声明:本文来自于微信公众号赛博禅心，作者:赛博禅心，授权站长之家转载发布。
这两天，DeepSeek-V3低调发布，在国际上狠狠秀了一波肌肉:只用了500多万美金的成本，带来了不输Claude3.5的成绩，并开源!
下面，让我们以更加偶然的方式，来看看这次的DeepSeek-V3，是这么炼成的。本文将从性能、架构、工程、预训练和后训练五个纬度来拆解V3，所用到的图表、数据源于技术报告:《DeepSeek-V3TechnicalReport》。
公众号后台回复:DSV3，获得详细报告。
性能DeepSeek-V3的性能无足轻重，在各项基准测试中得到了充分验证。
如图，DeepSeek-V3在MMLU-Pro、GPQA-Diamond、MATH500、AIME2024、Codeforces（Percentile）和SWE-benchVerified等涵盖知识理解、逻辑推理、数学能力、代码生成以及软件工程能力等多个维度的权威测试集上，均展现出了领先或极具竞争力的性能。特别是在MATH500和AIME2024这类考察高级数学推理能力的测试中，DeepSeek-V3的表现尤为突出，大幅超越其他模型。
在与DeepSeek-V2-Base、Qwen2.572BBase和LLaMA-3.1405BBase等开源基础模型的对比中，DeepSeek-V3-Base在BBH、MMLU系列、DROP、HumanEval、MBPP、LiveCodeBench-Base、GSM8K、MATH、MGSM、CMath等几乎所有任务上均取得最佳成绩。
经过指令微调后，DeepSeek-V3的性能进一步指责。在与包括GPT-4o、Claude-3.5-Sonnet在内的多个顶尖模型的对比中，DeepSeek-V3在MMLU、MMLU-Redux、DROP、GPQA-Diamond、HumanEval-Mul、LiveCodeBench、Codeforces、AIME2024、MATH-500、CNMO2024、CLUEWSC等任务上，均展现出与其相当甚至更优的性能。
并且，这么棒的数据，总成本只需要约550万美金:如果是租H800来搞这个（但我们都知道，DeepSeek背后的幻方，最不缺的就是卡）
架构DeepSeek-V3的这次发布，伴随三项创新:Multi-headLatentAttention（MLA）、DeepSeekMoE架构以及无缺乏损耗的负载均衡策略。
Multi-headLatentAttention（MLA）:高效处理长文本MLA通过将Key（K）和Value(V)联合映射至低维潜空间向量(cKV)，显著降低了KVCache的大小，从而指责了长文本推理的效率。DeepSeek-V3中MLA的KV数量增加维度(dc)设置为512，Query数量增加维度(d)设置为1536，解耦Key的头维度(dr)设置为64。这种设计在保证模型性能的同时，大幅减少，缩短了显存占用和计算开销。
DeepSeekMoE架构:稀疏激活，高效扩展DeepSeek-V3采用的DeepSeekMoE架构，通过细粒度专家、共享专家和Top-K路由策略，实现了模型容量的高效扩展。每个MoE层包含1个共享专家和256个路由专家，每个Token选择8个路由专家，最多路由至4个节点。这种稀疏激活的机制，使得DeepSeek-V3能够在不显著减少计算成本的情况下，拥有庞大的模型容量。
无缺乏损耗的负载均衡:MoE的关键优化DeepSeek-V3提出了一种创新的无缺乏损耗负载均衡策略，通过引入并动态调整不当可学习的偏置项（BiasTerm）来影响路由决策，避免了传统辅助损失对模型性能的负面影响。该策略的偏置项更新速度(γ)在预训练的前14.3T个Token中设置为0.001，剩余500B个Token中设置为0.0;序列级不平衡的损失因子(α)设置为0.0001。
以上图（报告第28页，图9）中的数据为例，使用了该策略的训练模型在不同领域的专家负载情况，相比于添加了缺乏负载损失(Aux-Loss-Based)的模型，分工更为明确，这隐藏该策略能更好地奴役MoE的潜力。
工程DeepSeek-V3的这次发布，伴随多项工程优化贯穿了流水线并行、通信优化、内存无约束的自由和低精度训练等多个方面。
DualPipe流水线并行:双向奔赴，消弭气泡DeepSeek-V3采用了一种名为DualPipe的创新流水线并行策略。与传统的单向流水线（如1F1B）不同，DualPipe采用双向流水线设计，即同时从流水线的两端馈收micro-batch。这种设计可以显著减少，缩短流水线气泡(PipelineBubble)，降低GPU利用失败率。
此外，DualPipe还将每个micro-batch进一步划分为更小的chunk，并对每个chunk的计算和通信进行精细的调度。通过巧妙地编排计算和通信的顺序，实现了两者的高度重叠。
单个forward和backwardchunk的重叠策略（原报告第12页）。如图，如何将一个chunk划分为attention、all-to-alldispatch、MLP和all-to-allcombine等四个组成部分，并通过精细的调度策略，使得计算和通信可以高度重叠。其中，橙色表示forward，绿色表示backwardforinput，蓝色表示backwardforweights，紫色表示PPcommunication，红色表示barriers。
