更便宜、更快，向Agent和國產(chǎn)替代更進一步。

作者｜衛(wèi)琳聰 周悅

終于，DeepSeek-V4 來了。

距離上次版本發(fā)布已經(jīng)過去近5個月，期間多次有DeepSeek新版本發(fā)布的消息傳出，但都干打雷不下雨，等待的空氣里不免泛起一些懷疑。

4月24日，DeepSeek-V4 預覽版正式上線并同步開源，官方新聞稿里直接宣稱“邁入百萬上下文普惠時代”。

此次發(fā)布的版本包含兩款MoE語言模型——DeepSeek-V4-Pro和DeepSeek-V4-Flash。

前者總參數(shù)1.6T、激活參數(shù)49B，后者總參數(shù)284B、激活參數(shù)13B，兩者均支持一百萬token 上下文。

如果單看百萬上下文的能力，在V4之前市場上已有多款模型能夠?qū)崿F(xiàn)，國外如谷歌Gemini ，國內(nèi)如阿里Qwen、月之暗面Kimi等。

DeepSeek-V4 令人驚艷的地方，是又一次帶來效率革命，在性能提升的同時實現(xiàn)成本下降，尤其是讓Agent更便宜成為可能。

更重要的是，V4為打破算力束縛提供了更大可能性，大模型的算力底座從英偉達向華為邁出了堅實一步。

1.轉(zhuǎn)向Agent

DeepSeek官方表示，V4在Agent能力、世界知識和推理性能上均實現(xiàn)國內(nèi)與開源領(lǐng)域的領(lǐng)先。

其中，DeepSeek-V4-Pro性能比肩頂級閉源模型。

在世界知識測評中，DeepSeek-V4-Pro大幅領(lǐng)先其他開源模型，僅稍遜于頂尖閉源模型Gemini-Pro-3.1。在推理性能上，DeepSeek-V4-Pro超越當前所有已公開評測的開源模型，取得了世界頂級閉源模型相當?shù)某煽儭?/p>

不過，技術(shù)報告顯示，最大推理強度模式DeepSeek-V4-Pro-Max性能仍略遜于GPT-5.4和Gemini 3.1-Pro，這表明其發(fā)展軌跡大致落后于最先進的前沿模型約3到6個月。

DeepSeek-V4-Pro-Max與同類模型的基準性能對比

值得注意的是，DeepSeek-V4-Pro的Agent 能力大幅提高。

在對DeepSeek-V4技術(shù)報告的深入分析中，「甲子光年」注意到，V4在更明顯地轉(zhuǎn)向Agent任務(wù)。從V3.1到V3.2，DeepSeek已經(jīng)在強化工具調(diào)用和Agent能力，到了V4，這條線更清楚。

技術(shù)報告里出現(xiàn)了工具調(diào)用格式、推理內(nèi)容管理、Quick Instruction、Agent沙箱基礎(chǔ)設(shè)施，以及Search、White-Collar Task、Code Agent等真實任務(wù)評測。重點考察模型能不能在多步任務(wù)中低成本地調(diào)用工具、保留狀態(tài)、繼續(xù)執(zhí)行。

在Agent 能力提高的同時，V4提供的價格相當實惠。緩存命中場景下，F(xiàn)lash版輸入成本低至0.2元/百萬Token。對于需要大量、多輪次Token交互的Agent應用來說，這無疑是降低成本的好消息。

能力提高、價格下降，毫無疑問，V4在瞄準Agent 發(fā)力，也將進一步推動Agent 的普及。

2.更便宜、更快

DeepSeek-V4系列此次表現(xiàn)出的最大特點，是在長上下文場景中極高的效率。

在1M上下文設(shè)置下，V4-Pro的單token推理FLOPs只有V3.2的27%，所需KV緩存空間也僅為其10%。

而參數(shù)激活數(shù)量更少的DeepSeek-V4-Flash則進一步提升了效率：在百萬上下文中，其單token推理FLOPs僅為DeepSeek-V3.2的10%，KV緩存容量僅為7%。

DeepSeek-V4系列與DeepSeek-V3.2的推理FLOPs計算量及KV緩存容量

基于這種進步，DeepSeek官方宣布，“從現(xiàn)在開始，1M（一百萬）上下文將是 DeepSeek 所有官方服務(wù)的標配。”

這帶來了什么？最直觀的就是價格便宜。

處理一個Token所需的總計算量驟降，直接導致在云端處理每一條請求的電力、硬件磨損和運營成本都斷崖式下降。這是DeepSeek敢于將API定價打到行業(yè)地板價。

DeepSeek V4-Flash輸出價為2元/百萬token，不到同天發(fā)布的GPT-5.5 Pro輸出價（180美元）的千分之二。

除了更便宜，模型也會更快。KV緩存占用降低，也有助于提升并發(fā)能力，并在一定程度上改善長上下文請求的響應效率。

讓或許能讓許多曾經(jīng)“奢侈”的應用場景成為現(xiàn)實。例如，將整個代碼庫塞進上下文進行跨文件的“智能體編程”（Agentic Coding）、讓AI進行長時間的自主規(guī)劃與反思等。

