等了将近半年，DeepSeek-V4 终于来了。
4 月 24 日，DeepSeek 通过官微宣布 V4 的预览版本正式上线并同步开源。
在这一代模型中，DeepSeek 推出了两个版本：拥有 1.6T 参数（49B 激活）的 Pro 版本，以及 284B 参数（13B 激活）的 Flash 版本 。而且，两款模型均原生支持 100 万 token 的超长上下文。
为了体验新模型的能力与特质，我用网页版跑了下自己最熟悉的场景（读报告与写稿）。就体感来说，此前被普遍提及的一个问题——网页版快速模式与专家模式分层的效果不明显，从输出结果来说依然不分存在。虽然专家模式对报告的解读更细致，稿件体量更庞大，而且调用了很多外部信息，看起来十分努力，但如果从成文的立意、逻辑、华彩段落等评价来看，仍无法说与快速模式有质的差异。
而在部分场景中，专家模式明显开启了 " 深度求索 " 模式，甚至 " 自己跟自己较劲 "，花去大量时间解决看似不复杂的问题。快速模式则仍会相对快地处理各类任务。不过，问题是，专家模式是否能合理选择在什么情况下进行 " 深度求索 " 呢？目前，针对一些并不复杂的要求，比如将不同风格的文字进行统一等，专家模式可能会花费两分钟来输出一个不到 200 字的内容。而且，在目前的尝试中还不能确定其启动 " 深度求索 " 的契机和逻辑，但如果是追问，大概率专家模式要比首次提问耗费更多时间，体感上比 V4 更新前的时长差距更为明显。
当然，仅从解读报告和稿件写作的角度，DeepSeek 输出的结果（尤其是中文模型），看起来仍领先大多主流模型，V4 更新后似乎能感觉出来其提炼能力、解读能力有所提升，明显错误则在减少。而这背后，与其在技术架构和 Agent 能力方面的探索也紧密相关。
三大技术突破：混合注意力架构、mHC 与 Muon
技术报告发布后，引起最多反响的当属 V4 对 " 长文本效率 " 的压榨。而在这背后，主要得益于其三大技术突破：混合注意力架构（CSA + HCA）、流形约束超连接（mHC）与 Muon 优化器。
· 解耦注意力，从 " 逐字背诵 " 到 " 记重点 + 跳读 "
传统 Transformer 模型处理长文本有个致命弱点：文本长度每增加一倍，所需的计算和显存资源呈平方级飙升，就像要求一个人把整本书一字不差地背下来。
V4 的解法是 " 混合注意力架构 "，它把两套技巧结合起来。
其中，CSA（压缩稀疏注意力）对已读取的内容，只保留高度压缩的记忆缓存，并采用跳读式的稀疏计算，大幅省掉冗余运算。
而 HCA（重压缩注意力）则对相隔很远的段落间的关系，再做一次深度压缩，进一步削减显存占用。
从技术报告给出的效果来说，在 100 万 token 下，V4 Pro 的单次推理计算量仅为前代的 27%，显存缓存占用仅 10%。简单说，以前处理一篇百万字小说又贵又慢，现在可以经济实惠地日常使用。
· 流形约束，防止深层网络的 " 信息传丢 "
V4 在架构层面的核心创新—— " 流形约束超连接（mHC）"，同样令人瞩目。该技术此前已于今年 1 月 1 日以论文形式发布。
在目前市面上主流的大模型架构中，层与层之间传递信息就越像一场 " 传话游戏 " ——层数越多，原始信息越容易衰减和稀释。传统残差连接只能机械叠加，缓解有限。
mHC 对此的解题思路很明确，在特殊几何空间中约束信息流动的方向，让每一层都能更精准地汲取前面所有层的关键特征，而不是糊在一起。该技术此前已于今年 1 月以论文形式公开。
从目前看到的效果来说，模型的训练稳定性与收敛速度的确得到了显著提升，等于为超大规模模型训练搭建了一条更高效、不易出错的信息通道。
· 全新优化器与超大规模数据，拓宽能力边界
为预训练时，模型调参依赖 " 优化器 " 来指导方向。
为了进一步加速训练进程，V4 弃用了此前主流的 AdamW，改用全新的 Muon 优化器，后者在收敛速度、训练平稳度上表现更优，特别适合超大规模参数。配合总量高达 32 万亿 token 的预训练数据，模型的能力边界被进一步拓宽。
正是这套组合拳，使得即使是参数规模巨大的 Pro 版本，推理开销也降到了极低成本区间。目前看来，这将实质性推动长文档分析、复杂代码理解及多轮深度对话等应用从 " 能用 " 走向 " 好用 "。
进击的 Agent 能力
技术创新推动着性能的再次大幅跃升。
在本次发布中，Agent 能力被置于战略高度进行优化和评测。
技术报告显示，为让模型具备解决真实世界中长周期、多步骤任务的能力，DeepSeek 开发了一套新的后训练范式：先独立培养数学、编程、指令遵循等多个 " 领域专家 "，再通过 " 在策略蒸馏（OPD）" 合并为一个统一模型。报告称，V4-Pro 在 Agentic Coding 评测中已达到开源模型最佳水平。
