實測V4長文本、代碼、推理能力。

AIX財經（AIXcaijing）原創

作者| 李夢冉

編輯| 魏佳

沒有發布會，沒有倒計時，DeepSeek V4就這樣直接上線了。

這已經是DeepSeek慣用的節奏。但這次不一樣的地方在于，他們在技術報告里主動寫下了一句話：V4的能力水平仍落后于GPT-5.4和Gemini-3.1-Pro，發展軌跡大約滯后前沿閉源模型3至6個月。

這句話放在國內AI圈的語境里，顯得有些格格不入。大多數模型發布，標配的是“全球領先”“行業第一”。DeepSeek反過來，主動劃出差距。

但如果細看這次發布的內容，就會發現這并不是謙虛，V4壓根沒打算在“誰最強”這個問題上和GPT-5掰手腕。V4想做的，是把百萬token的超長上下文變成所有用戶的標配，同時把價格打到競品的三分之一以下。

這篇文章我們想說清三件事：V4是什么、它能干什么，以及這次發布背后值得關注的信號是什么。

01.

V4最大變化：超長文本全系標配

V4模型按大小分為Pro和Flash兩個版本，在官方網頁端和APP界面分別是專家模式和快速模式。

Pro是旗艦版，主打能力上限，對標的是GPT-5、Gemini這類頂級閉源模型，適合對效果要求極高的復雜任務。Flash是輕量版，速度更快、價格更低，推理能力接近Pro，但世界知識儲備稍遜一些。

兩款模型都支持同一件事，也是這次發布最值得普通用戶關注的變化——百萬token的超長上下文，全系標配，不分版本，不加價。

“上下文”這個詞聽著技術，簡言之就是“AI一次能讀多少內容”。按照100萬token大約是75萬漢字換算，差不多把整部《三國演義》喂給V4，它都能完整理解和分析。

這源于V4采用了CSA（壓縮稀疏注意力）和HCA（重度壓縮注意力）的混合架構。同樣處理一百萬字的內容，V4只需要前代模型四分之一的算力和十分之一的顯存。

以前這個能力不是沒有，但價格都很貴，得單獨付費或者升級套餐。V4把它變成了所有用戶默認就有的基礎能力。對日常使用來說，感知最明顯的一點是：使用者不再需要把一份長報告剪來剪去分段喂給AI，整份材料可以一次性丟進去，讓它直接處理。

此外，V4提供了三檔推理強度：

Non-think直出模式，AI直接給答案，適合簡單問答和日常對話，速度最快；在網頁和APP上關閉深度思考即可。

Think High是常規深度思考，AI會在腦子里推導一遍再回答，適合需要分析計算的場景；

Think Max則適合極難推理，但耗時更長，消耗的token大約是普通模式的兩倍。思考的強度，由模型根據問題的復雜程度自動判斷，或者使用者可以通過API參數手動指定為High或Max。

定價方面，V4延續了DeepSeek一貫的激進風格。

V4-Pro每百萬token輸入1元（緩存命中）或12元（緩存未命中），輸出為24元；V4-Flash為每百萬token輸入0.2元（緩存命中）或1元（緩存未命中），輸出為2元。

粗算下來，DeepSeek的定價大約是競品的三分之一甚至更低。另外，V4同時支持OpenAI和Anthropic兩種API接口格式，對開發者來說，切換只需要改一個參數，遷移成本幾乎為零。

02.

三個場景實測：長文本、寫代碼、復雜推理

在實際使用中，V4表現如何？我們圍繞三個高頻使用場景對其展開測試：長文本處理、代碼生成與調試和復雜推理。

場景一：長文本處理

長文本處理是V4此次核心賣點，我們直接選用某上市公司2025財年年度報告作為測試材料。這份年報篇幅為324頁，涵蓋財務報表、附注及股東信息等多個模塊，信息密度高、數據分散，是測試長文本理解能力的理想素材。

我們的測試問題分兩層：第一層要求提煉年報核心要點；第二層追問兩個藏在文檔深處的具體數據——該年度回購股份的總數量與總對價，以及管理人員酬金排名第三的具體人員與金額。這兩個問題的答案分別散落在年報第212至213頁和第311至313頁，位置偏后，必須完整閱讀文檔才能準確定位。

V4響應時間約19秒，給出的答案完全符合原報告。

此外，在追加提問短期銀行借款利率區間時，我們關閉了“深度思考”，選擇Non-think模式，V4同樣準確找到年報數據，信息來源同樣精確到頁碼。

從整體表現來看，快速模式下V4對這份300余頁年報的處理相當穩定。數據定位準確、跨章節關聯清晰、單位換算無誤，且在回答過程中主動識別了潛在的口徑歧義并加以說明，并沒有因為文檔體量大而出現答非所問或信息遺漏的情況。

