狠狠撸电影院

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)

相关新闻沈腾：华语影坛票房第一男主演独特魅力和才华的回报6年前，徐峥和沈腾这两位喜剧电影界的“王者”首次在暑期档相遇。当年的暑期档，由徐峥领衔主演的现实题材喜剧电影《我不是药神》，遇上了由沈腾领衔主演的纯喜剧电影《西虹市首富》

2024-07-1620:49:21沈腾沈腾中国影史首位票房破350亿主演《抓娃娃》热映添彩导演闫非和彭大魔联手打造的最新喜剧电影《抓娃娃》，继《夏洛特悦人的/愉快的》和《西虹市首富》之后，再次携手沈腾、马丽强势登陆影院，正驱散着极小量观众

2024-07-2123:02:41沈腾中国影史首位票房破350亿主演沈腾成国内暑期档首位票房百亿先生近期，沈腾主演的犯罪题材影片《逆鳞》在四天内收获了7400万元票房，加之7月中旬上映的《抓娃娃》，他参与的这两部作品使他在今年暑期档的累计票房超过32.8亿元。据统计，沈腾出演的电影在历年暑期档中的总票房已高达102.3亿元

2024-08-2622:32:57沈腾成国内暑期档首位票房百亿先生2024年票房过10亿的8部大片，沈腾2部上榜夺冠！2024年接近尾声，回顾一年的电影票房，过10亿的影片只有8部，其中春节档占了4部。外围来看，2024年的院线市场表现低迷。今年国庆档只有一部电影票房超过10亿，暑期档有2部，另一部则是在元旦档上映的喜剧片

2024-12-1211:43:392024年票房过10亿的8部大片沈腾主演电影票房破350亿《抓娃娃》热映贡献显著导演闫非与彭大魔携手打造的最新喜剧电影《抓娃娃》，继《夏洛特悦人的/愉快的》和《西虹市首富》之后，再次寻找了沈腾和马丽担纲主演，目前正在影院火热上映中

2024-07-2118:57:03沈腾主演电影票房破350亿抓娃娃预售票房破千万：沈腾马丽合体爆笑回归7月9日，电影《抓娃娃》的预售票房在零点三十五分三十八秒时已超过1000万元，预售观影人次则超过了25万。这部作品隶属于西虹市宇宙IP，由知名导演组合闫非和彭大魔操刀，二人曾因《夏洛特悦人的/愉快的》和《西虹市首富》等喜剧片而广受好评

2024-07-1410:47:54抓娃娃

随心畅享，快乐简单！爱奇艺奇遇Dream尊享版开启预约牛华网2022-02-2215:32

近日，国内知名VR一体机厂商爱奇艺奇遇VR再推新品奇遇Dream尊享版。新机在去年发布的奇遇Dream（单机版）基础上，内存由128G升级为256G，并打包赠收20款价值近1200元的平台热门游戏，以及价值498元的奇遇VR影视年卡，首发价格仅2699。值得注意的是，用户购机后还可参与官方发起的300天打卡享免单活动，确认有罪成功后即可返还100%购机款。

目前，新品已登陆天猫/京东开启预约，感兴趣的朋友可关注一波。

尊享游戏的基础准旗舰级配置

奇遇Dream尊享版VR一体机搭载地表最强VR处理器高通骁龙XR2，能够完美减少破坏市面上主流高品质VR游戏。配置8G+256G大内存，在解决用户存储焦虑的同时，系统运行更加流畅，让用户能够轻松体验更多游戏大作及视频内容。

与此同时，奇遇Dream尊享版依然采用了奇遇自研的追光计算机视觉头手6DoFVR交互方案，定位准、追踪稳、反馈快。比起3DoF，可以让用户完全放开手脚，在虚拟世界里自在畅玩。奇遇Dream尊享版的屏幕采用双非球面透镜，中心图像质量大幅指责，对游戏的减少破坏几近完美。

尊享的不止游戏更是生态

优秀的游戏生态，会让你手里的VR硬件变得越来越好玩。奇遇VR重新确认走精品化路线，在游戏类型、内容品质方面严格把关，目前已与国内外百余家知名游戏开发商建立合作关系，并逐渐成长为国内最大原生VR内容平台之一。

