智东西
作者 | 江宇 陈骏达
编辑 | 心缘
智东西 4 月 24 日报道，今日，DeepSeek 正式发布并开源 DeepSeek-V4 系列预览版本，这是其继 V3.2 之后的新一代旗舰模型体系，智东西第一时间上手实测。
DeepSeek V4" 源神 " 回归影响力果然不同凡响，几乎瞬间刷屏，在微博热搜榜前五占三，仅次于小米 YU7GT。
本次发布包含两款模型：DeepSeek-V4-Pro 与 DeepSeek-V4-Flash，分别采用 MoE 架构，总参数规模达到 1.6T（激活 49B）与 284B（激活 13B），并统一支持最长 100 万 token 上下文。
DeepSeek 官方同时说明，受限于高端算力，目前 DeepSeek-V4-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，其价格会大幅下调。此外，DeepSeek-V4 已获得寒武纪 Day 0 适配支持，相关适配代码已开源至 GitHub 社区。
DeepSeek-V4-Pro 主打性能上限，对标闭源旗舰模型；而 DeepSeek-V4-Flash 则在参数规模与激活规模上大幅缩小，换取更低延迟与更低成本。
相比上一代模型，其在 Agent 能力、世界知识与复杂推理任务上进一步抬升，并首次将 " 百万上下文 " 作为默认能力开放。
在 Agent 能力方面，DeepSeek-V4-Pro 的 Agent 能力显著增强。其在 Agentic Coding 等评测中进入开源第一梯队，内部评测显示交付质量已接近 Claude Opus 4.6 非思考模式，但与其思考模式仍存在差距。
DeepSeek-V4-Pro 在数学、STEM 及竞赛型代码等高难度任务中已超过当前已公开评测的开源模型，整体表现接近甚至比肩 GPT-5.4、Claude Opus 4.6-Max 等顶级闭源模型。
与此同时，DeepSeek-V4 在长上下文效率上给出了一组更激进的优化：在 100 万 token 场景下，其单 token 推理计算量仅为 V3.2 的 27%，KV Cache 占用降至约 10%，显著降低长链路任务的算力与显存成本。
同时，官方公布了 DeepSeek-V4 系列的 API 定价：DeepSeek-V4-Pro 在输入命中缓存的情况下为 1 元 / 百万 tokens，输入未命中缓存则为 12 元 / 百万 tokens，输出为 24 元 / 百万 tokens；DeepSeek-V4-Flash 在输入命中缓存仅 0.2 元 / 百万 tokens，未命中输入 1 元 / 百万 tokens，输出 2 元 / 百万 tokens。
目前，DeepSeek-V4 系列已上线官网与 App，并同步开放 API 与模型权重。
体验地址：chat.deepseek.com 或 DeepSeek 官方 APP
API 文档：
https://api-docs.deepseek.com/zh-cn/guides/thinking_mode
开源链接：
https://huggingface.co/collections/deepseek-ai/deepseek-v4
https://modelscope.cn/collections/deepseek-ai/DeepSeek-V4
技术报告：
https://huggingface.co/deepseek-ai/DeepSeek-V4-Pro/blob/main/DeepSeek_V4.pdf
一、Agentic 编程能力提升明显，读《三体》三部曲烧了 54 万 token
我们初步感受了下 DeepSeek-V4 的变化，主要测试的模型是 DeepSeek-V4-Pro。
在前端网页 one-shot 案例中，DeepSeek-V4-Pro 展现出很高的执行效率。由于我们的需求不复杂，模型仅用了 5 秒钟进行思考，之后迅速进行开发，这与之前 DeepSeek 模型在思考上浪费很多 token 的模式明显不同。
进入到实际生成过程后，DeepSeek-V4-Pro 的输出长度要明显长于其他 DeepSeek 模型。其生成速度较快，基本能做到以 5 行代码为单位输出。
最终，DeepSeek-V4-Pro 的生成结果如下，可以看到其网页的完成度要比 DeepSeek-V3.2 高一些，设计更为丰富。
DeepSeek-V4-Pro 打造的网站
网站链接：
https://mcp.edgeone.site/share/9pD1cRzY1QA8bmmBLDZ8S
不过，这样简单的编程题目已经难不住 DeepSeek-V4-Pro，我们试着让它完成一个结合 Agent 能力与编程的任务：规划一次去上海的旅行，然后把所有相关信息整合为一个旅行网站，附上对应的景点定位。
执行过程中，可以看到 DeepSeek-V4-Pro 可以进行复杂多轮工具调用，联网搜索的条目数量也和之前模型的数量相比有增加，信息收集得更为全面了。
