Newshot

刚刚,DeepSeek V1作者创业项目曝光:开源Agent

Summary

专为本地部署而生

Original text(via 量子位)

刚刚,DeepSeek V1作者创业项目曝光:开源Agent

聚是一团火,散是满天星。

刚刚,前DeepSeek V1作者、DeepSeek-VL项目负责人Tony Zhang,正式公布了自己的新创业项目:Linger。

方向,正是当下最火的个人Personal Agent。

路线也是比较有意思,当同行都在做APP,他们优先选择了电脑。

这意味着,Linger能操纵你电脑已有的网页、邮件箱、日历,无需折腾一大堆登录凭据。

遇到卡住的地方,你也可以直接上手接管。

另外一个点,作为中间层的Linger,支持接入各个第三方模型。

并且专门为本地LLM做了优化。

具体来说,一块12GB显存的RTX 3060显卡,就能跑起一个125B参数的Qwen3.8-Flash-Next,并且是45.5 tokens/秒的生成速度。

对了,还有个蛮重要的点——

在官宣帖中,Tony Zhang引用了PC崛起的历史:

1960年代,计算是中心化的,直到PC将权力交到每个人手中。如今,AI在数据中心训练,然后以token的形式租给你。 我们相信智能应该是分布式的。你的上下文、你的数据,以及驱动它们的智能,都应该完全由你拥有。

1960年代,计算是中心化的,直到PC将权力交到每个人手中。如今,AI在数据中心训练,然后以token的形式租给你。

我们相信智能应该是分布式的。你的上下文、你的数据,以及驱动它们的智能,都应该完全由你拥有。

所以今天,他们开源了Linger,一个生活在你个人电脑上的专属Agent。

也是延续大肥鲸优良传统了😭。

一个「会主动,能自学」的AI

Linger的的核心,是名为「Another Me」的Agent系统。

Linger会在本地读取你的收件箱、日历、聊天记录和会议,每晚自动将这些信息整理成个人知识库(Wiki),供所有Agent查询。

在衡量长期对话记忆能力的LoCoMo基准测试中,Linger的准确率达到了95%,超过了Mem0、MemOS等多个记忆增强型AI系统。

有了这些,Linger便能更好地主动工作。

它会默默观察你的信息流,根据事件的重要性和紧急性决定何时提醒你。周一收到客户邮件,要求周五前给报价,它不会立刻打扰,而是等到周三早上再弹出提醒。

但如果是会议时间变更,它会立即通知。

这个Agent还会从你的反馈中自我学习,Linger称之为「隐式强化」。

比如,当它提醒你一张发票快到期了,你回复说「上周就收到了,应该当时就告诉我」。系统会记下一个线索。

如果下一次另一张发票出现类似情况,你再次表达了相同的偏好,系统就会自动生成一条规则:「供应商发票→立即提醒」。

反之,如果你连续两次对「快递提醒」表现出不感兴趣(比如直接忽略或回复「不用告诉我」),它也会学会以后保持沉默。

你也可以直接下指令,一次性教会它。比如告诉它:「客户的回复,要立刻通知我」,或者「晚上9点后,会议变更这种事不用马上说」。

这种持续的交互和学习,让Agent越来越懂你的工作习惯,成为一个真正个性化的助理。

除此之外,Linger还能:

就是开头说的,Linger能直接使用你电脑上已经登录的Chrome、各种App,无需重新配置。

这点就是DeepSeek之前解释过的Super Agent原理了。

你下达一个复杂任务时,Another Me会调用或创建不同职能的Agent,协同完成工作。

而你,只用停留在和Linger的这一个Session。

这点主要就是服务于办公场景了。

Linger能实时转录会议,会后直接向Agent提问会议内容,并让它跟进待办事项。

总而言之呢,就是一个专为办公场景优化的Personal Agent。

不过,也有网友对这一产品定位不太理解:

为什么不基于DeepSeek harness开发🤣跟ds-bot有何区别呢

对此,Tony Zhang回应道:

Linger的重点是把模型和harness一起优化:12GB显卡就能本地跑125B模型,不按token付费,数据也不出本机。 从产品定位上看:DS-Bot的核心是Bot与Bot、Bot与群组的协作;Linger的核心是人与自己的Agent、Agent与本地环境。