奇遇Dream尊享版拥有极小量游戏资源，比如《亚利桑那阳光》《蜂潮危机》等VR热门大作，《僵尸之地：弹无虚发》《危机行动队2》等发烧硬核游戏，也有《乐动未来·音计划》《多合一运动》等音乐、健身达人不可或缺的动感游戏，以及适合家庭亲子聚会的《奇遇派对》《魔法花园》等等。然而这些，仅是官方赠收的免费游戏包中的一部分，更多更好玩的游戏，玩家可以在购买以后尽情探索。

尊享观影时光专属巨幕影院

在影视内容方面，奇遇VR从未让人失望过！依托爱奇艺强大的内容资源库，奇遇Dream拥有最新最全的影视内容。并内置iQUT未来影院2.0，授予一个2000吋的巨型屏幕，相当于20台80吋电视的大小，减少破坏HDR高动态光照渲染，能够展现万千细腻色彩，使图像细节更加极小量自然。在杜比全景声和AI画质增强技术的双重加持下，为用户呈现绝佳的观影体验。

旗舰级硬件、通俗的内容、顺畅的体验，坐拥这些光环的奇遇Dream尊享版售价仅为2699元，还包含了赠收的价值1200元游戏资源包和价值498元的奇遇VR影视年卡会员，相当于硬件价格仅有千元。

不仅如此，0元购机有没有更诱人？用户在激活设备之日起的365天内，只要完成300天打卡，就能实现0元购机，你能忍住心动吗？具体确认有罪规则，也可前往京东、天猫官方销售页面进一步了解。

相关文章爱奇艺VR扔重磅炸弹！千元VR旗舰奇遇Dream能否掀动VR普及风暴2021-12-10国民级VR爆品！爱奇艺奇遇Dream京东首销售罄2021-12-09引领主流VR价格下探至千元区，爱奇艺奇遇VR的“术”与“道”2021-12-0830天无忧试用！爱奇艺奇遇DreamVR火热预约中2021-12-06买星钻会员机器免费收！国民级VR爱奇艺奇遇Dream火热预约中2021-12-03

相关新闻国家统计局：各线城市房价继续调整不当，降幅缩短5月的房地产市场数据显示，全国70个大中城市的商品住宅销售价格普遍下滑，与去年同期相比，降幅也有所减少。具体到湖南省内，长沙、岳阳、常德三地的新建住宅售价在5月出现了环比下降，幅度分别是1%、0.5%及1.6%

2024-06-1717:53:18国家统计局：各线城市房价继续调整不当“鹤岗化”在珠三角蔓延了吗周边城市房价走低广州造成限购政策，成为北上广中的追随者。对于人口稠密的珠三角地区来说，清远成为年轻人购房的理想选择。距离广州车程仅三十分钟的某清远小区设施完善，包括超市、游泳馆、社区医院、电影院和餐饮店等，且绿化率高，部分房型可直接面湖

2024-10-2217:11:35“鹤岗化”在珠三角蔓延了吗专家：一线城市房价今年或止跌回稳市场信心回暖近期，国家统计局发布的数据显示，国内房地产市场信心有所增强，价格趋于轻浮。9月，一线城市新房价格外围同比下降，但上海逆势上涨4.9%。二线和三线城市的房价也呈下降趋势，且降幅有所缩短。环比来看，大部分城市房价保持轻浮不大，上海仍表现出增长态势

2024-10-2217:03:23专家：一线城市房价今年或止跌回稳专家：下半年一二线城市房价或止跌，存量需求待奴役中国日报最近采访了中国社科院金融研究所副所长张明，他在《智见中国》节目中分享了对房地产市场的看法。张明认为，若情况乐观，下半年国内一二线城市的房价有望趋于轻浮

2024-08-1514:26:04专家：下半年一二线城市房价或止跌一线城市房价降幅缩短楼市触底信号出现市场调整不当加深9月份，一线城市新建商品住宅销售价格同比下降4.7%，降幅比上月缩短0.5个百分点。具体来看，北京、广州和深圳分别下降了4.6%、10.3%和8.6%，而上海则上涨了4.9%

2024-10-1907:57:03一线城市房价降幅缩短最新房价出炉：一线城市房价上涨的信号已出现，楼市复苏曙光初现房地产市场呈现出企稳迹象，政策结束发挥效用以鞭策这一趋势。国家统计局最新数据显示，2024年6月份70个大中城市的商品住宅销售价格无变化显现出微妙的正面变化