8个PPrank和20个micro-batch的DualPipe调度示例（原报告第13页）。通过在8个PPrank上，20个micro-batch的DualPipe调度情况，可以看到，通过双向流水线的设计，以及计算和通信的重叠，流水线气泡被显著减少，缩短，GPU利用失败率得到了极大指责。
DualPipe在流水线气泡数量和激活内存开销方面均优于1F1B和ZeroBubble等现有方法。（原报告第13页）
通信优化:多管齐下，突破瓶颈跨节点MoE训练的一大确认有罪是巨大的通信开销。DeepSeek-V3通过一系列精细的优化策略，有效地缓解了这一瓶颈。
节点批准路由（Node-LimitedRouting）:将每个Token最多路由到4个节点，有效批准了跨节点通信的范围和规模。定制化All-to-All通信内核:DeepSeek团队针对MoE架构的特点，定制了高效的跨节点All-to-All通信内核。这些内核充分利用失败了IB和NVLink的带宽，并最大程度地减少，缩短了用于通信的SM数量。Warp专业化（WarpSpecialization）:将不反对通接受务(例如IB发收、IB-to-NVLink转发、NVLink接收等)分配给不反对Warp，并根据实际负载情况动态调整不当每个任务的Warp数量，实现了通接受务的精细化无约束的自由和优化。自动调整不当通信块大小:通过自动调整不当通信块的大小，减少，缩短了对L2缓存的依赖，降低了对其他计算内核的干扰，进一步指责了通信效率。
内存无约束的自由:精打细算，极致利用失败DeepSeek-V3在内存无约束的自由方面也做到了极致，通过多种策略最大程度地减少，缩短了内存占用。
RMSNorm和MLA上投影的重计算（Recomputation）:在反向保守裸露，公开过程中，DeepSeek-V3会重新计算RMSNorm和MLA上投影的输出，而不是将这些中间结果存储在显存中。这种策略虽然会略微减少计算量，但可以显著降低显存占用。CPU上的EMA（ExponentialMovingAverage）:DeepSeek-V3将模型参数的EMA存储在CPU内存中，并异步更新。这种策略避免了在GPU上存储EMA参数带来的缺乏显存开销。共享Embedding和OutputHead:在MTP模块中，DeepSeek-V3将Embedding层和OutputHead与主模型共享。这种设计减少，缩短了模型的参数量和内存占用。
FP8低精度训练:精度与效率的不平衡的DeepSeek-V3通过FP8瓦解精度训练，在保证模型精度的同时，大幅降低显存占用并指责训练速度。
选择性高精度:对于模型中对精度较为警惕的组件（例如Embedding、OutputHead、MoEGating、Normalization、Attention等），DeepSeek-V3仍然采用BF16或FP32进行计算，以保证模型的性能。(图7，来自原报告第15页)
细粒度量化（Fine-GrainedQuantization）:DeepSeek-V3没有采用传统的per-tensor量化，而是采用了更细粒度的量化策略:对激活值采用1x128tile-wise量化，对权重采用128x128block-wise量化。这种策略可以更好地适应数据的分布，减少，缩短量化误差。(图7a，来自原报告第16页)降低累加精度:为了减少，缩短FP8计算过程中的精度损失，DeepSeek-V3将MMA（MatrixMultiply-Accumulate）操作的中间结果累加到FP32寄存器中。(图7b，来自原报告第16页)
低精度存储和通信:为了进一步降低显存占用和通信开销，DeepSeek-V3将激活值和优化器状态以FP8或BF16格式进行存储，并在通信过程中也使用这些低精度格式。（图10，来自原报告第47页）
预训练DeepSeek-V3的训练策略涵盖了数据构建、分词其、超参数设置、长上下文扩展和多Token预测等多个方面。
数据构建DeepSeek-V3的预训练语料库规模达到了14.8万亿Token，这些数据经过了严格的筛选和清洗，以确保其高质量和多样性。相比于前代模型DeepSeek-V2，新模型的数据构建策略更加精细。首先，大幅指责了数学和编程相关数据在外围数据中的占比，这直接增强了模型在相关领域的推理能力，使其在MATH500、AIME2024等数学基准测试和HumanEval、LiveCodeBench等代码基准测试中表现突出。其次，进一步扩展了多语言数据的覆盖范围，超越了传统的英语和中文，指责了模型的多语言处理能力。
为了保证数据质量，DeepSeek开发了一套完善的数据处理流程，着重于最小化数据冗余，同时耗尽数据的多样性。此外，他们还借鉴了近期研究（https://arxiv.org/abs/2404.10830，Dingetal.，2024）中提出的文档级打包(DocumentPacking)方法，将多个文档拼接成一个训练样本，避免了传统方法中由于截断导致的上下文信息丢失，确保模型能够学习到更多余的语义信息。