Linger的重点是把模型和harness一起优化:12GB显卡就能本地跑125B模型,不按token付费,数据也不出本机。

从产品定位上看:DS-Bot的核心是Bot与Bot、Bot与群组的协作;Linger的核心是人与自己的Agent、Agent与本地环境。

12GB显卡,跑125B模型

让消费级硬件运行千亿大模型,Linger的核心技术是一个名为PolyStrata的MoE推理引擎。

它的原理可以理解为一种智能分层存储机制。

对于一个庞大的MoE(专家混合)模型,PolyStrata会把最常用、最活跃的「专家模块」放在最快的GPU显存里,将不那么常用的放在内存中,而使用频率最低的则放在SSD固态硬盘上。

当模型需要调用某个专家时,系统会动态地在GPU、内存和SSD之间移动数据。这样一来,就不需要把整个几十上百GB的模型全部塞进有限的显存里。

根据官方数据,一个125B参数的Qwen3.8-Flash-Next模型,在一台配备12GB RTX 3060和64GB内存的电脑上,可以实现45.5 tokens/秒的生成速度。

在更强的RTX 5090(32GB)上,速度则飙升至179 tokens/秒。

为了让用户更方便地用上本地大模型,Linger还做了一个「模型自动驾驶(Model Autopilot)」功能。

它会自动检测你的硬件配置(GPU、显存、内存),然后从49个语言模型、两种推理引擎、多种量化方案和不同上下文长度的组合中,为你推荐并安装性能最强的模型。

根据SimplexAI的评分体系,不同配置的本地设备可以获得媲美主流云端大模型的能力:

  • 8GB显卡+32GB内存:得分35.4,约等于Gemini 2.5 Pro。
  • Mac 24GB统一内存:得分51.9,约等于Claude Opus 4.5。
  • 12GB显卡+32GB内存:得分57.3,约等于Claude Opus 4.6。

这意味着,你的游戏本或MacBook,将拥有一个真正强大的、7×24小时待命、没有token费用、并且数据完全不出本地的AI大脑。

DeepSeek-VL负责人再创业

Linger背后,是一支有着深厚技术背景的团队,其创始人Tony Zhang的履历尤为亮眼。

(毕竟是DeepSeek系嘛…)

Tony Zhang本科毕业于浙江大学,2019年在香港科技大学取得博士学位,随后加入微软亚洲研究院(MSRA),长期从事计算机视觉和生成模型研究,是VQ-Diffusion、Rodin 3D数字人等多个知名项目的作者。

2023年,他加入DeepSeek,担任AI科学家。

在这里,他不仅参与了早期语言模型DeepSeek LLM V1系列的研发,更是视觉语言大模型DeepSeek-VL的项目负责人(Project Lead)。这款模型在真实世界场景下的图像、文档、图表理解能力备受好评。

离开DeepSeek后,Tony Zhang进入浙江大学任教,担任百人计划研究员、博士生导师,并创立了Simplex AI。

Linger就是Simplex AI的最新作品。

而作为Linger技术核心,那个专为本地部署而生的推理引擎?

据Tony Zhang透露,由团队里一位18岁的天才少年构建。

  • 英伟达AMD首次联手押注!Genesis完成A轮融资,估值超230亿2026-11-18
  • 多模态“源神”!MiniMax开源SOTA生图模型,原生4K,一张两毛2026-11-12
  • 机器人接管酒店洗衣!双脑协同+RSI,顶级Astra驾驶员来了2026-11-11
  • “AI毁了我的计算机学位”2026-11-09

相关阅读

钉钉真勇!率先接入DeepSeek,阿里系第一个吃螃蟹

梁文锋出资200亿!DeepSeek首轮创纪录融资500亿,V4.1定档6月

如果最终落地,这会是中国大模型公司有史以来最大的一轮融资

被曝蒸馏DeepSeek还造假!欧版OpenAI塌方了

蒸馏模型必须标注,保持透明性才是关键。

Deepseek新模型意外曝光!编程跑分一举超越Claude 3.5 Sonnet

还登上了LiveBench最强开源LLM宝座

“DeepSeek甚至绕过了CUDA”,论文细节再引热议,工程师灵魂提问:英伟达护城河还在吗?

英伟达刚刚从DeepSeek-R1引发的4万亿元暴跌中缓过劲来,又面临新的压力?

DeepSeek低价风暴打服硅谷!海外平台争相倒贴V4 Flash

那还说啥了梁圣,我订阅费全给你就是了呗

The text above was extracted automatically from the source page and may miss images, tables or code blocks. The original is authoritative.

Published by 量子位
This site only summarises and aggregates; copyright stays with the original author. Headlines and summaries follow the source — where they differ, the original wins.
Read the original ↗