| name | saibo-writer |
| description | 「赛博」技术写作方法论 - 深度技术拆解与专业解读
源自对「赛博禅心」等顶尖技术写手的分析总结
适用于：技术产品发布解读、技术报告拆解、论文分析、行业深度报道
|
赛博写作方法论 (Saibo Writer)
深度技术拆解，专业而不枯燥，信息密度与可读性兼顾
核心理念
"赛博" = 赛博朋克式的信息密度 + 禅宗般的清晰结构
- 深度优先：基于一手资料（技术报告、论文、官方文档）
- 数据驱动：每个观点有精确数据支撑
- 结构清晰：技术逻辑 > 叙事逻辑
- 专业术语：准确使用英文术语 + 中文解释
信息获取（前置条件）
必须获取的资料
技术产品发布类：
论文解读类：
行业分析类：
信息核实原则
- 每个数字两个来源：官方数据 + 第三方验证
- 术语核对：英文原文 + 中文翻译
- 时间线确认：精确到日期，不是"最近"
- 对比基准明确：和谁比？什么条件下？
文章结构（技术产品发布标准模板）
1. 开篇（1-2段）
公式：时间 + 核心事实 + 关键数据
今天上午，「DeepSeek-V4」发布并开源。
DeepSeek V4 分两档：Pro 1.6T/49B、Flash 284B/13B，两档都支持 1M 上下文、都开源，并给出了技术报告。
要点：
- 首句给核心事实，无铺垫
- 第2段给关键数据（分档、参数、上下文）
- 如有"一图看懂"，放在开篇后
2. 能干什么（能力维度）
按能力维度分小节，每个维度给具体数据：
能干什么
V4-Pro 在四个方向上都跨过了一个台阶
Agent 能力
Agentic Coding 评测里 V4-Pro 已经到当前开源最佳水平...
[具体数据：内部反馈、适配产品、效果提升]
世界知识
Pro 在知识评测里大幅领先其他开源模型...
[具体数据：SimpleQA-Verified 57.9，对比 Opus-4.6-Max 46.2]
推理性能
数学、STEM、竞赛代码三类测评里...
[具体数据：LiveCodeBench Pass@1 93.5、Codeforces Rating 3206]
长文本
Pro 在 1M token 的合成基准和真实任务上都很强...
[具体数据：MRCR 1M 83.5、CorpusQA 1M 62.0]
要点：
- 每个能力维度一个小节
- 小节标题 = 能力名称（Agent/知识/推理/长文本）
- 每个小节内：定性描述 + 定量数据 + 对比基准
3. 技术亮点（核心创新）
按技术模块分小节，深入到实现细节：
1M 成了标配
[背景：以前是128K灰度，现在是标配]
[原理：token维度压缩 + DSA稀疏注意力]
[数据：FLOPs 27%、KV cache 10%]
[类比：一次性塞入《三体》三部曲]
架构三件套
[总览：MoE框架 + 三处升级]
Hybrid Attention：CSA + HCA
[CSA：Compressed Sparse Attention，每m个token压成一个entry...]
[HCA：Heavily Compressed Attention，每m'个token压一个...]
[实现细节：m=4、m'=128、head dim 128、top-k=512]
mHC：流形约束的残差连接
[全称：Manifold-Constrained Hyper-Connections]
[数学概念：Birkhoff polytope、双随机矩阵流形]
[实现：expansion factor n=4]
Muon 优化器
[核心：Newton-Schulz迭代做矩阵正交化]
[改进：Hybrid Newton-Schulz + Nesterov trick + RMS rescaling]
要点：
- 英文术语 + 中文解释
- 深入到参数级别（m=4、n=4）
- 数学概念要解释（Birkhoff polytope）
- 用类比帮助理解（"一个管长距离，一个管超长压缩"）
4. 训练细节（技术报告级深度）
训练账
[数据量：Flash 32T、Pro 33T]
[Tokenizer：沿用V3，词表128K]
[精度：FP4量化感知训练，路由专家FP4，其他FP8]
[Schedule：4K→16K→64K→1M，batch size 75.5M]
[稳定性：Anticipatory Routing、SwiGLU Clamping]
后训练
[方法学变化：mixed RL → On-Policy Distillation (OPD)]
[两步流程：领域专家培育 → OPD融合]
[专家培育：SFT + GRPO，每个领域三种推理强度]
[OPD融合：学生在自己trajectory上学teacher分布]
[Infra优化：teacher权重分布式存储、FP4 rollout、WAL容错]
要点：
- 训练数据精确到T（32T/33T）
- 优化器、学习率、batch size 都要
- 基础设施细节（存储、容错、加速）
5. 成绩单（Benchmark对比）
成绩单：V4-Pro-Max 站到哪一档
[对比口径：V4-Pro-Max vs Opus-4.6-Max、GPT-5.4-xHigh、Gemini-3.1-Pro-High...]
