DeepSeek-V4：迈入百万上下文普惠时代，改写全球 AI 格局的中国力量

一、发布背景与概述

2026 年 4 月 24 日，在 OpenAI 发布 GPT-5.5 仅几小时后，中国 AI 公司深度求索 (DeepSeek) 扔出了自己的 “王炸”—— 全新旗舰模型 DeepSeek-V4 预览版正式上线并同步开源。这不是一次简单的版本更新，它直接改写了开源大模型的性能上限和价格底线，引发了全球 AI 社区的轰动。

DeepSeek-V4 系列包含两款性能强劲的混合专家 (Mixture-of-Experts, MoE) 语言模型：

• DeepSeek-V4-Pro：总参数 1.6 万亿，激活参数 490 亿
• DeepSeek-V4-Flash：总参数 2840 亿，激活参数 130 亿

两款模型均支持 100 万 token 的超长上下文，这是行业首次将百万级上下文作为所有官方服务的标配。

图 1：一图看懂 DeepSeek V4 系列核心参数

DeepSeek 官方表示：“我们将始终秉持长期主义的原则理念，在尝试与思考中踏实前行，努力向实现 AGI 的目标不断靠近。”

二、核心技术创新

DeepSeek-V4 在架构设计与优化策略上实现了多项关键突破，这些创新共同造就了其卓越的性能和效率。

2.1 混合注意力架构：百万上下文的 “效率革命”

为解决长上下文场景下推理效率低、资源占用高的痛点，DeepSeek-V4 创新性地结合了压缩稀疏注意力 (Compressed Sparse Attention, CSA)与重度压缩注意力 (Heavily Compressed Attention, HCA)，实现了长上下文处理效率的显著提升。

官方测试数据显示，在百万 token 上下文场景下：

• DeepSeek-V4-Pro 仅需上一代模型 DeepSeek-V3.2 27% 的单 token 推理 FLOPs
• 所需 KV 缓存空间仅为上一代的 10%

这一突破让百万 token 级别的长文本处理从 “奢侈品” 变成了 “标配”。

图 2：1M 上下文效率对比，V4 实现了质的飞跃

2.2 流形约束超连接 (mHC)：增强跨层信号传播

在传统残差连接的基础上，DeepSeek-V4 引入了流形约束超连接 (Manifold-Constrained Hyper-Connections, mHC)，对传统残差连接进行增强，有效提升了跨层信号传播的稳定性和模型的表达能力。

2.3 Muon 优化器：更快收敛与更高稳定性

DeepSeek-V4 采用了 Muon 优化器，实现了更快的模型收敛速度和更稳定的训练过程。这一优化使得训练万亿参数级别的模型变得更加高效和可靠。

图 3：DeepSeek V4 四大核心技术创新

2.4 整体架构概览

DeepSeek-V4 采用了先进的混合专家架构，结合了上述多项技术创新，形成了一个高效、强大的 AI 系统。

图 4：DeepSeek V4 整体架构图

三、性能表现与对比

DeepSeek-V4 在多个关键评测中展现出了卓越的性能，尤其是在代码能力、Agent 能力和长文本处理方面。

3.1 综合性能对比

在与全球顶尖模型的对比中，DeepSeek-V4-Pro-Max 展现出了强大的实力：

• 代码能力：LiveCodeBench Pass@1 93.5、Codeforces Rating 3206、Apex Shortlist 90.2，三项均为对比组最高
• 知识能力：SimpleQA-Verified 57.9，高于除 Gemini 之外所有模型；Chinese-SimpleQA 84.4，接近 Gemini 的 85.9
• Agent 能力：整体与 Claude Opus-4.6-Max、Kimi K2.6-Thinking 在同一档
  

图 5：DeepSeek V4 与全球顶尖模型性能对比

3.2 代码能力：开源界天花板

代码能力是 DeepSeek-V4 最突出的优势之一：

• 在 Vibe Code Benchmark 中以 “压倒性优势” 拿下开源权重模型榜首，击败 Gemini 3.1 Pro 等闭源模型
• 较上代 V3.2 实现约 10 倍性能跃升
• Codeforces 评分高达 3206，排名人类选手第 23 位，达到顶尖竞赛程序员水准

官方表示，DeepSeek 公司内部已经把 V4 作为默认编码模型，反馈是 “优于 Sonnet 4.5，交付质量接近 Opus 4.6 的非思考模式”。

图 6：Code Arena 排行榜，DeepSeek V4 位列开源模型前三

3.3 Agent 能力：开源第一

在智能体任务表现方面，V4-Pro 在真实场景智能体工作任务中，性能位居所有开源权重模型首位，得分 1554，超越 Kimi K2.6 (1484)、GLM-5.1 (1535)、GLM-5 (1402) 以及 MiniMax-M2.7 (1514)。

