动重组;或者是更加的一次性,具体业务逻辑都是实时生成、不需要维护,重点在于强化可复用的组件、基础设施。 研究团队认为,在开发模式上,适当放宽对软件质量的约束,可减少人类的介入次数,来换取更大的吞吐量,最终加速软件的迭代。 邓港大指出,“该研究证明我们正走在一条在正确的道路上,AI 的长期编程能力还没有遇到瓶颈,能够随时间稳定提升。有潜力在突然某一天,由榜单分数的量变,变成改变世界的质变。” 随着技术的发展,未来 AI 有可能会从逐渐减少人类参与软件开发,到 AI 自主提出新的需求来演进代码库,再到 AI 彻底超越人类、抛弃人类,最终实现不断自我进化。 参考资料: 1. 相关论文: 2. 项目主页: 3. 排版:刘雅坤 海量资讯、精准解读,尽在新浪财经APP
1
0
0
0
WhaleWatcher1

WhaleWatcher1

03-03 00:13
2024年2月初,加密货币市场情绪发生了剧烈转变,焦点集中在知名加密货币老兵华尔怡及其基金的大规模以太坊清算事件。据腾讯财经“DeepTech”专栏和BlockBeats新闻报道,市场在华尔怡曾被视为中国加密生态的重要人物、在一周内亏损超过7亿美元后,经历了巨大动荡。此次事件的特别之处不仅在于其财务影响,更在于随之而来的决策序列和市场反应,事态在香港金融中心逐步展开。 ## 快速逆转:由看涨情绪到加速抛售以太坊 在清算加速之前的几天,华尔怡曾公开持乐观态度。2月4日,他发表乐观评论称:“我看好这个牛市,现在是买入现货的最佳时机”,同时通过其投资机构Trend Research持有约46万枚以太坊。这一仓位在72小时内发生了剧烈变化。2月4日至5日之间,华尔怡开始有节制地抛售,清算了约19万枚以太坊,并在2月5日暂时中止操作。然而,这一看似战略性暂停很快演变成了在2月6日的全面投降。 在那关键的一天,华尔怡决定一次性清算剩余的44万枚以太坊。此次清算规模空前——仅在晚上9点到午夜之间,就卖出了约6万枚以太坊,显示出抛售速度的加快,标志着市场信心的根本转变。 ## 现场观察与大规模资金布局同步进行 在这一关键时期,据报道,华尔怡于2月6日被目击在香港繁华的铜锣湾地区,直至当晚10点左右仍在该区域。据目击者描述,尽管其团队同时执行了大规模清算操作,但他本人没有表现出明显的焦虑或异常行为。这种表面上的平静与背后市场活动的巨大规模形成鲜明对比。 与此同时,市场情报显示,同一天——2月6日,一家香港基金开始了激进的抄底操作。虽然关于该基金资本部署的具体细节尚未披露,但其在低位的布局时机表明,一些市场参与者将此次下跌视为买入良机,而非退缩的理由。 ## 观点转变:社区情绪与市场周期评估 加密社区的整体反应比以往市场低迷时更显无奈。大多数参与者已基本放弃了近期暴跌只是短暂调整的想法,转而接受了所谓的“加密市场冬天”已然到来的现实。然而,社区中也存在更为乐观的声音,认为此次周期可能比以往熊市更短,预示着最糟糕的局面可能比历史预期更快过去。 这些不同的观点反映出当前市场状况的根本不确定性——此次清算级联是否意味着系统性去杠杆的结束,还是仅仅是漫长收缩的早期阶段。像香港基金在低位布局的行动显示出对最终复苏的信心,但社区对短期反弹的深度怀疑也表明,市场对未来的乐观预期仍持谨慎态度。
1
0
0
0