DeepSeek V4 最值得讨论的地方，不是它有没有“全面超过闭源模型”，而是它把 1M 上下文、工具调用、Thinking Mode 和开源权重放进了一套更便宜的使用路径里。
如果只是把 DeepSeek V4 当成一次常规模型升级，很容易漏掉它真正有变化的部分。
过去一年多，大模型厂商都在讲长上下文、代码能力、Agent 和推理增强。问题是，这些能力在真实使用里经常被成本、吞吐、部署难度和接口兼容性拦住。模型可以读一百万 token，不代表普通用户、开发者和企业真的敢把一百万 token 塞进去反复跑；模型会写代码，也不代表它能稳定接入 Claude Code、OpenCode 这类长程 Agent 工作流；模型开源，也不等于个人开发者可以轻松在本地完整跑起来。
DeepSeek V4 的看点正好在这些缝隙里。
2026 年 4 月 24 日，DeepSeek 发布 V4 系列预览版，包含 DeepSeek-V4-Pro 和 DeepSeek-V4-Flash 两个 MoE 模型。两者都支持 1M tokens 上下文，最大输出最高 384K tokens，并已经在 Web、App 和 API 上可用，同时在 Hugging Face 发布权重。V4-Pro 是更强调能力上限的版本，总参数约 1.6T，每 token 激活 49B 参数；V4-Flash 则是更偏成本和速度的版本，总参数约 284B，激活 13B 参数。
这组数字很容易让人兴奋，但更值得拆开看的是：DeepSeek 并没有只发一个“最大模型”，而是把 Pro 和 Flash 分成了两个明确档位。前者面向复杂推理、长程代码、Agent 任务，后者面向高频调用、日常对话、摘要、路由和轻量工作流。对开发者和企业来说，这比单纯比较“谁的参数更大”更实际，因为真实系统里很少所有请求都用最贵模型跑到底。
从 V3、R1 到 V4：DeepSeek 的主线没有变，但重心变了
DeepSeek 在 V3 和 R1 阶段建立起来的标签很清楚：开源权重、低成本、高性能、强推理。V3 让更多开发者开始认真对待国产开源 MoE 模型，R1 又把推理模型和低价 API 的话题推到了全球范围。
到了 V4，DeepSeek 仍然延续效率路线，但目标不再只是“同等能力更便宜”。V4 的产品语言明显更靠近 Agent 和长上下文：1M context 成为 DeepSeek 官方服务默认能力，API 支持 OpenAI ChatCompletions 和 Anthropic 格式，模型支持 Thinking / Non-Thinking 双模式，并提供 JSON Output、Tool Calls、Chat Prefix Completion Beta、FIM Completion Beta 等能力。
这几个点放在一起看，指向的是更复杂的任务执行，而不是单轮问答。
普通聊天场景里，1M 上下文可能显得有点过剩。但在 Agentic Coding、长文档分析、代码库理解、企业知识库、合同审阅、投研材料整理、医学指南比对这类场景里，模型“能一次看多少东西”直接决定工作流能不能简化。过去常见做法是先切片、检索、拼 prompt，再靠 RAG 补上下文；现在如果长上下文成本足够低，很多流程会更倾向于把更多原始材料直接放进模型视野里，再用检索和引用机制做校验。
这并不意味着 RAG 会消失。长上下文解决的是模型一次能读多少，RAG 解决的是资料如何更新、如何引用、如何权限隔离、如何审计。企业场景里，两者大概率会并存。但 1M context 如果变成默认能力，开发者设计应用时的假设会改变：以前要尽量少喂材料，现在可以更大胆地把完整任务现场交给模型。
Pro 和 Flash 的分层，比“一个旗舰模型”更接近真实需求
DeepSeek V4 系列目前最核心的两款模型是：
模型 | 总参数 | 激活参数 | 上下文 | 最大输出 | 定位 |
|---|---|---|---|---|---|
DeepSeek-V4-Pro | 1.6T | 49B | 1M tokens | 最高 384K tokens | 能力上限、复杂推理、Agentic Coding |
DeepSeek-V4-Flash | 284B | 13B | 1M tokens | 最高 384K tokens | 高频调用、低成本、轻量任务 |
MoE 架构的意义在这里很直接：模型可以保留更大的总参数容量，但每次推理只激活部分专家。V4-Pro 的 1.6T 总参数听起来很夸张，真正决定单次推理计算量的是 49B 激活参数；V4-Flash 则进一步把激活规模压到 13B，用来换速度和成本。