效率的提高源自工程層面的創(chuàng)新。

「甲子光年」認為，在延續(xù)底層工程哲學的基礎(chǔ)上，V4的重點進一步轉(zhuǎn)向兩個問題：一是如何低成本支持百萬token上下文，二是如何讓更復雜的模型結(jié)構(gòu)和后訓練流程穩(wěn)定運行。

最核心的結(jié)構(gòu)創(chuàng)新是混合注意力機制（HybridAttention），這讓V4的長上下文效率大幅提升。

大模型在生成內(nèi)容時，需要不斷回看此前上下文。上下文越長，需要保存和調(diào)用的KV緩存就越多，每生成一個新Token時的推理開銷也會隨之增加。DeepSeek-V4的思路是，將長上下文分層處理，將壓縮稀疏注意力（CSA）與重度壓縮注意力（HCA）相結(jié)合。

具體來說，V4將壓縮稀疏注意力（CSA）和重度壓縮注意力（HCA）結(jié)合：CSA先壓縮KV信息，再篩選與當前query最相關(guān)的部分參與計算；HCA則以更高壓縮率保留遠距離上下文的粗粒度信息。同時，滑動窗口注意力（SWA）處理近處上下文細節(jié)，彌補壓縮機制可能導致的局部信息損失。

通俗地說，傳統(tǒng)注意力機制更像把整本書逐頁攤開，每次答題都重新翻一遍；V4則更像更像是一個智能索引，把近處內(nèi)容保留原文，把遠處內(nèi)容壓縮成章節(jié)摘要。

另一項核心架構(gòu)創(chuàng)新是流形約束超連接（mHC），用于增強底層穩(wěn)定性。混合注意力機制解決的是模型“怎么看長文本”，mHC解決的是模型內(nèi)部信息“如何穩(wěn)定傳遞”。

技術(shù)報告中提到，通過重計算、融合算子等工程優(yōu)化，mHC帶來的額外訓練時間開銷被控制在約6.7%。這表明它并非單純的理論構(gòu)想，而是適配V4大規(guī)模生產(chǎn)訓練的實用設(shè)計。

DeepSeek對V4的架構(gòu)很有信心，表示其性能可與GPT-5.2和Gemini-3.0-Pro相媲美，確立了其作為處理復雜推理任務(wù)的高性價比架構(gòu)的地位。

DeepSeek-V4系列的整體架構(gòu)

3.加速國產(chǎn)替代

另一個值得注意的地方是，此次DeepSeek-V4與華為的關(guān)聯(lián)更強。

技術(shù)報告中提到一個細節(jié)：DeepSeek的細粒度專家并行優(yōu)化方案已經(jīng)在英偉達GPU和華為昇騰NPU上驗證。

并且，這套方案在通用推理負載中帶來1.50—1.73倍加速，在強化學習采樣和高速智能體服務(wù)等低延遲場景中最高達到1.96倍加速。

這并不等于V4全棧已經(jīng)完全適配昇騰，但意味著昇騰950超節(jié)點對V4-Pro的意義不只是增加算力，也在于提升多卡協(xié)同能力。若后續(xù)供給和適配順利，V4-Pro的吞吐和成本空間有望改善。

DeepSeek在V4發(fā)布的官宣文章中，用一行小字寫道：預計下半年昇騰950超節(jié)點批量上市后，pro的價格會大幅下調(diào)。

另一方面，技術(shù)報告還提到，DeepSeek-V4系列的路由專家參數(shù)均采用FP4精度。雖然在現(xiàn)有硬件上，F(xiàn)P4×FP8運算的峰值FLOPs性能與FP8 × FP8運算相同，但從理論上講，在未來硬件上其效率可提高三分之一，這將進一步提升DeepSeek-V4系列的運算效率。

據(jù)「甲子光年」觀察，從V3開始，DeepSeek就沒有單純依賴參數(shù)規(guī)模，而是持續(xù)優(yōu)化訓練效率、顯存占用和硬件利用率。在訓練工程上，V4引入Muon優(yōu)化器，并進一步使用FP4/FP8低精度訓練。前者用于提升收斂速度和訓練穩(wěn)定性，后者用于降低顯存、帶寬和推理成本。

這可謂DeepSeek-V4 在技術(shù)選型上的一個“伏筆”：它在當前硬件上選擇了成熟的 FP8×FP8 路線，但架構(gòu)設(shè)計已為未來的 FP4×FP8 混合精度運算做好了準備，一旦硬件成熟，效率將立刻躍升。

這意味著 V4 未來有望在單卡上運行更大模型，推理成本也有望繼續(xù)下降。

同時，基于DeepSeek的高效架構(gòu)，即使國產(chǎn)AI芯片單卡算力絕對值不如英偉達等頂級產(chǎn)品，也能憑借其高吞吐、低顯存占用的優(yōu)勢運行大模型。

這無疑進一步打破了算力束縛，國產(chǎn)替代的步伐加快了。

（封面圖由AI生成，文中配圖來自：DeepSeek）