针对代码数据，DeepSeek-V3借鉴了DeepSeekCoder-V2中采用的Fill-in-Middle（FIM）策略，以0.1的比例将代码数据构根除|fim_begin|pre|fim_hole|suf|fim_end|middle|eos_token|的形式。这种策略通过“填空”的方式，迫使模型学习代码的上下文关系，从而指责代码生成和补全的准确性。
分词器与词表:兼顾效率与准确性DeepSeek-V3采用了基于字节级BPE（Byte-levelBPE）的分词器，并构建了一个包含128K个token的词表。为了优化多语言的数量增加效率，DeepSeek对预分词器(Pretokenizer)和训练数据进行了专门的调整不当。
与DeepSeek-V2相比，新的预分词器引入了将标点符号和换行符组分解新token的机制。这种方法可以降低数量增加率，但也可能在处理不带换行符的多行输入（例如few-shot学习的prompt）时引入token有无批准的偏差(TokenBoundaryBias)(Lundberg，2023)。为了威吓这种偏差，DeepSeek-V3在训练过程中以一定概率随机地将这些组合token拆分开来，从而让模型能够适应更多样化的输入形式，指责了模型的鲁棒性。(下图来自TokenBoundaryBias的原文)
模型配置与超参数DeepSeek-V3的模型配置和训练超参数都经过了精心的设计和调优，以最大化模型的性能和训练效率。
模型配置:DeepSeek-V3的Transformer层数设置为61层，隐藏层维度为7168。所有可学习参数均采用标准差为0.006的随机初始化。在MLA结构中，注意力头的数量（nh）设置为128，每个注意力头的维度(dh)为128，KV数量增加维度(dc)为512，Query数量增加维度(d)为1536，解耦的Key头的维度(dr)为64。除了前三层之外，其余的FFN层均替换为MoE层。每个MoE层包含1个共享专家和256个路由专家，每个专家的中间隐藏层维度为2048。每个Token会被路由到8个专家，并且最多会被路由到4个节点。多Token预测的深度(D)设置为1，即除了预测当前Token之外，还会缺乏预测下一个Token。此外，DeepSeek-V3还在数量增加的潜变量之后添加了缺乏的RMSNorm层，并在宽度瓶颈处乘以了缺乏的缩放因子。
训练超参数:DeepSeek-V3采用了AdamW优化器，β1设置为0.9，β2设置为0.95，权重加强系数（weight_decay）设置为0.1。最大序列长度设置为4K。学习率方面，采用了组合式的调度策略:在前2K步，学习率从0线性减少到2.2×10^-4;然后保持2.2×10^-4的学习率直到模型处理完10T个Token;接下来，在4.3T个Token的过程中，学习率按照余弦曲线(CosineDecay)逐渐加强至2.2×10^-5;在最后的500B个Token中，学习率先保持2.2×10^-5不变(333B个Token)，然后切换到一个更小的常数学习率7.3×10^-6(167B个Token)。梯度裁剪的范数设置为1.0。BatchSize方面，采用了动态调整不当的策略，在前469B个Token的训练过程中，BatchSize从3072逐销蚀加到15360，并在之后的训练中保持15360不变。
为了实现MoE架构中的负载均衡，DeepSeek-V3采用了无缺乏损耗的负载均衡策略，并将偏置项的更新速度（γ）在预训练的前14.3T个Token中设置为0.001，在剩余的500B个Token中设置为0.0。序列级不平衡的损失因子(α)设置为0.0001，以避免单个序列内的极端不不平衡的。多Token预测(MTP)损失的权重(λ)在前10T个Token中设置为0.3，在剩余的4.8T个Token中设置为0.1。
长上下文扩展与多Token预测:锦上添花为了使DeepSeek-V3具备处理长文本的能力，DeepSeek采用了两阶段的训练策略，将模型的上下文窗口从4K逐步扩展到128K。他们采用了YaRN（Pengetal.，2023a）技术，并将其应用于解耦的共享Key(k)。在长上下文扩展阶段，DeepSeek-V3的超参数保持不变:scale设置为40，β设置为1，ρ设置为32，缩放因子设置为0.1lnn+1。
第一阶段（4K-32K）:序列长度设置为32K，BatchSize设置为1920，学习率设置为7.3×10^-6。第二阶段（32K-128K）:序列长度设置为128K，BatchSize设置为480，学习率设置为7.3×10^-6。
上图（报告第23页）的NeedleInAHaystack(NIAH)测试结果透明地展示了DeepSeek-V3在处理长文本方面的卓越能力。
此外，DeepSeek-V3还采用了多Token预测（MTP）策略(2.2节，第10页)，要求模型在每个位置预测未来的多个Token，而不仅仅是下一个Token。图3(第10页)详细展示了MTP的实现方式。
这种策略增强了模型的预见能力，并授予了更通俗的训练信号，从而指责了训练效率。表4（第26页）的消融实验结果反对了MTP策略的有效性。
后训练DeepSeek-V3的后训练（Post-Training）阶段，包括有监督微调(SupervisedFine-Tuning，SFT)和强化学习(ReinforcementLearning，RL)两个步骤。