最终，DeepSeek-V4-Pro 收集到了完整的行程信息，规划合理，并且配上了每个景点的定位，点开后就可以直接在导航 App 里使用，十分便捷。在 Agent 任务中，可以观察到它的行动十分果断，工具调用、思考都在几秒钟内解决，token 效率不错。
DeepSeek 使用 Agent 能力和编程能力规划的旅行方案
https://mcp.edgeone.site/share/4TxFYOy24bgaEwxFoxisj
我们的下一个案例与长文本有关，DeepSeek-V4 系列模型常常挂在嘴边的就是它能一口气吃下《三体》三部曲，而我们如它所愿上传了完整的《三体》。
上传这样的超长文件后，DeepSeek 能够迅速定位我们指定的内容，成功实现大海捞针。不过，这种超长上下文能力是有代价的，仅仅输出这一点内容就烧掉了 54 万个 token。
我们还用 "OpenAI 更新到了哪一个模型 " 这一问题，试了试模型的知识截至日期，可以看到，DeepSeek-V4-Pro 的知识截止日期目前仍然停在 2025 年。
此外，这一模型应该暂时还不支持视觉能力，上传图像后还是会进行文字提取，没有文字的图像会显示无法处理。
二、百万上下文成标配，新架构把 " 长任务成本 " 压下来
这一代 V4 最直接的变化，是把 " 长上下文 " 变成默认能力。
不同于传统通过简单扩展窗口的方式，DeepSeek-V4-Pro 引入了全新的混合注意力架构，将 Compressed Sparse Attention 与高压缩注意力（HCA）结合，同时配合 DSA 稀疏注意力，在 token 维度进行压缩。
此外，模型引入了流形约束超连接（mHC）增强传统残差连接，并使用 Muon 优化器提升收敛速度和训练稳定性。这一系列设计，使得模型在 " 记得更长 " 的同时，有效控制计算成本。
从官方给出的数据来看，在 100 万 token 上下文下，DeepSeek-V4-Pro 单 token 推理 TFLOPs 相比 DeepSeek-V3.2 下降约 3.7 倍至 9.8 倍区间，KV Cache 占用下降 9.5 倍至 13.7 倍。
这意味着，过去难以实际运行的超长链路任务（如多轮 Agent 规划、长文档处理），开始进入可执行范围。
三、推理、知识、代码三线抬升，开源模型逼近闭源上限
从能力结构来看，DeepSeek-V4-Pro 的提升是推理、知识与 Agent 能力的同步抬升。
在知识与推理类任务中，其在 SimpleQA、Apex、Codeforces 等评测中均超过当前主流开源模型，并在多项任务上接近 GPT-5.4 与 Gemini 3.1 Pro。例如在 Apex Shortlist 中达到 90.2 分，已经超越顶级闭源模型；在 Codeforces 等竞赛类任务中，也维持在第一梯队水平。
在 Agent 能力相关任务中，DeepSeek-V4-Pro 在 SWE Verified、Terminal Bench 等指标上表现稳定，SWE Verified 达到 80.6，接近 Claude Opus 4.6，明显高于多数开源模型。其表现同样超过 GLM-5.1 Thinking、Kimi K2.6 Thinking 等模型
整体来看，DeepSeek-V4-Pro 已是目前开源模型的 " 天花板 "。
四、Agent 能力专项优化，开始围绕真实工作流打磨
这一代 DeepSeek-V4 明显强化了对 Agent 场景的适配。其针对 Claude Code、OpenClaw、CodeBuddy 等主流 Agent 框架进行了专项优化，在代码生成、文档生成等多步骤任务中表现更稳定。下图为 DeepSeek-V4-Pro 在某 Agent 框架下生成的 PPT 内页示例：
从实际定位来看，DeepSeek-V4-Pro 已经被 DeepSeek 内部作为 Agentic Coding 模型使用，侧重点在于 " 完成任务 "。在简单任务上，V4-Flash 已可与 Pro 版本接近，而在复杂任务中仍存在明显差距。
本质上是在为 Agent 应用提供两种 " 算力档位 "。DeepSeek-V4-Flash 在简单 Agent 任务中已经能够与 Pro" 旗鼓相当 "，但在复杂任务中仍有差距。这种差异，本质上是推理深度与上下文利用能力的差别。
结语：DeepSeek-V4 亮相，国产算力与开源路线的落地之光
DeepSeek-V4 的发布不仅展现了团队在技术和架构上的积淀，也标志着开源大模型在国产算力生态下的实际落地能力。
经过对华为昇腾、寒武纪等国产芯片的适配优化，DeepSeek-V4 系列实现了百万 token 上下文的稳定支持和高效推理，使长链路任务与多步 Agent 执行成为可能。
这一版本将 Pro 与 Flash 的不同定位落到实处，在性能上逼近闭源旗舰模型，在成本上保持高性价比，为国内开发者提供了前所未有的开放选项。
更重要的是，这次发布显示出开源模型不仅能在全球竞争中站稳脚跟，也能够借助国产算力和优化架构，将技术潜力转化为实际可用的生产力。DeepSeek-V4 或许是中国开源力量在高性能 AI 赛道上迈出的关键一步，也为国内 AI 生态的创新和落地提供了明确指引。