这也是 DeepSeek V4 和很多“只做旗舰叙事”的模型不同的地方。一个面向真实业务的 AI 系统通常会同时存在几类请求：
用户随手问答、摘要、翻译、改写；
后台批量处理、标签生成、路由判断；
长文档阅读、复杂检索增强问答；
代码库分析、生成补丁、跑测试、修复错误；
多轮 Agent 任务，持续调用工具并保留上下文。
这些请求不应该全部用同一个成本档位解决。Flash 更像系统里的默认工作马，适合大量常规请求；Pro 则更适合少量高价值、低容错的复杂任务。V4 的双模型路线，本质上是在帮开发者做成本分层。
当然，分层也带来一个现实问题：模型路由会变得重要。什么时候用 Flash，什么时候升级到 Pro，什么时候开启 Thinking Mode，什么时候用 non-thinking 以降低延迟和成本，这些都不是模型本身能完全替应用决定的。真正把 V4 用好的团队，可能不是把所有请求直接替换成 deepseek-v4-pro，而是围绕任务类型、失败重试、上下文长度、输出要求做一套调度策略。
1M 上下文不是噱头，前提是成本和 KV Cache 能压下来
长上下文一直是大模型能力展示里最容易“看起来强、用起来贵”的部分。传统注意力机制在长序列场景下会遇到计算和显存压力，KV Cache 也会随着上下文膨胀而变成推理成本的关键瓶颈。
DeepSeek V4 的技术叙事集中在这里：通过混合注意力、压缩 KV Cache、稀疏注意力矩阵以及 DeepSeek Sparse Attention / Heavily Compressed Attention 等机制，降低 1M 上下文下的内存占用和计算开销。多家技术解读提到，V4 在 token 维度做压缩，并结合稀疏注意力，让百万上下文不再完全依赖“硬堆显存”。
NVIDIA 技术博客把 V4 的长上下文路径概括为 Hybrid Attention。SGLang / LMSYS 在 Day-0 支持文章里则提到，V4 服务栈需要适配 hybrid sparse-attention architecture、mHC 和 FP4 expert weights。这些词放在一起，说明 V4 的复杂度不只在模型权重本身，也在推理系统能不能正确、高效地支持这些结构。
技术细节可以不用展开到论文级别，但有几个结论对使用者很重要：
第一，1M 上下文如果要进入日常 API，不只是模型训练问题，更是推理工程问题。KV Cache 压缩、稀疏注意力、prefill/decode 分离、长上下文并行，都会影响实际延迟和价格。
第二，长上下文不是免费的。即使 V4 把单位成本压下来，百万 token 输入仍然意味着更长处理时间、更高缓存压力和更复杂的失败恢复。对企业应用来说，最好把长上下文当成一种高级能力，而不是每个请求都默认拉满。
第三，长上下文会改变 Agent 的可用性。Agentic Coding 场景里，模型要反复读代码、写文件、跑测试、理解错误，再继续修复。上下文越长，模型越有机会保留完整任务现场；上下文越贵，Agent 越容易被迫截断记忆。V4 的价值就在于它试图把这条成本曲线往下压。
API 怎么用：迁移成本低，但模型名和模式要留意
DeepSeek V4 的 API 接入路径对已经用过 OpenAI 格式的开发者比较友好。
API Base URL 仍然是：
TEXT
https://api.deepseek.comAnthropic 格式入口是：
TEXT
https://api.deepseek.com/anthropic模型名包括：
PLAINTEXT
deepseek-v4-flash
deepseek-v4-proDeepSeek 给出的迁移方式很明确：开发者可以保留原有 base_url，把 model 参数改为 deepseek-v4-pro 或 deepseek-v4-flash。这对已有应用很关键，因为很多项目不是不能换模型，而是不愿意大改 SDK、消息格式、工具调用封装和鉴权流程。
不过，开发者需要注意旧模型名的过渡。deepseek-chat 对应 deepseek-v4-flash 的 non-thinking mode，deepseek-reasoner 对应 deepseek-v4-flash 的 thinking mode，并且旧模型名未来会废弃。也就是说，如果一个项目还在用旧名称，短期可能还能跑，长期最好尽快切到 V4 的明确模型名和模式配置。