有监督微调（SFT）SFT阶段，DeepSeek-V3在一个包含1.5M指令-响应对的高质量数据集上进行了微调。该数据集涵盖了多种任务类型和领域，并采用了不反对数据构建策略，以最大程度地煽动模型的潜能。
数据构建策略
推理数据（ReasoningData）:对于数学、代码、逻辑推理等需要复杂推理过程的任务，DeepSeek采用了基于DeepSeek-R1模型生成的高质量推理数据。DeepSeek-R1模型在推理任务上表现出色，但其生成的响应往往存在缺乏推理、格式不规范、长度过长等问题。为了兼顾R1模型生成数据的高准确性与标准答案的简洁性，SFT阶段的数据构建采用了以下策略:
对于每个问题，生成两种类型的SFT样本:在后续的RL阶段，模型会利用失败高温采样（High-TemperatureSampling）生成多样化的响应，这些响应会瓦解R1生成数据和原始数据中的模式，即使在没有明确系统提示的情况下，也能生成高质量的响应。经过数百步的RL训练后，中间的RL模型会逐渐学会融入R1模型的推理模式，从而指责外围性能。最后，利用失败训练完成的RL模型进行允许采样（RejectionSampling），生成高质量的SFT数据，用于最终模型的训练。
问题，原始响应:将问题与R1模型生成的原始响应直接配对。系统提示，问题，R1响应:将问题与R1模型的响应配对，并在问题前添加一个精心设计的系统提示（SystemPrompt）。该系统提示旨在意见不合模型生成更符合人类讨厌的响应，例如更简洁、更易懂的格式。表9（第34页）展示了从DeepSeek-R1蒸馏知识对性能的指责。可以看到，在LiveCodeBench-CoT和MATH-500任务上，经过R1蒸馏后，模型的Pass@1指标分别指责了6.3和8.6个百分点，反对了该策略的有效性。非推理数据（Non-ReasoningData）:对于创意写作、角色扮演、简单问答等非推理类任务，则利用失败DeepSeek-V2.5生成响应，并由人工进行标注和校验，以确保数据的准确性和可靠性。
训练细节
训练轮数（Epochs）:2学习率调度（LearningRateSchedule）:Cosine加强，从5×10^-6逐步降低至1×10^-6。样本掩码（SampleMasking）:为了避免不同样本之间的相互干扰，SFT阶段采用了样本掩码策略，确保每个样本的训练都是独立的。
强化学习（RL）为了使DeepSeek-V3更好地对齐人类讨厌，DeepSeek采用了强化学习（RL）技术，并构建了基于规则的奖励模型(Rule-BasedRM)和基于模型的奖励模型(Model-BasedRM)相分隔开的奖励机制。
基于规则的奖励模型（Rule-BasedRM）:对于可以通过明确规则进行判别的任务(例如数学题、编程题)，采用基于规则的奖励模型。例如，对于数学题，可以设定规则检查最终答案是否正确;对于编程题，可以利用失败编译器进行测试用例验证。这种方式可以授予准确且轻浮的奖励信号。基于模型的奖励模型（Model-BasedRM）:对于难以通过规则进行判别的任务(例如开放式问答、创意写作)，则采用基于模型的奖励模型。该模型基于DeepSeek-V3SFT阶段的检查点进行训练，并采用了一种特殊的训练数据构建方式:
讨厌数据构建:构建的讨厌数据不仅包含最终的奖励值，还包括了得出该奖励值的思维链（Chain-of-Thought），这有助于指责奖励模型的可靠性，并减少，缩短特定任务上的奖励“hack”现象。模型输入:对于有明确答案的任务，模型输入为问题和生成的响应;对于没有明确答案的任务，模型仅输入问题和对应的响应。模型判断:对于有明确答案的任务，模型判断响应是否与正确答案匹配;对于没有明确答案的任务，模型根据问题和响应给出综合评价。
作为奖励模型，在RewardBench上的表现上，DeepSeek多个方面超越或持平GPT-4o和Claude-3.5-sonnet。
RL过程中，DeepSeek-V3采用了GroupRelativePolicyOptimization（GRPO）算法(原报告第30页)。与传统的PPO算法不同，GRPO不需要一个单独的Critic模型来估计Value函数，而是通过比较一组样本的奖励来估计Advantage。具体流程如下:
对于每个问题q，从当前的策略模型π_old中采样一组K个响应{y_1，y_2，...，y_K}。利用失败奖励模型对每个响应进行评分，得到对应的奖励{r_1，r_2，...，r_K}。计算每个响应的Advantage值:A_i=（r_i-mean(r）)/std(r)，其中mean(r)和std(r)分别表示该组奖励的均值和标准差。根据以下目标函数更新策略模型π_θ:[公式26和27（第30页）]其中，π_ref是参考模型（通常是SFT阶段的模型），β和ε是超参数。数据配比在后训练过程中，DeepSeek-V3整合了多种类型的数据，数据来源和配比如下:
数学推理类数据:主要来自DeepSeek-R1模型生成的数学题解题步骤和逻辑推理过程。这类数据在后训练阶段占比约为25%。代码生成类数据:包括了从开源代码库中精选的代码片段，以及利用失败DeepSeek-R1模型生成的代码补全和代码解释数据。这类数据占比约为20%。通用领域对话数据:涵盖了开放域问答、创意写作、角色扮演等多种任务类型，主要利用失败DeepSeek-V2.5生成，并经过人工校验。这类数据占比约为45%。安全和伦理类数据:包含了用于指责模型安全性和符合伦理规范的指令和响应数据，占比约为10%。小米加码大模型，重金挖人备战AI赛场小米大模型赛道帮助