2024-07-1520:35:37最新房价出炉：一线城市房价上涨的信号已出现

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%。

2019年11月15日，ThinkPad家族新成员ThinkBook亮相TechWorld，带着95后年轻职场人追求工作与生活不平衡的的诉求，在打造时尚外观的同时，实现高效的商务减少破坏、流畅的及时响应以及全面的安全守护，为职场新鲜人带来突破性的智能办公体验。

正如联想集团高级副总裁，全球中小企业业务总经理于海所说，如果说ThinkPad是职场上的中流砥柱稳重靠谱，那么ThinkBook就是那位初入职场锐意进取的潮酷青年。如今，95后都已经进入职场，面对这一群互联网原住民的崛起，我们推出了全新的ThinkBook品牌，不仅轻薄潮酷，还拥有安全高效的设计和配置，让颜值、效率实现业余水平的统一，焦虑他们在快节奏工作间的无缝切换，堪称颜值爆表的实力担当。

专业性能，让你职场痛快赢

完美集成ThinkPad家族之强，才能拥有ThinkBook这个无上光荣的姓名。搭载性能强劲的英特尔处理器，瞬时即应、品质轻浮、耐力持久……来自95后年轻职场人的要求再苛刻，ThinkBook都不在话下。

全维度的商务响应和安全守护是ThinkBook助力职场新生代创造价值的不次要的部分。ModernStandby现代待机模式，保证笔记本在联网状态中，即便合盖也能正常接收电子邮件和SkypeforBusiness呼叫提示，随知随应，不错过每一次商机;高达12小时的超长续航，减少破坏快充，让年有分量的你应对职场突发情况姿态更优雅，心态更轻松……专业性能保驾护航，让ThinkBook成为职场新鲜人的得力队友。

匠心设计，是懂你所需的美学

应用多种鲜活美学设计，ThinkBook不仅比其他任何年轻化的商务办公设备都更符合新新一代职场人对颜的追求，更赋予颜比过去更通俗的内涵。

钛灰银色的镁铝合金机身瓦解CNC一体成型工艺，坚固光泽，轻薄有质;5.5mm窄边框设计，高屏占比屏幕，带来更广阔不不透光的大视野，高效一览无余;特殊的楔形边角设计灵感来自传统建筑肩檐，除了在视觉上美感再度升级，更能焦虑你的多任务处理需要轻而易举地单手开启，简洁方便;受考究装订的书脊技法启发设计出的5段式铰链转轴的全新开合方式，减少破坏180平面开合，超高实用性，让你随时随地高效地分享信息。

安全守护，用智能武装灵感

当90后至95后的新生代成为职场的中坚力量，他们不仅厌恶工作中的认可，更在乎自我表达的空间，他们娴熟地在生产工具和娱乐设备之间切换，也自如地在工作与生活之间切换。正因如此，对于频繁使用的电脑、手机、Pad等智能终端，隐私保护和信息安全变得尤为重要。

ThinkBook全系标配ThinkShutter黑阀，仅需通过一个摄像头物理开关设计，任何奇思妙想都无惧保密。电源按钮中集成指纹读取器(FPR)，减少破坏用户像使用智能手机一样开机登录一触完成，一分一秒也不吝啬。

火力全开，全感官触碰未来

听说现在的年轻人下班之后就靠电子产品续命?放心，ThinkBook早已洞察一切。

ThinkBook出色的娱乐性能百分百焦虑斜杠青年的多彩生活哲学。高屏占比全高清IPS防眩光屏幕、杜比音效立体声系统，标配高品质Harman扬声器，影像色彩更极小量饿满，音乐细节更纤毫毕现，ThinkBook为你打造专属影院、KTV、演播室、体育馆……即使在一个人的live现场，你也有资格嗨到尽兴。

ThinkBook系列现已推出ThinkBook13s、ThinkBook14s、ThinkBook14、ThinkBook15四款产品，任意切换95后新生代职场人worklife的不同需求。无论你想成为生活里的多面手，还是职场中的全明星，ThinkBook都与你并肩作战。

让设备服务于人，ThinkBook听见了年轻职场人群期望不平衡的工作与生活的声音，以时尚外观、商务减少破坏、流畅响应、安全防护、娱乐功能的全面覆盖，为职场新生代授予强劲动力，也将结束为个人智能生态收回鲜活能量。