DeepSeek 官方发布的一系列硬核跑分数据也印证了技术路线的有效性。其多个指标超过或逼近了 GPT-5.4、Claude Opus 4.5 和 Gemini 3.1 Pro 等顶级闭源模型的水平。在一份针对内部 85 名研发工程师的调研中，超过一半的受访者表示，愿意让 V4-Pro 成为自己日常编程工作的首选模型。不过，技术报告也坦诚指出，在最广泛的世界知识与部分复杂 Agent 任务上，V4 距最顶尖的闭源模型仍有约 3 至 6 个月的差距，这为下一阶段迭代明确了方向。
值得注意的是，在 V4 发布前，OpenAI 的 GPT-5.5 和 Anthropic 的 Claude Opus 4.7 也相继亮相。
因为 V4 在技术报告中对比的还是前代产品，所以我们也结合三款最新模型进行了一次迭代对比。
Claude Opus 4.7 则仍在编程测试中折桂，定位偏向靠谱的生产力助手，最强场景式极限编程和长程任务，能解析 2576 像素图像并可靠运行长链路任务，但其价格仍然很高。
而 DeepSeek-V4 则以约九分之一价格、标配百万词元上下文和唯一开源生态杀出重围，性价比最高，而且也依然是最强开源模型。不过，DeepSeek 仍然没有集成多模态，仍然走在纯文本的道路上。这与前两者亦有了明显不同。
从这三个模型的对比可以看出，大模型正在从 " 通用能力 PK" 走向 " 场景聚焦 "。没有一款模型能搞定所有事情，每家都在找自己的主战场。
对用户来说，这意味着选型逻辑要变了——不再是 " 哪个最强 "，而是 " 哪个场景最适合我 "。
国产算力适配，价格战 2.0 的前夜
在 DeepSeek 此次发布 V4 的文章和报告中，有一个细节尤其值得注意。
在给出模型 Token 价格的同时，DeepSeek 附上了依据说明：受限于高端算力，目前 Pro 的服务吞吐十分有限，预计下半年昇腾 950 超节点批量上市后，Pro 的价格会大幅下调。
首先，它证实了国产大模型在 " 算力自主 " 上的真实困境与突破路径。
目前 Pro 版本吞吐有限，反映出当前市场主流的算力资源（无论是存量的顶级芯片，还是替代方案）在应对 V4 这种超大规模 Mixture-of-Experts（MoE）模型的推理请求时，仍面临显存带宽或通信延迟的挑战。
其次，DeepSeek 对 " 昇腾 950 超节点 " 的明确提及，实际上是对华为昇腾平台软硬一体适配能力的 " 背书 "。
在报告中，DeepSeek 提到他们已经针对华为昇腾（Huawei Ascend）平台验证了精细化的专家并行（EP）通信方案。他们开发的 MegaMoE2 融合内核，通过计算、通信和内存访问的全重叠（Full Overlap），在昇腾平台上实现了 1.5 倍至 1.7 倍的推理加速。
这释放了三个关键的解读信号：
1、算力底座的切换完成：DeepSeek 不仅在训练中使用了国产算力，更在推理架构上深度适配了华为的底层生态。这意味着，即便在全球供应链波动的极端情况下，DeepSeek-V4 依然具备大规模部署的能力。
2、" 超节点 " 带来的推理革命：所谓的 " 昇腾 950 超节点 "，其核心价值在于通过更高速的互联协议（类似 NVLink）解决了 MoE 模型在跨卡通信时的巨大延迟。一旦批量上市，DeepSeek-V4 那 27% 的单 token FLOPs 优势将转化为实打实的吞吐量，从而带动推理成本的直线下降。
3、二次价格战的核弹：DeepSeek 曾以 " 一分钱买百万 token" 开启了大模型价格战。而这次，随着国产算力效能的爆发，Pro 级别的模型可能会降至目前轻量级模型的价格区间。这对于国内众多的 SaaS 公司和 Agent 开发者来说，无异于一场普惠的及时雨。
写在最后
通过此次发布来看，DeepSeek 的模型迭代路线已较为清晰：它不再谋求参数规模的绝对领先，而是通过原创架构和系统级创新，在效率、成本与智能三者之间建立新的平衡。
从某种意义上，这也标志着国产大模型从 " 追赶者 " 变成了 " 规则制定者 "。
当然，它也不是万能的。极限编程、长推理、多模态这些场景，Claude 和 Gemini 仍然是更好的选择。
随着模型权重登陆 Hugging Face 并向社区开放，V4 所承载的技术路径——高效长上下文、国产算力适配、Agent 原生优化——正在重新定义开源大模型的能力边界。
至于这条路径能否最终通向 AGI，或许要等待下一代模型才能给出新的答案。