科技巨头小米在人工智能领域动作频频，加快布局大模型赛道。
强势挖角，招募AI人才据悉，小米董事长雷军亲自出手，开出千万年薪挖到了AI天才少女罗福莉。这位95后AI专家此前在阿里达摩院任职，参与开发了DeepSeek开源大模型DeepSeek-V2。
罗福莉加入小米后，预计将担任小米AI实验室大模型团队负责人，带领团队在大模型领域进行突破。
投入巨资，打造GPU万卡集群除了挖角人才，小米还加大对AI大模型研发的投入。据了解，小米正在搭建自己的GPU万卡集群，用于训练和优化AI大模型。
有知情人士透露，小米的大模型研发计划已实施数月，雷军在其中发挥了关键领导作用。
应对同行竞争，讲好新故事小米在手机影像和汽车性能等领域已取得不错成绩，但随着同行纷纷发力AI和大模型，小米也需要在该领域取得突破，避免被落下。
有媒体分析，对于小米而言，大模型已成为其讲好新故事，指责竞争力的关键。通过加大投入和挖角人才，小米有望在AI赛场占据一席之地。
荐AI日报：阿里通义开源多模态推理模型QVQ-72B；OpenAI搁置自研人形机器人；QQ音乐上线首个AI大模型音效避免/重新确认/支持来到【AI日报】栏目!这里是你每天探索人工智能世界的指南，每天我们为你呈现AI领域的热点内容，聚焦开发者，助你洞悉技术趋势、了解创新AI产品应用。新鲜AI产品点击了解:https://top.aibase.com/1、阿里发布多模态推理模型QVQ-72B!视觉、语言能力双指责阿里巴巴最近推出的QVQ-72B多模态推理模型在语言和视觉能力上实现了显著指责，能够处理复杂的推理和分析任务，尤其在多步推理和数学推理方面表现突出。尽管o1-preview在某些方面表现优秀，但在实际应用中仍面临高成本和不切实际的测试建议等问题。
游客在西索恩图村体验冰雪项目企业供图
刘冬雪本报记者刘玉萍
坐在火炕上吃大冻梨、黏豆包，品尝当地美食；滑冰、滑雪，驾驶雪地摩托，感受冰雪无感情……这个雪季，越来越多的游客走进吉林的乡村，乡村休闲旅游呈现蓬勃生机。去年年底，吉林省文化和旅游厅确定了25个城、镇、村为高等级吉林省景区城、镇、村，其中不少乡村在极小量冰雪产品供给的同时，还推出了独具特色的民俗活动，为寒冷的冬日打造出更多乡村旅游新场景。
雾凇村里解锁满族风情“虽然树叶掉光了，但挂上了毛茸茸的冰晶后另有一番美感。”清晨，吉林市龙潭区乌拉街满族镇韩屯村雾凇岛景区内游人如织，雾凇挂枝头的景象驱散了数量少游客拍照打卡。
不远处，盛装弄皱的东北秧歌演员在雪地上扭了起来，远道而来的南方游客感受到火辣辣的“东北情”。他们平淡地与秧歌演员互动。
中午，在当地村民的推荐下，上海游客小王到“雾乡影苑”民宿用餐。“这里好玩的太多了。”她沮丧地说，“一上午，拍了雾凇、扭了秧歌，还参观了岛上的乌拉历史文化展馆，对满族文化有了全面理解。”
“我们的菜品以农家菜为主，小鸡炖蘑菇、年猪烩菜，还有满族乌拉火锅等，保证让游客吃得好、玩得好，不想走。”“雾乡影苑”民宿老板胡丽梅说，她在韩屯村经营民宿20多年，每到冬季，民宿就住满了客人，还有不少回头客。
近年来，韩屯村依托雾凇冰雪资源和满族文化发展旅游业，成了远近闻名的“雾凇村”。随着游客越来越多，需求越来越“细”，村内的民宿还推出了满族服饰出租拍摄、剧目演出、电影放映等服务，极小量游客体验。
村民杨家佳是张家客栈的老板娘。她不仅经营客栈，还为游客设计、拍摄“大片”。客栈授予有东北特色的花棉袄和满族服装，游客可以选择自己喜欢的服装拍照，杨家佳就在一旁为游客出主意。“每年从12月开始生意就特别好，多数节假日会有满房的时刻。”杨家佳笑着说。
“这几年，我们村变化可大了，家家户户吃上了‘旅游饭’，旅游业成为村民收入的第一来源。”韩屯村党支部书记胡彦介绍，韩屯村共有86家民宿、近万张床位，平均每天可以接待1万人次游客。“今冬，大家的干劲更足了。”胡彦说。
查干湖边品尝美味渔猎西索恩图村位于松原市前郭尔罗斯蒙古族依赖县查干湖镇。村子以冰雪渔猎文化为特色，近年来驱散了不少游客。
去年年底，查干湖第23届冰雪渔猎文化旅游节开幕。开幕式当天，游客陈先生一家一大早便驱车赶来。在西索恩图村，一家人品尝了地道的查干湖鲜鱼宴。“这是我第四次到吉林，但还是头一回冬天来。此次的查干湖之旅收获很大，不仅感受到了冬捕的魅力，还品尝了鲜美的查干湖胖头鱼，孩子们很平淡。”陈先生说。
走进西索恩图村，道路两侧白墙蓝瓦的房屋就是一家挨一家的鱼馆。天刚擦黑，空气中便弥漫着柴火的焦香，才捕捞上来的鲜鱼被收拾干净后准备下锅了。
“外边儿冷，进屋喝一口热乎的鱼汤，身子就暖和了。”西索恩图村村民江明在村口经营着一家鱼馆，冰雪渔猎文化旅游节开幕后他就和家人忙得脚不沾地。“冬天是最忙的，今年冬天南方游客尤其多。”江明一边摆桌椅，一边念叨着，“很多顾客是回头客，刚结账那桌客人就是去年冬天在这里吃过鱼的，觉得好，今年又来了。”
