作者｜宋思杭
编辑｜苗正卿
头图｜视觉中国
" 不诱于誉，不恐于诽，率道而行，端然正己。"
这是 4 月 24 日，DeepSeek 在发布 V4 预览版时写在公众号文章末尾的话。
放在当下的语境，来解读这句话的意思是，无论外界如何期待、如何猜测，DeepSeek 仍按自己的节奏走，不被赞誉裹挟，也不被情绪推着走。
甚至相比于其他几家基座模型公司，DeepSeek 显得过于朴素了——不刻意刷榜、不考虑商业化、不优化用户体验，只是充当好一个 " 修路人 " 的角色。
时间拨回至 R1 发布当天，行业迅速沸腾，而在往后的这 459 天里，大家一边期待着 DeepSeek 的新模型，一边见证了智谱和 MiniMax 两大国产模型纷纷登陆资本市场，两家市值均一度冲破 3000 亿元。
就在 DeepSeek 正式发布 V4 后的几分钟，资本市场再次给出反馈。约上午 11 时 05 分，港股大模型板块快速震荡，智谱与 MiniMax 双双跳水，盘中一度分别跌超 10% 和 12%。
这是过去一年行业最鲜明的变化之一：国产模型首次被资本市场定价，也让 DeepSeek 被不断投射为下一次行业变量。
与此同时，Kimi、Minimax、Qwen 和智谱等模型频频登顶，但在此期间，DeepSeek 却一直悄无声息。
而今天 DeepSeek 的新模型终于来了，但从这个新模型 V4 来看，它并不属于大众所理解的 " 行业顶尖 "，至少这个 " 领先 " 不是榜单所定义的。
据 Artificial Analysis 数据，V4 Pro 在世界知识类 benchmark 中已跻身全球前列，仅次于 Gemini-Pro-3.1。综合表现来看，DeepSeek V4 已领先多数开源模型，整体性能开始逼近顶级闭源模型。
也就是说，如果按照大家期待，V4 应该会是再一次震惊行业的 " 顶尖 " 模型，但这不是 DeepSeek 给自己的定义。它给自己的定义一直都是追求性价比。
和其他基模公司比，DeepSeek 过于朴素
在几家头部大模型公司里，DeepSeek 一直有一种很特别的气质：朴素。
这种朴素，不是指产品简单或者技术激进与否，而是它很少像一家标准 AI 创业公司那样，被融资节奏、商业化压力和市场情绪推着走。某种程度上，它不急着证明自己能赚多少钱，因此反而更有空间去做自己真正想做的事。
虎嗅对比了几大基座模型的技术路线后发现，和 DeepSeek 最相似的就是 Kimi 了。
这意味着，两家公司都把代码能力视作模型价值的重要方向。
相似点还不止于此。这次 V4 的另一大特点，是原生支持 1M 上下文，并强化长链路推理能力。而长上下文、复杂任务处理，同样是 Kimi 过去一年持续强化的标签。
如果只看代码、长上下文、复杂任务这些表面能力边界，Kimi 与 DeepSeek 似乎正在越来越靠近，甚至可以说，两家完全撞车。
但如果仔细拆开，会发现两家公司走的其实是两条完全不同的技术路线。
Kimi 过去长期强调的，是线性注意力路线。它的核心思路，是让模型在超长上下文、多步骤任务中，把计算成本控制在可接受范围内，再叠加 Agent 系统、任务编排、多轮调用等能力，让模型像一个可以持续工作的执行系统。
而 DeepSeek V4 这次在技术报告中强调，使用的是混合注意力架构（Hybrid Attention）：通过 CSA（Compressed Sparse Attention，压缩稀疏注意力）与 HCA（Heavily Compressed Attention，重度压缩注意力）交替配合，对历史上下文进行分层压缩和选择性读取，在保持百万级上下文能力的同时，大幅降低推理成本。
报告数据显示，在 100 万 token 场景下，DeepSeek V4-Pro 的单 token 推理 FLOPs 降至上一代模型的 27%，KV Cache 占用降至 10%。
简单来说就是，Kimi 的思路，更像是把一个复杂任务拆成很多步骤，再组织多个智能体协作完成；DeepSeek 的思路，则是先把底层存在的问题先一点点解决掉，把地基搭好，让模型在底层计算结构上先变得更高效。
这两者看起来是，一个是在任务层做加法，一个是在系统层做减法。
但如果按照这个逻辑来看，可以得到一个结论是，在面对同一项复杂任务时，Kimi 往往会消耗更多 token。
原因并不复杂。因为当模型开始承担真实工作流程时，token 消耗不再只是用户输入与最终输出，还包括任务拆解、中间推理、多轮调用、工具返回结果、错误修正以及多个 Agent 之间的上下文同步。用户只输入一句话，后台可能已经完成了十几轮运算。
当然，这并不意味着 Kimi 的技术路线有问题。尤其是在当下，AGI 的技术路线并未收敛的当下，任何一种技术路线都有各自的优劣势。
那么，作为一家更强调商业化落地的公司，Kimi 做的事情是优化用户体验，首先让很多企业和个人用户愿意为 Kimi 付费。某种程度上，它已经接近 " 可交付的生产力工具 "。如果一个模型多消耗一些 token，却替用户节省了 3 小时工作时间，这笔账未必不划算。