3.4 官方自我评估

DeepSeek 官方在技术报告中坦诚地表示：

• V4 的 Agent 能力仅比肩 Claude Sonnet 4.5，离 Opus 4.6、4.7 还有差距
• 世界知识离 Gemini-Pro-3.1 还有差距
• 推理性能与 GPT-5.4 旗鼓相当
• 整体发展轨迹约滞后前沿闭源模型 3 到 6 个月

四、价格优势与普惠性

DeepSeek 延续了一贯的 “普惠” 风格，V4 系列的定价再次震惊了整个行业。

4.1 官方 API 定价

数据来源：DeepSeek 官方 API 定价，2026 年 4 月 24 日

4.2 与全球主流模型价格对比

将价格换算成人民币 / 百万 Token (按 1 美元约 7.2 人民币换算)：

数据来源：各平台官方定价，2026 年 4 月 24 日

4.3 市场实际使用价格

根据全球最大 AI 模型 API 聚合平台 OpenRouter 的数据，截至 2026 年 4 月 24 日 13:30：

• DeepSeek-V4-Flash 的平均输出价低至 0.279 美元 / 百万 Token
• 仅为 OpenAI 新发布的 GPT-5.5 Pro (180 美元 / 百万 Token) 的 1.55‰
• 其他主流大模型的输出价格均在 12~25 美元区间，是 DeepSeek-V4-Flash 的数十倍

DeepSeek 官方特别标注：“受限于高端算力，目前 Pro 的服务吞吐量十分有限，预计下半年昇腾 (Ascend) 950 超节点批量上市后，Pro 的价格会大幅下调。”

五、国产算力适配

DeepSeek-V4 的发布不仅是模型技术的突破，更是中国 AI 全栈国产化的重要里程碑。

5.1 华为昇腾全面支持

华为计算在 DeepSeek-V4 发布后立即宣布：昇腾超节点全系列产品全面支持 DeepSeek V4 系列模型。

通过双方芯模技术紧密协同：

• 昇腾 950 通过融合 kernel 和多流并行技术降低 Attention 计算和访存开销
• 结合多种量化算法，实现了高吞吐、低时延的推理部署
• 基于 DeepSeek V4-Pro 模型，在 8K 输入场景，昇腾 950 超节点可实现 TPOT 约 20ms 时单卡 Decode 吞吐 4700TPS
• DeepSeek V4-Flash 模型，8K 长序列输入场景下可实现 TPOT 约 10ms 时单卡 Decode 吞吐 1600TPS

5.2 其他国产芯片支持

除了华为昇腾外：

• 寒武纪基于 vLLM 推理框架完成了对 DeepSeek-V4 两个版本的 Day0 适配
• 天数智芯等国产芯片厂商也已支持 DeepSeek-V4 新模型

5.3 技术架构转变

DeepSeek-V4 的技术架构从 CUDA 彻底转向华为 CANN 框架：

• 华为 CANN 已实现超 95% 的 CUDA 代码兼容
• 迁移效率辅以一键迁移工具，代码重构从按月计缩短到按小时计
• 经过优化后的 DeepSeek V4 在昇腾 950PR 上的推理速度较初期版本提升 35 倍，能耗降低 40%
• 单卡推理性能达到英伟达特供版 H20 芯片的 2.87 倍

英国路透社指出：“华为昇腾等中国国产算力也已适配 DeepSeek-V4，表明中国正在努力减少对美国尖端芯片的依赖。”

六、实际应用场景

DeepSeek-V4 的百万上下文能力和强大的综合性能，使其在多个领域展现出巨大的应用价值。

6.1 金融投研：整份年报一次性分析

一家头部金融机构的投研部门使用 DeepSeek-V4 处理长达 200 页的上市公司年报：

• 分析师将整份年报一次性上传，直接提问
• AI 在 8 秒内给出了精准答案，并指出了不同章节数据间的潜在关联
• 报告生成效率提升了 4 倍，并替代了原有的 3 套闭源分析工具

6.2 软件开发：全仓库级别代码理解

DeepSeek-V4 支持百万级 TOKEN 上下文，能够直接加载 10 万行代码库：

• 进行跨文件重构
• 理解并操作大型代码库中的复杂逻辑和依赖关系
• 自主规划多个核心模块和数据表的完整数据库设计
• 全程无需人工干预，自我纠错与工具调用能力拉满

6.3 文档处理：百万字长文本一站式服务

DeepSeek-V4 能够处理一整部《三体》(约 90 万字) 级别的长文本：

• 法律合同审查：一次性审查数百页的合同文本，找出潜在风险点
• 学术论文综述：一次性阅读上百篇相关论文，生成全面的研究综述
• 书籍内容分析：分析整本书的结构、主题和人物关系