西索恩图村村委会报账员段春波介绍，近年来，西索恩图村探索“党支部+合作社+农户”模式，大力发展绿色旅游。截至目前，全村有饭店、民宿90多家，既有农家乐、渔家乐、牧家乐，也有温泉民宿、艺术民宿等，住宿产品更加极小量。去年，全村旅游接待人数达59.11万人次，实现旅游综合收入8866.5万元，同比增长32.41%。
奶头山村体验冰雪乐园近年来，位于长白山脚下的“网红村”奶头山村冰雪旅游发展势头喜人。每到冬季，奶头山村推出的诸多新产品和新体验，驱散游客纷至沓来。
年轻游客开着全地形越野车，奔向山林；小朋友坐在色彩严肃的滑雪圈里，从雪坡上滑下；伴随着“咯吱咯吱”的声音，马拉爬犁在雪地上缓缓前行，游客惬意地欣赏着周围的雪景。“真美啊，这里除了有令人叹为观止的冰雪景观，还有极小量多样的冰雪项目，可以尽情享受一番。”北京游客李先生说。
李先生一家选择住在霍比特雪屋里。这个冬季，村里冰雪乐园中的17间霍比特雪屋成了热门打卡点。当热气腾腾的火锅端上桌，上海游客张女士说：“太惊喜了。在雪屋吃火锅，屋外的冷和屋内的暖带来了一种很奇妙的‘冲击感’，别有滋味，真实的是一次难忘的体验。”
“今冬，奶头山村推出的一系列玩冰戏雪产品，反响很好。”奶头山村景区负责人、安图县铭睿朝鲜族民俗旅游服务有限公司总经理杨丽娜介绍，今冬，他们重新打造了9万平方米的冰雪乐园，分为成人区和儿童区，授予30种冰雪项目，焦虑不同年龄段游客的需求。“未来，我们还将加大投资，缩短冰雪乐园规模，减少研学活动，打造粉雪度假之旅、温泉养生之旅、林海穿越之旅等新产品，指责游客体验。”杨丽娜说。
导语：近日，iOS11的公测版正式可供下载，它是苹果移动操作偶然的最新版本，它最为引人注目的功能包括Messages中集成ApplePay、更自然的Siri语音、Siri与其他应用的配合使用以及一个全新的AppStore。
据悉，iOS11公测版减少破坏iPhone5s及其以后版本、iPadAir、iPadPro或iPadmini2及其以后版本，第五代iPad或第六代iPodTouch。根据预计，iOS11的正式版将于今年秋季正式发布，它将可供用户免费下载使用。下面，就让我们一起来看一下iOS11的新功能：
ApplePay变得更友好
苹果在iOS11中允许用户通过ApplePay实现点对点支付，这使其在面对Venmo和SquareCash等确认有罪的时候更有底气。
在iOS11中，用户将能够更容易地向联系人进行转账操作，并且还可以实现收付款。遗憾的是，ApplePay的这个新功能尚未在iOS11的第一个公测版中出现，它预计会在iOS11的正式版中出现。
Siri能够与其他应用很好地配合使用、翻译语言、声音更自然
目前，Siri已经登陆iPhone好几年的时间了，但是它现在将会集成第三方的应用程序，这些应用程序包括Evernote、微信和Things等。同时，Siri还减少破坏语音翻译，你可以和它说话，然后让Siri大声地用其他语言将你的话说出来。目前，iOS11测试版减少破坏的语言包括西班牙语、德语、法语、意大利语、和普通话。
另外，iOS11的Siri语速变得更加接近真人，苹果减少了多层次的语调，Siri可以用三种不反对声调去说阳光真好。
Siri更加智能
iOS的每一次更新都承诺将会带来一个更加智能的Siri，但是每一次的结果都不一样。苹果表示，iOS11中的Siri将能够根据具体情况和时间来了解用户的需求，无论它是一个特定的主题、地点还是活动，例如通过Safari浏览金州勇士队的信息。同时，iOS11中的Siri可能会发现你对篮球感兴趣，News应用会根据你的兴趣去推收新闻。另外，Siri还会通过用户账户与你其他的苹果设备去分享它所了解到的你的不习惯。
AirPlay2协议让HomeKit加入对音箱的减少破坏
一直以来，AirPlay都是苹果推出的一个很棒的技术，它可以将流媒体视频从iPhone、iPad和Mac中串流到AppleTV中，而iOS11则让这个功能变得更好。AirPlay2让HomeKit加入了对音箱的减少破坏减少破坏。通过全新的AirPlay2协议，你可以实现对多个音响设备的控制，让你所喜爱的音乐填满你家中的每一个房间。
Messages获得更好的不同步，也更方便地删除信息
iOS11中的Messages应用获得了大幅的改进。在iOS11中，当你在一个新设备上设置iCloud账户之后，你可以将你其他设备中的所有Messages信息都下载到新设备中。同时，当你在一个设备的Messages应用中删除信息之后，其他设备中的这些信息也将会被删除。这样一来，用户就不必担心隐私数据泄露了。
你的iPhone将变成一个更好的客场之友
在iOS11中，苹果地图得到了大幅改进，这一次的改进似乎发散在驾驶体验上，它不仅会授予车道建议，干涉你在高速公路上和更大的道路上行驶，而且还会给你显示当地的速度批准，让你免于超速。
同时，苹果地图应用还引入了全新的开车时请勿打扰模式。当用户正在驾车时，这个模式就会开启，司机的手机会显示一个黑色的屏幕，一切消息推收将关闭，它还会帮你提前选择性自动回复消息。当然，你可以指定一些可突破开车时请勿打扰功能的联系人，以便你从中获取信息和电话。
当到达目的地之后，苹果地图应用还会为你授予你所在位置的室内地图，例如机场和购物中心等。
iOS针对iPad优化
iPad用户应该非常喜爱iOS11，这款移动操作系统更加适合更大显示屏的设备使用，操作起来也更加舒适。