也就是说，Kimi 追求的，是 token 被消耗后的产出效率；而 DeepSeek 追求的，则是 token 本身的计算效率。
这两种选择背后，非常鲜明地体现出两家公司不同的底色。
DeepSeek 背后的母公司幻方量化，本质是一家量化机构。量化交易天然强调两件事：效率与收益率。任何策略都要计算投入产出比，任何系统都要追求速度、稳定性与资源利用率。在这种文化下成长出来的团队，会很自然地关注大模型的效率问题。
这也解释了为什么 DeepSeek 总在做一些看起来没那么热闹、却极其关键的事情，比如 MoE、推理优化、注意力重构、算力利用率提升。
因为对幻方来说，大模型未必是一门独立生意，但它首先需要是一套提升研究效率、分析效率与决策效率的基础工具。
换句话说，梁文锋也许并不关注 DeepSeek 能为他带来多少收入。他有更长的时间尺度，也更能接受先做难而慢的事。
Kimi 则不同。月之暗面从创立第一天开始，就是一家标准意义上的 AI 创业公司。它需要融资，需要增长，需要向市场证明模型能力最终可以转化为真实业务。杨植麟当然有很强的 AGI 理想主义色彩，但 Kimi 必须同时面对商业化的现实问题。
这也决定了，Kimi 会更积极地靠近用户需求、代码需求、Agent 需求和付费需求。它的模型迭代节奏、产品节奏、组织节奏，更像一家需要持续奔跑的创业公司。
所以，看起来都在做长上下文、代码模型和复杂任务，两家公司却在解决完全不同的问题。
这也是为什么 DeepSeek 总显得 " 不着急 "。
国产替代，仍在路上
在 V4 发布前，外媒曾多次 " 预告 "DeepSeek 将完全切换至国产模型训练，并逐步摆脱对英伟达的依赖。
然而，从 V4 发布的技术报告来看，这一消息未必是真的。
DeepSeek 仅在报告中强调了，其已经验证了在 NVIDIA GPU 和 HUAWEI Ascend NPU 平台上验证了 EP（专家并行）方案。但并没有明确提到 DeepSeek 已经切换至华为昇腾芯片上做训练，
更准确地说，它说明的是，DeepSeek 已经在系统层面完成了跨平台适配，至少让 V4 这类 MoE 模型能够同时运行在英伟达与昇腾两套硬件架构之上。但这并不直接意味着，其核心训练任务已经离开英伟达。
换句话说，DeepSeek 极有可能依然依赖于英伟达芯片做训练，而用国产芯片完成推理任务。
这其实也是当前行业更现实的路径。
原因并不复杂。预训练阶段对芯片生态要求极高，涉及大规模并行训练、通信带宽、编译器成熟度、故障恢复能力以及长期稳定性。相比之下，推理环节对算力的要求更分散，也更适合率先完成国产替代。因此，许多公司采取的并不是 " 一步到位切换训练底座 "，而是先从推理侧开始迁移。
有多位行业人士在虎嗅交谈时表示，" 如果真的彻底切换至国产芯片，V4 可能不会这么快到来。"
然而，比切换至国产芯片上训练更值得关注的是，DeepSeek 这次在工具链层面的变化。
过去，DeepSeek 曾因深度使用 PTX 编程语言而受到关注。PTX 可以理解为英伟达 GPU 生态中的底层中间语言，接近汇编层，能够极致榨取单卡性能，但天然绑定英伟达体系，开发门槛高，可迁移性也有限。
而在 V4 报告中，DeepSeek 不再强调 PTX，而是提到了 DSL（Domain-Specific Language，领域专用语言），例如其采用 TileLang 这类面向 AI 算子优化的 DSL，以平衡开发效率与运行效率。
两者的区别在于：PTX 是一种直接操作英伟达机器的底层语言，追求极限性能，但强绑定英伟达；DSL 则更像是一层中间抽象，让团队在保持性能的同时，更快开发算子、更容易适配不同芯片平台。
这意味着，DeepSeek 虽然未必已经完成国产芯片训练替代，但它至少已经开始让自己的模型不再强绑定英伟达，未来有可能逐步切换到国产芯片上训练。
不做被期待的 DeepSeek
DeepSeek 并不打算成为外界期待中的那个 DeepSeek。
过去一年，DeepSeek 被行业赋予了太多角色。有人期待它再次复制 R1 时刻，发布一款重新震动行业的顶尖模型；有人期待它成为中国大模型摆脱英伟达依赖的象征。
但 V4 的发布证明，DeepSeek 并没有被打乱节奏。
它依然是一家围绕着 " 效率 " 做模型的公司，例如，混合注意力架构、KV Cache 压缩、百万上下文推理成本下降、专家并行优化、跨平台 Kernel 设计，这些内容并不算 " 性感 "，但都非常重要。
但这些不算性感的工程化改进，正在逐步解决大模型目前依然存在的 bottleneck。
从这个角度看，DeepSeek 和其他基座模型公司已经不站在同一维度上了。当不少公司还在争夺入口、争夺用户时，DeepSeek 更关心的是，怎样把单位智能的成本继续压低，怎样让同样的能力消耗更少算力。
所以，" 不诱于誉，不恐于诽，率道而行，端然正己 "，放在 V4 结尾，与其说是一种姿态，不如说是向大众表态—— DeepSeek 选择继续做那个更冷静的 DeepSeek。