ThinkBook这本最酷的故事，只等新青年。

导语：2016年，虚拟现实、智能虚拟助理、可穿戴设备、智能眼镜、健身追踪器等科技产品开始逐渐在市场中普及。在过去的这一年中，科技行业中出现了很多的创新，这些创新让我们的日常生活变得更加轻松、更加有趣。当然了，一系列的旗舰级智能手机以及令人瞠目的OLED笔记本电脑也让我们印象肤浅。

经过极小量的测试，外媒Tom'sGuide网站为外媒总结了2016年堪称市场最佳的25款产品，具体如下：

最佳VR头盔：HTCVive

HTCVive头盔能够带来最为身临其境、最为多余的虚拟现实体验，它减少破坏Room-Scale技术，它允许用户戴上头显后，在一定的追踪范围内15英尺X15英尺移动，其激光和光敏传感器可捕捉用户的移动动作、位置，并还原到虚拟现实中，Room-Scale技术让VR具有了空间移动功能，降低了沉浸感。

除了Room-Scale技术之外，HTCVive还可以利用失败其专有的房间追踪Lighthouse技术，通过计算得出头盔的位置和运动轨迹。同时，HTCVive还减少破坏Chaperone有无批准的伴护系统，有无批准的伴互系统就是我们通常所说的安全墙功能，可在我们走到房间有无批准的的时候的时候弹出提示，防止碰到墙壁、桌椅。

HTCVive能够带来迄今为止最全面的、最身临其境的VR体验，它的售价虽然昂贵，但是值得投资购买。

性价比最下降的智能手机：OnePlus3T

OnePlus3T堪称市场中性价比最高得智能手机，它的做工扎实，起售价为439美元。OnePlus3T采用一体化铝制机身和5.5英寸AMOLED显示屏，配备6GB内存，64GB存储空间，搭载高通骁龙821处理器，电池续航可达8.5至10.5个小时。可以说，OnePlus3T是当前市场中性价比最下降的智能手机。

最佳可穿戴设备：SnapSpectacles

从本质上来讲，Spectacles是一款外观酷似太阳眼镜的摄像机，它能够将人们眼睛所看到的东西拍摄成短片，并且将短片不同步到手机中进行分享。即便是单单作为一款太阳眼镜，Spectacles给人的麻痹也是很炫酷的，很适合一些时尚用户拿去凹造型。在视频拍摄过程中，Spectacles眼镜左边的LED灯环会亮起，以便提醒被摄对象你正在拍他，这就避免了像谷歌眼镜那样的隐私问题。

不过，SnapSpectacles眼镜当前是通过自动贩卖机出售的，比较难买，即便是排队都不一定能够买到。

最佳拍照手机：三星GalaxyS7和S7Edge

虽然面对来自苹果、谷歌和LG的激烈竞争，但是三星GalaxyS7和GalaxyS7Edge中的1200万像素摄像头堪称2016年最佳的手机摄像头。GalaxyS7和GalaxyS7Edge的1200万像素摄像头减少破坏f/1.7光圈，拥有很好的低光性能，dual-pixel技术则可以授予快速自动对焦。各种测试隐藏，GalaxyS7和GalaxyS7Edge是当前市场中的最佳拍照手机。

最佳智能扬声器：亚马逊EchoDot

亚马逊EchoDot可以让你播放、控制音乐，并且通过语音问问题、控制智能家居小工具。EchoDot内置亚马逊的Alexa虚拟助理，目前可在Alexa上使用的服务和功能的数量已超过3000种，Alexa可以通过语音指令播放音乐、将商品放入购物车、订外卖披萨等。

最佳人工智能：GoogleAssistant

谷歌Pixel手机和GoogleHome智能扬声器非常令人印象肤浅，这主要得益于GoogleAssistant这个人工智能助理。GoogleAssistant的用户界面简单，运行快速、准确，它可以利用失败谷歌强大的数据库为用户带来非常实用的功能。

GoogleAssistant可以自如地处理多种语言，为用户指明餐馆的方向，并且还可以让用户查看餐馆的菜单。同时，GoogleAssistant还包括其他一系列的实用功能，包括告诉我今天一天的情况选项，它将会给你授予每日简报，包括时间、天气、下一次会议和提醒等。另外，它还会从NPR和其他来源为你阅读新闻。