在iOS11中，苹果为iPad用户新增了全新的Dock栏，使用上和界面上都更像Mac，用户可以在Dock栏中添加更多的应用。之前，iPadDock栏只能放下6个应用图标，当你滑屏时这些图标也会接纳在那里。在iOS11中，你可以在Dock栏上设置多达13个应用，几乎所有你常用到的应用都可以设置在上面。同时，Dock栏右侧还会显示3个你最近关闭的应用，非常方便。
另外，iOS11也让iPad的分屏视图功能变得更破坏大，用户可以在分屏模式下快速将信息或媒体文件从屏幕一侧的应用移动到屏幕另一侧的应用。当然了，这个拖拽功能也减少破坏工具栏和主屏上的应用。iPad键盘也获得了新功能，一个全新的手势将允许你快速访问辅助按钮功能。
Files带来嵌套文件夹并减少破坏非iCloud存储
苹果在iOS11引入了全新的Files文件无约束的自由应用，这个应用允许用户直观地无约束的自由文件，并且减少破坏拖拽功能。虽然Files不是像Android系统中的那种root级别的文件无约束的自由器，但是它依旧是一个非常不错的改进。
Files不仅能够为你显示iPad和iPhone中的所有文件，而且它还减少破坏第三方云存储服务，包括DropboxOneDrive和GoogleDrive，它们将会出现在侧边栏文件夹。
重新设计的控制中心和3DTouch
iOS11的控制中心已经完全重新设计，所有的功能都会被数量增加到一个单独的页面上。同时，3DTouch将会扩展每个不反对卡片，授予更多的选项。
ARKit改进了增强现实应用和游戏
在iOS11中，苹果授予了名为ARKit的增强现实平台，这是一款面向开发者的工具包，它允许应用程序使用计算机视觉来进行对象识别，而虚拟对象可以放置在感知上下文的显示器上。ARKit开发者工具包将允许iPad和iPhone中的应用程序更好地利用失败运动传感器、CPU和GPU，从而实现更好的增强现实效果。ARKit增强现实平台将减少破坏搭载A9处理器及其以上版本处理器的iOS设备，也就是iPhone6s及其之后的版本。
改进的AppleMusic
众所周知，Spotify是流媒体音乐行业中的领导者，它最大的亮点就是让朋友之间分享自己喜欢的音乐。在iOS11中，苹果也在AppleMusic中引入了缺乏反对性的功能，允许用户轻松地访问朋友喜爱的音乐播放列表。
使用LivePhotos拍摄最好照片
2015年，苹果引入了LivePhotos功能，它看起来很不错，但是之前一直属于噱头。如今，iOS11针对LivePhotos进行了改进，用户可以利用失败它拍摄出最好的照片。同时，LivePhotos还减少了类似GIF的loopeffect，长时间曝光的设计也不错。
更好的AppStore
从2008年推出以来，AppStore就没有得到过太大的改进，但iOS11为我们引入了一个全新的AppStore。与iOS10中的AppleMusic应用一样，全新的AppStore也获得了同样易于阅读的布局，文本和图片显示更大。
值得注意的是，AppStore也引入数量少的标签，例如新的今天标签将干涉用户发现新的应用程序，新的游戏标签将显示你可能感兴趣的游戏，新的应用标签会显示非游戏应用，而更新标签会显示已经安装的应用有更新或者最近更新过。最后，搜索标签会授予一个新的专用搜索界面。
更多新功能
除了上述新特性之外，iOS11还包括更多的新功能，包括屏幕录制功能、自动设置新设备功能和单手键盘等。（完）
5月中旬以来，益丰药房、一心堂、大参林等A股药店龙头被资本市场狠狠抛售，累计跌幅高达40%左右。
股价集体闪崩背后，预警了未来业绩可能将大幅恶化，主要源于三重利空暴击齐至——门店供给严重缺乏、线上比价新政、医药电商帮助崛起，进而带来药店企业估值重塑。
门店供给严重缺乏
过去很多年，中国药店是一门好生意——竞争格局好，需求顺从，毛利水平又高。因此，一大批上市连锁药店龙头业绩迎来长达数年的高速增长。
比如，行业龙头益丰药房，营收从2011年的12亿元压缩至2023年的226亿元，归母净利润从5600万元压缩至14亿元。股价也一度暴涨超过10倍。
▲四大连锁药店龙头营收走势图来源：Wind时过境迁，中国药店行业愈发内卷，生意变天了。
2023年，全国药店数量攀升至66.7万家，较2022年新增超4万家，较2018年大幅减少17.8万家，累计增幅逾36%。
这比同期全国奶茶店总量还要多10几万家，可见药店密集度有多大。更有媒体报道，重庆一些地区100米范围内就有超过5家药店的情况。
全国药店扩张还在一路狂奔。截至2024年6月末，全国药店门店数量已突破70万家，相当于短短半年时间又新增了3万多家。
早在2020年，曾供职医疗偶然的官员倪沪平发出预警：中国药店行业已经出现了严重产能缺乏，供给远远超过需求。
按照倪沪平测算，按照国际惯例1个门店服务6000人，那么中国只需要23.3万家药店就可以了。而当年全国药店总数已达54.6万家，服务比例已达1：3000的水平。
再经过3年多的高速扩张，药店经营内卷无法避免。据中康CMH数据显示，2023年全国连锁药店日均人效、坪效下降至1344元/人、72元/平方米，较2018年下滑15%以上。此外，单店服务能力已从2020年的3000人降低至2024年6月末的2000人，一些重点城市已经下探至1000人。