代码
[LiveCodeBench Pass@1 93.5、Codeforces Rating 3206、Apex Shortlist 90.2]
[对比：比GPT-5.4-xHigh的3168高一点]
知识
[MMLU-Pro 87.5、SimpleQA-Verified 57.9、Chinese-SimpleQA 84.4]
[短板：HLE 37.7，比Gemini的44.4有距离]
Agent
[Terminal Bench 2.0 67.9、SWE Verified 80.6、SWE Multilingual 76.2]
[对比：和Opus-4.6-Max、K2.6-Thinking同一档]
长文本
[MRCR 1M 83.5、CorpusQA 1M 62.0]
[衰减曲线：8K 0.94、128K 0.92、512K 0.85、1M 0.66]
要点：
- 每个维度给3-5个核心指标
- 明确对比对象和差距
- 不回避短板（"HLE是最明显的短板"）
6. 真实任务（超越Benchmark）
真实任务上的表现
[说明：Benchmark之外的真实场景]
中文写作
[功能性写作胜率62.7%、创意写作胜率77.5%]
[短板：多轮约束写作 Opus 52% vs V4 45.9%]
搜索
[Non-think走RAG、Thinking走Agentic Search]
[优势：single-value检索、planning & strategy]
白领任务
[30个中文高级专业任务]
[细分维度：任务完成度96.68、内容质量87.76、格式美观度72.68]
[短板：PPT视觉呈现]
Code Agent
[30个真实R&D任务，50+工程师参与]
[通过率67%，员工调研52%说yes]
[短板：小错误、模糊prompt解读、偶尔过度思考]
要点：
- 真实场景 > Benchmark
- 内部数据（员工调研、工程师反馈）
- 明确短板（不粉饰）
7. 怎么用（实用指南）
API 怎么用
[模型名：deepseek-v4-pro、deepseek-v4-flash]
[接口：OpenAI ChatCompletions + Anthropic 双兼容]
[思考模式：Non-think/Think High/Think Max]
[旧模型过渡：2026-07-24停用]
定价
[Pro：命中1元/未命中12元/输出24元 每百万token]
[Flash：0.2元/1元/2元]
[备注：下半年昇腾950上市后Pro价格下调]
能现在用
[网页、App、API已上线]
[开源权重：HuggingFace、ModelScope，MIT协议]
[本地部署参数：temperature=1.0、top_p=1.0]
[Think Max建议上下文：至少384K]
要点：
- 模型名、接口、参数精确
- 价格精确到单位
- 部署建议具体（temperature、top_p）
8. 结尾（展望/总结）
未来方向
[官方规划：更稀疏embedding、低延迟架构、长程Agent、多模态]
[当前局限：仍不支持多模态]
参考材料
[官方公告、技术报告PDF、API文档、模型集合链接]
写作规范
段落规范
- 每段1-2句话，最多3句
- 短段落优先，视觉分隔 > 信息堆叠
- 列表代替段落：3个以上并列项用列表
数据规范
- 精确数字：1元/百万token，不是"打9折"
- 带单位：93.5%、3206分、33T token
- 给对比：57.9 vs Opus-4.6-Max 46.2
- 时间精确：2026年4月27日，不是"最近"
术语规范
- 英文术语 + 中文解释：CSA（Compressed Sparse Attention）
- 全称首次出现：mHC（Manifold-Constrained Hyper-Connections）
- 数学概念解释：Birkhoff polytope（双随机矩阵流形）
- 避免口语化：不用"打9折"，用"0.1x"
结构规范
- 信息性标题："能干什么""架构三件套"，不是"01 02 03"
- 小节即信息：读者扫标题能获取全文框架
- 逻辑递进：发布→能力→技术→训练→成绩→真实任务→使用
金句规范
- 具体例子 > 抽象概念："塞入《三体》三部曲" > "基础设施"
- 类比要贴切："类似Claude的Sonnet/Opus分档"
- 数据即金句："52%员工说yes"
- 每500字一个记忆点
质量检查清单
发布前必须检查：
版本对比
| 维度 | Write-Skill V1.0 | Write-Skill V2.1 | 赛博 (Saibo) |
|---|
| 适用场景 | 个人故事/情感 | 新闻快评/短分析 | 技术深度拆解 |
| 信息基础 | 个人经验 | 公开信息 | 一手资料 |
| 数据精度 | 估算/口语化 | 半精确 | 精确到参数 |
| 段落长度 | 较长 | 1-2句 | 1-2句 |
| 术语使用 | 通俗 | 半专业 | 专业+解释 |
| 结构逻辑 | 叙事 | 通用模板 | 技术逻辑 |
| 深度 | 浅 | 中等 | 深（技术报告级） |
使用建议
用赛博 (Saibo)：
- 技术产品发布深度解读
- 技术报告/论文拆解
- 需要精确数据和实现细节的场合
用 Write-Skill V2.1：
用 卡兹克风格：
参考案例
顶尖技术写手：
- 赛博禅心（金色传说大聪明）- 技术拆解标杆
- 卡兹克 - 产品分析
- 张潇雨 - 投资思考
- 李沐 - 论文解读
学习重点：
更新日志
v1.0 (2026-04-28)
- 基于赛博禅心 DeepSeek-V4 文章分析
- 建立完整技术产品发布解读模板
- 定义信息获取、结构、规范、检查清单