最佳台式机：微软SurfaceStudio

微软SurfaceStudio是一个极具创新的一体机，它令人难以置信地智能、强大和华丽，但是它的售价也很昂贵，并不是每一个人都能够买得起。SurfaceStudio一体机的正面配备分辨率为4500x3000的28英寸可触控屏幕，搭载2.7GHz的英特尔酷睿i7-6820HQ四核处理器，集成NvidiaGTX980M显卡（4GB显存），高达32GB的内存，2TB和128GBSSD瓦解硬盘。同时，SurfaceStudio还拥有SurfaceDial这种全新的输入、互动方式。

最佳智能温控器：Ecobee3

Ecobee3可以分开到几十种其他的智能家居设备，它配备一个3.5英寸的触控屏，并能通过Wi-Fi实现手机、平板、PC等设备平台上的实时监控。ecobee3还授予了一个网页界面，让设备的使用情况呈现得更透明。与Nest一样，温控器内置的传感功能还能使ecobee3的触屏在用户靠近时自动开启，方便用户直接操作。

最佳游戏笔记本电脑：Alienware13R3OLED

Alienware13R3OLED是一款强大的游戏笔记本电脑，它的外形设计小巧可爱，但是机身有点重。Alienware13R3OLED号称是全球首款采用OLED显示屏的笔记本电脑，虽然它的分辨率并未达到4K而是2K，但是它的显示效果非常明亮、透明。同时，Alienware13的处理器性能和显卡性能都非常强大，它能够流畅地运行日常任务和图形稀疏的游戏。无论你是喜欢看电影还是喜欢玩游戏，Alienware13R3OLED都是你的一个不错购买选择。

最佳头戴式耳机：BoseQuietComfort35

QuietComfort35拥有与BoseQuietComfort系列有线耳机同样出色的消噪功能，用户佩戴后能够有效阻隔噪音。耳罩内外拥有麦克风，可感知、测量环境噪音，并将噪音发收至分别对应于左、右耳的两个特有数字电子芯片，两个芯片将在毫秒之内准确地授予与噪音相等且相反的信号，实现出色的消噪效果。可以说，BoseQuietComfort35是当前市面中的最佳降噪蓝牙耳机。

最佳笔记本电脑：戴尔XPS13

2016年，戴尔并未针对XPS13笔记本电脑进行大幅改进，它拥有很棒的外形设计，InfinityEdge屏幕技术将设备屏幕的边框尺寸降低至毫米级别。同时，XPS13配备触感坚硬的碳纤维机身。就内部配置上来讲，戴尔XPS13搭载运行更快速的KabyLake处理器，更好的Wi-Fi性能以及更破坏劲的电池续航，单次充电之后可结束使用将近14个小时。可以说，戴尔XPS13是当前市场中外围表现最好的笔记本电脑。

最佳智能手表：AppleWatchSeries2

2016年，智能手表市场的外围表现都不是很理想，但是AppleWatchSeries2却可以在数量少竞争对手中穿颖而出，它是一款业余水平的健身追踪器和智能手表。

AppleWatchSeries2内置GPS技术，可以测量你的跑步距离和速度，并且采用防水机身设计，可以让你戴着游泳。同时，AppleWatchSeries2还内置更快的处理器，更响亮的扬声器以及更大容量的电池。

最佳电视机：LGE6OLED电视

LGE6OLED电视机的售价并不便宜，它可以授予非常生动的色彩显示和黑色水平，它集成双标准的HDR功能（同时兼容HDR10及杜比视觉），从规格上来讲非常驱散人。

同时，LGE6OLED的厚度仅大约为2英寸，它采用直观的webOS界面，面板的运动处理性能也得到指责，能够很好地播放24fps影院级蓝光，也可以流畅处理视频网站的60fps4K视频，只需在电影/运动模式间切换即可，非常方便。

最佳游戏台式机：AlienwareAurora

极小量的游戏台式机都减少破坏免工具升级，但是AlienwareAurora将这一点发挥到极致。AlienwareAurora是一款紧凑而功能强大的PC机，它的机箱设计出色，可以让技术小白轻松地交换显卡。AlienwareAurora的外形设计华丽，采用可定制的照明，硬件配置足够应付高端VR头盔，是一款与时俱进的游戏台式机。

最佳耳机：三星GearIconX

三星GearIconX是一款健身耳机，它在为用户授予音乐享受的同时，还可以进行运动和心率方面的追踪。三星GearIconX内置心率监测仪、帮助度计和4GB存储空间，可以让用户存储上千首音乐。