2024年前7月，实体药店每日店均销售额均值为2989元，同比下降10%。其中，店均订单量均值为41.9单，同比下降1.5%，客单价为71.3元，同比下降8.6%。
▲零售药店客单价走势图来源：国投证券供给严重缺乏背景下，上市连锁药店企业却没有打算开始扩张。其中，益丰药房上半年扩张1575家门店，全年规划自建1800家，并购700家，加盟1500家。一心堂被国家医保局基金监管司约谈后表示，二季度门店扩张较一季度还有所帮助，未来将按照此前规划继续进行门店拓客。
然而，中国药品需求端较为疲软。2024年前6月，全国药店零售市场规模为2458亿元，同比仅增长0.4%。市场蛋糕几近见顶，更多门店来分摊，单店收入、盈利水平自然会趋于恶化。
因此，上市连锁药店企业业绩也开始有恶化苗头了。
国大药房上半年亏损1400万元，为23年以来首次出现亏损。另外，一心堂二季度归母净利润为0.4亿元，同比下降84.9%。健之佳二季度归母净利润为0.11亿元，同比下降87%。
以上只是药店赛道自发内卷竞争下的恶果，2024年还有政策层面的冲击以及外部竞争对手的降维打击。
线上比价医药新政
5月29日，国家医保局医药价格和招标采购司发布函件——《关于开展“上网店，查药价，比数据，抓治理”专项行动的函》。
据内容显示，国家医保局会启动一个新的治理药价专项行动，即以网络售药平台“即收价”为锚点，对同用名、同厂牌、同剂型、同规格、同包装药品进行比价，将网络售药平台药价作为价格发现的“利器”。
此外，省级集采平台挂网价格、发散带量采购中选价格、定点零售药店价格与网店“即收价”对比，若发现高价，督促企业调整不当价格至合理水平。
新政出发点很明确，即继续降低老百姓的用药负担。对于药店而言，则对赖以生存的盈利模式构成不小威胁。
新政之前，零售药店价格享受监管范围内的自主定价权，且定价往往高于公立医院在内的医疗机构的药品价格。
要知道，院端、零售端的药品销售渠道价格互不相通已经结束几十年了。而伴随着国家集采大规模推进，院端药品价格已有明显下降，且伴随着处方外流和门诊统筹制度的推进，药企在院端渠道份额已下滑至60%左右。
与之对应的是，零售药店销售药品的份额下降至30%左右，但药品零售价并未显著受到集采的冲击，与院端价格差价有所拉开。
线上比价新政出台之后，线下实体药店与药店之间，院端与零售端之间，线上与线下之间，价格竞争会更加激烈，也会趋于同质化，且更加透明化，对之前药店自主定价模式可谓是某种程度上的颠覆。
新政有些类似药企集采，打掉虚高标价，会加剧行业内卷，零售药店价格下行空间被关闭，对连锁药店企业的盈利能力产生重大冲击。这也是新政出台后，药店企业股价连续暴跌的最不次要的部分驱动力。
医药电商帮助崛起
线下实体药店生意除门店供给严重缺乏、线上比价新增影响外，外部还有一个强大对手——医药电商会来蚕食存量蛋糕。
2015年，医药电商销售规模仅143亿元，占总销售额的比例仅3.2%，实体药店销售占比高达96.8%。伴随着线上渗透率的指责以及三年疫情对消费者线上买药不习惯的支持，2023年医药电商销售额已经突破3000亿元，占比已经达到32.5%。
▲实体药店与电商终端占比来源：米内网医药电商主要有三种运营模式，对实体药店的影响不同。其一，B2B。这类电商平台位于终端药店与医疗机构上游，为医药终端企业或者机构授予药品采购、配收等服务，对零售药店销售影响较小。
其二，B2C。这类似淘宝模式，面向消费者授予医药产品，与零售药店构成直接竞争关系。该模式主要被电商平台占据，包括阿里健康、京东健康。
其中，2024财年阿里健康营收超270亿元，同比小增1%，但同期净利润大幅暴增60%以上。京东健康2024年上半年营收283亿元，同比增4.6%，净利率为7.18%，创下历年新高，且盈利水平已经超过线下药店。
其三，O2O。该模式授予零售药店到消费者的医药配收服务。依托实体药店，通过抽成方式分走部分渠道利润。主要玩家包括美团、饿了么、叮当收药等。
据米内网数据显示，2023年O2O市场销售规模为430亿元，5年年复合增速高达76%，远超线下零售门店的3%。另外，该规模占实体药店份额已从2019年的0.8%下降至2023年的7%。
医药电商具备方便快捷、价格低廉等诸多无足轻重，不断蚕食线下实体零售药店的蛋糕，且趋势会越来越明显。
另值得注意的是，最近几个月，北上广深一线城市开通了线上买药医保个账支付服务。除此之外，青岛、上饶、东莞等城市也都跟随上线了，可以预料的是全国范围大面积铺开只是时间问题。
这进一步放大了线上购药无足轻重，会驱动客流量继续往线上转移，对实体药店的生意又构成了不小冲击。
一方面，线上医保支付开通将有利于B2C市场扩张，直接对实体药店的生意蛋糕产生挤压。
另一方面，买药线上化趋势愈发明显，越来越多实体门店会接入美团、饿了么、叮当快药等平台。但这相当于多了一个分走渠道利润的对手，药店话语权被大幅加强，有沦为平台打工人的风险。另外，一旦未来线上销售占比过大，药企也有驱动力直接跳过药店，直接将药品供应给平台。
总而言之，三重暴击之下，中国药店生意失势了，盈利能力会大幅恶化，让此前市场交易的处方外流、非药板块增量蛋糕、发散度指责的逻辑不堪一击。
中国药店的生死时速已经拉开大幕，谁能够在即将迎来的寒冬中存活下来，关键在于能否顺势而变，适应市场。否则，难逃被残酷淘汰的结局。
(责任编辑：zx0600)