對于需要快速從大體量文檔中提取特定數據，V4的長文本處理能力已經達到了實際可用的水準，且在快速模式下便能完成，不需要開啟深度思考來換取準確性。

場景二：代碼生成與調試

這一場景我們分兩步進行測試：

第一步，讓V4生成一段含有隱藏Bug的Python代碼，要求故意埋入2至3個常見錯誤但不提示位置；

第二步，將這段代碼重新交回V4，要求找出所有問題、修復代碼并逐一解釋原因。兩輪分別在開啟和關閉深度思考的模式下各跑一次。

開啟深度思考模式響應時間15秒。V4在思考過程中主動梳理了代碼的所有潛在問題，最終給出了6項錯誤分析，超出原題預設的2至3個范圍。除了最核心的數據類型錯誤和文件未正確關閉之外，還額外識別出除零錯誤、列名不存在時的KeyError等。

關閉深度思考模式明顯更快，直接輸出結果，沒有可見的思考過程。識別出的問題同樣是文件未正確關閉、列數據類型錯誤、除零錯誤、列名不存在等，與開啟深度思考的核心結論基本一致。

對于不懂代碼的用戶來說，日常的代碼調試任務，關閉深度思考已經足夠可用，速度也更快；如果是生產環境的代碼審查，或者需要考慮各種異常邊界，開啟深度思考會給出更完整的分析。

場景三：復雜推理與分析

對于復雜推理測試，我們設定為一家中高端護膚品公司的經營困境分析：三年收入年均增長18%，但凈利潤率從12%腰斬至6%，同時面臨庫存積壓、營銷費用失控、電商渠道落后和競爭對手低價搶市等多重壓力。

要求V4以商業顧問身份，識別核心問題、按緊迫程度列出三個優先風險并說明判斷依據，隨后在同一對話中追問：若公司決定優先發力電商渠道，可能面臨哪些新風險。

深度思考響應用時9秒。V4在思考過程中先完成了問題拆解：將所有負面信號歸類為現金流威脅、盈利能力惡化、市場結構性風險三個維度，再依據“若不立即處理會導致現金流斷裂或持續虧損”的緊迫性標準完成排序，邏輯鏈條清晰可見。

最終它給出的三個優先風險依次是：庫存積壓與現金流風險排第一； 盈利能力持續惡化排第二，中端市場被搶占與渠道結構性短板排第三，并均給出了充分理由。

為了驗證連續推理能力，我們追問發力電商渠道的風險，響應用時僅3秒，直接在第一輪建立的背景基礎上繼續推導，V4識別出五項新風險。

關閉深度思考后結果也差不多，不過結論呈現上更結構化，增加了“止損時間窗口”，落地感更強，某種程度上比深度思考版本更像一份可以直接拿去匯報的分析文件。

這一輪測試最值得關注的有兩點：一是推理的連貫性。前后兩輪的分析形成了完整的邏輯鏈；二是結論的落地性。風險分析不停留在“可能會有影響”的泛泛層面，每條都給出了具體的傳導路徑。

比如它指出高端產品依賴線下BA服務和專柜體驗來支撐溢價，一旦在電商大力促銷，消費者會形成“不降價就不買”的預期，進而打擊線下門店的正價銷售能力，最終形成惡性循環。測試結果顯示出推理邏輯連貫性和縝密性。

03.

V4的真正影響力，在模型之外

DeepSeek主動說自己“落后3到6個月”，這不是謙虛。DeepSeek的牌是開源、是價格，承認差距，反而讓這張牌打得更穩。

一位長期關注大模型領域的從業者對「AIX財經」稱，“當一個開源模型把百萬上下文變成標配、把API價格打到競品的三分之一，你會發現閉源模型的護城河其實沒有想象中那么寬?！盫4最大的價值是讓用戶在成本可控的前提下，把很多以前想做但做不起的功能做出來了。

也因此，開源加低價，可能會動搖整個行業的定價邏輯。

對普通用戶和中小開發者來說，頂級推理能力的使用門檻被大幅拉低。以前要用上好模型，要么付高額訂閱，要么承受居高不下的API成本，現在這個壁壘被打薄了；對大廠來說，當一個性能接近的開源模型以極低價格提供服務，閉源模型的溢價空間會被持續壓縮，而且這個壓力是長期的，不會因為下一個版本發布就消失。

此外，V4技術報告里，首次把華為昇騰和英偉達GPU并列寫進了硬件驗證清單。

更值得注意的是，V4選用的FP4精度格式，恰好是華為今年新發布昇騰950芯片原生支持的精度，兩者之間的適配不是巧合。DeepSeek官方表示，等下半年昇騰950超節點批量上市之后，V4-Pro的價格還會繼續大幅下調。

在英偉達出口管制持續收緊的背景下，這次技術協同釋放的信號很清晰：DeepSeek在主動構建一條不依賴英偉達的算力通道。這件事的戰略意義，比V4本身的產品發布要深遠得多。

上述從業者稱，昇騰這條線如果真的跑通，對整個國內AI生態意義巨大，現在大家都在英偉達這根管子上排隊，一旦有一套可以平替的硬件基礎設施成熟起來，算力的定價權和供給穩定性都會發生根本變化。DeepSeek愿意在技術報告里公開背書昇騰，這個動作本身就不是普通的商業合作，更像是一個方向性的表態。

下半年隨著昇騰950上量、價格進一步下探，V4的實際影響力可能才會真正顯現。