6.4 智能体开发：低成本大规模部署

V4-Flash 的极致性价比使其成为大规模 Agent 应用的理想选择：

• 开发者在构建 AI 应用时，成本几乎可以忽略不计
• 能够支持成千上万的智能体同时运行
• 为 AI Agent 的普及铺平了道路

七、局限性与不足

尽管 DeepSeek-V4 取得了显著的进步，但它仍然存在一些局限性和不足。

7.1 幻觉率上升

海外评测显示，相较于 V3.2 的幻觉率 (82%)，V4 两款模型的幻觉问题更为突出：

• V4-Pro 幻觉率为 94%
• V4-Flash 幻觉率为 96%

意味着模型在未知问题场景下，几乎都会强行生成答案。

7.2 Token 消耗大

完成标准测评流程：

• V4-Pro 输出 Token 消耗量达 1.9 亿，属于本次测评中 Token 消耗最高的模型之一
• V4-Flash 消耗进一步攀升至 2.4 亿 Token

即便定价偏低，高额的 Token 消耗仍是 V4-Pro 综合使用成本高于其他开源模型的核心原因。

7.3 本地 skill 调用不灵敏

有开发者实测发现：

• V4 在本地 skill 调用方面不够主动
• 有时候需要明确提示才去调用工具
• 问题不是不会调 skill，而是 “判断该不该调的决策不够果断”

7.4 复杂约束下的理解力有待提升

在处理带有复杂约束的任务时，V4 的表现有时不够理想：

• 对多重嵌套指令容易遗漏
• 在复杂的视觉渲染任务中可能出现问题
• 如生成高度逼真的交互式 3D 纸质小票时，视觉渲染和物理效果都存在缺陷

7.5 官方承认的差距

DeepSeek 官方在技术报告中坦诚：

• 知识类和最前沿的推理任务仍有 3-6 个月的 gap
• HLE (高阶逻辑推理) 上 V4-Pro-Max 37.7，低于 Gemini-3.1-Pro 的 44.4 和 Claude-Opus-4.6-Max 的 40.0
• 1M MRCR 上 V4 优于 Gemini 但明显不如 Claude

八、行业影响与未来展望

8.1 全球 AI 格局的改变

DeepSeek-V4 的发布在全球范围内引起了广泛关注：
英国路透社指出：“DeepSeek-V4 在世界知识测评中大幅领先于其他开源模型，仅次于谷歌的顶尖闭源模型，反映出中国企业在 AI 领域突飞猛进的技术实力。”

卡塔尔半岛电视台称：“去年年初，DeepSeek 曾凭借低成本、高性能的推理模型震惊世界，被视为 AI 领域的 ’ 斯普特尼克时刻 '。如今，DeepSeek-V4 再次展现出强大的性能，令人瞩目。”

英伟达 CEO 黄仁勋 4 月中旬在一档播客节目中直言：“DeepSeek 的进步意义重大。要是哪天像 DeepSeek 这样的公司不再需要我们的芯片了，那才是真正的问题。”

8.2 价格战的新阶段

DeepSeek-V4 把大模型价格战从 “聊天便宜” 推入了 “Agent 便宜” 的新时代：

• 百万上下文从 “奢侈品” 变成了 “标配”
• 开发者可以用极低的成本构建复杂的 AI 应用
• 这将加速 AI 技术的普及和应用落地

8.3 未来发展方向

DeepSeek 在技术报告中指出了未来的发展方向：

• 探索新维度的稀疏性 (点名了 Engram 那条线)
• 开发低延迟架构
• 提升长时程多轮 agentic 任务能力
• 增强多模态能力
• 优化数据 curation

九、总结

DeepSeek-V4 的发布是中国 AI 发展史上的一个重要里程碑。它不仅在技术上实现了多项突破，更在普惠性和国产化方面迈出了关键一步。

核心亮点：
✅ 双版本开源：1.6T Pro 和 284B Flash 均开源，支持本地部署
✅ 百万上下文标配：行业首次将 1M 上下文作为所有官方服务的标配
✅ 极致性价比：V4-Flash 输出价格仅为 GPT-5.5 的 1/105，Claude Opus 4.6 的 1/263
✅ 代码能力突出：开源界天花板，接近顶级闭源模型水平
✅ 国产算力全面支持：华为昇腾、寒武纪等国产芯片均已适配

待改进之处：
⚠️ 幻觉率较高，需要进一步优化
⚠️ Token 消耗较大，影响综合使用成本
⚠️ 与最前沿闭源模型仍有 3-6 个月的差距
⚠️ 复杂任务处理能力有待提升

DeepSeek-V4 证明了中国 AI 企业有能力在全球 AI 竞争中占据一席之地。它不仅为开发者提供了一个强大、低成本的 AI 工具，也为中国 AI 产业的自主可控发展奠定了坚实基础。

正如 DeepSeek 官方所言：“不诱于誉，不恐于诽，率道而行，端然正己。” 在通往 AGI 的道路上，DeepSeek 正以自己的节奏稳步前行。