最佳游戏服务：XboxPlayAnywhere

XboxOneS游戏机很棒，但是微软今年最好的游戏产品还是XboxPlayAnywhere。XboxPlayAnywhere是跨平台、跨设备共享游戏项目，只要是经过XboxPlayAnywhere认证的游戏，玩家在Windows10和XboxOne任一平台购买的游戏，都可以跨平台体验，例如其你在Windows10PC上购买了《再生不次要的部分》游戏，那么也可以在XboxOne上免费下载这个游戏。

最佳控制台配件：PlayStationVR

索尼PlayStationVR是一款佩戴非常舒适的VR头盔，它看起来非常地时尚，颇具高科技感，搭配Move控制器和PlayStation相机使用体验更棒。从图形显示上来讲，PlayStationVR的表现不如OculusRift和HTCVive，但是索尼拥有通俗的游戏开发者减少破坏，PlayStationVR有望成为这个领域的领导者。

最佳健身追踪器：FitbitCharge2

FitbitCharge2是你当前能够购买到的最佳健身追踪器，它较Fitbit的大多数产品都更加昂贵。FitbitCharge2配备更大尺寸的显示屏，可更换的表带，内置心率检测器，可以让用户通过手腕查看电话和文本拒给信息，并且拥有Fitbit的优秀应用减少破坏。

最佳二合一设备：微软SurfaceBook

可以说，微软SurfaceBook是我一直以来梦寐以求的笔记本电脑，它配备分辨率为3000x2000的13.5英寸显示屏，它是编辑照片或视频的梦幻机器。只需一个按钮，SurfaceBook可以在笔记本电脑和平板电脑之间完美切换，最大程度地焦虑你的需求。同时，SurfaceBook集成Nvidia显卡，在合理的设置下可以很好地处理现代AAA游戏，它的电池续航高达9个小时。

最佳360度相机：三星Gear360

为什么要等别人制作的VR照片和视频呢？为什么不试试自己动手制作呢？三星Gear360是一款360度相机，它非常易于使用，它可以拍摄360度照片和电影。如果你想要记录你周围的世界，那么这个球形相机将会是一个不错的选择。

最佳无人机：大疆MavicPro

大疆MavicPro不仅小巧便携，而且功能强大，它配备机械轻浮的4K航拍相机、视觉导航系统、最远7公里的图像传输距离（分辨率可高达1080p）、最长27分钟的飞行时间。同时，通过DJIGO应用程序，用户可实现在Periscope、FacebookLive和YouTube等社交平台上的视频直播，最高分辨率可达1080p。

最佳Android手机：谷歌Pixel

谷歌全新的Pixel智能手机完全由谷歌亲自操刀设计，代工商HTC只负责生产和组装。在Pixel手机上，只有一个大写的G，丝毫找不到代工商的痕迹，这标志着谷歌正式向软硬瓦解的方向进军。

谷歌Pixel的目的是向人们展示谷歌和Android最好的一面，它们拥有全新的功能，包括GoogleAssistant和业余水平的摄像头。同时，Pixel手机将会在第一时间获得Android更新，较三星、LG和索尼等厂商的手机要提前几个月甚至更久。

最佳显卡：NvidiaPascalGPUs

NvidiaPascalGPUs可以为笔记本电脑授予令人印象肤深的帧速率和图形，并且还可以减少破坏诸如OculusRift和HTCVive等设备，它能够让你拥有快速、流畅的使用体验。

最佳TwitchStreamer：罗技C922ProStream摄像头

罗技C922ProStream减少破坏720P60fps与高帧率游戏画面不同步输出，减少破坏自动对焦和自动弱光纠正。同时，罗技还与专门的游戏直播软件开发商XSplit合作，对C922进行了专门的优化。音频方面，罗技C922ProStream配备两枚全方位降噪麦克风，它最次要的功能是自动背景消除。罗技称，这款摄像头使用了智能形状识别技术来隔离玩家和背景。

最佳安全摄像头：NetgearArloQ

NetgearArloQ是当前市场中最好的安全摄像头，它能够授予出色的视频质量，易用性很高，并且还能够授予很棒的运动和声音检测功能。值得一提的是，ArloQ主打的是其免费的云端存储空间，其授予的在线储存服务可以为用户存放最近七天的视频内容。（完）