功能上，V4 支持 Thinking / Non-Thinking、JSON Output 和 Tool Calls。FIM Completion Beta 只支持 non-thinking 模式，这对代码补全类应用很重要。很多开发者容易默认“越强模式越好”，但 FIM 这类低延迟、结构化补全任务通常更看重响应速度和确定性，不一定适合开启完整推理模式。
本地部署相关的参数也有几个细节：Hugging Face 模型卡建议本地部署采样参数使用 temperature = 1.0, top_p = 1.0；Think Max reasoning mode 建议上下文窗口至少设置为 384K tokens。这里的提醒很实际——如果上下文窗口设置太小，模型虽然能跑，但并不代表跑的是 V4 想发挥的完整能力。
价格：Flash 是规模化入口，Pro 是高价值任务档位
DeepSeek V4 的价格仍然延续了 DeepSeek 一贯的成本竞争风格，但这次不是简单“全部低价”，而是分成 Flash 和 Pro 两个账本。
按每 1M tokens 计价：
模型 | 缓存命中输入 | 缓存未命中输入 | 输出 | 备注 |
|---|---|---|---|---|
deepseek-v4-flash | $0.0028 | $0.14 | $0.28 | 常规定价 |
deepseek-v4-pro | $0.003625 | $0.435 | $0.87 | 75% off 后价格 |
deepseek-v4-pro 原价 | $0.0145 | $1.74 | $3.48 | 官方划线价 |
这里有两个地方值得单独看。
一个是 cache hit 输入价格。所有模型 cache hit 输入价格自 2026 年 4 月 26 日 12:15 UTC 起降至首发价的 1/10。长上下文应用里，如果大量历史上下文可以复用，缓存命中会直接影响成本结构。Agent、多轮文档问答、代码库分析都属于可能受益的场景。
另一个是 Pro 折扣有期限。deepseek-v4-pro 的 75% 折扣延长至 2026 年 5 月 31 日 15:59 UTC。DeepSeek 也保留调整价格的权利。换句话说，现在看到的 Pro 价格不能简单当作长期采购价。企业做成本测算时，应该分别按折扣价和原价估算，避免把限时价格写进长期商业模型。
这也解释了为什么 Flash 可能会承担更多真实流量。Pro 适合复杂任务，但如果业务每天有大量用户请求，Flash 的输入输出价格更容易支撑规模化调用。合理的做法是：Flash 处理常规任务，失败、复杂、长程或高价值请求再升级到 Pro。
开源权重已经给出，但“开源”不等于低门槛本地部署
DeepSeek V4 的权重主要发布在 Hugging Face Collection，而不是以 GitHub 仓库作为主要入口。Collection 包含四个条目：
DeepSeek-V4-Flash-Base
DeepSeek-V4-Flash
DeepSeek-V4-Pro-Base
DeepSeek-V4-Pro
模型卡标注为 Text Generation，许可证为 MIT。MIT License 对研究、二次开发、商业采用都比较友好，这也是 DeepSeek 对开发者生态保持吸引力的重要原因。
但需要把“权重开放”和“人人可跑”分开看。
V4-Pro 是 1.6T 总参数、49B 激活的 MoE 模型。即使 MoE 降低了单次激活计算量，完整部署仍然需要复杂的推理框架、高端 GPU / NPU 集群、长上下文并行、KV Cache 管理和权重格式适配。个人开发者可以下载模型卡、研究结构、调用 API，但完整本地部署 Pro 并不现实。V4-Flash 相对轻一些，但 284B 总参数仍然远超普通消费级设备舒适区。
Hugging Face 模型卡提到本地运行可参考仓库中的 inference folder，包括权重转换和交互式 chat demo。SGLang 文档提供了 DeepSeek-V4 专门 Cookbook，覆盖 low-latency、balanced、max-throughput、长上下文 cp / prefill context-parallel，以及 prefill / decode disaggregation，也就是 pd-disagg。这说明 V4 的部署不只是“启动一个模型服务”这么简单，而是需要按目标场景选择吞吐、延迟和上下文策略。
还有一个容易被忽略的点：SGLang 对 H200 GPU 部署提示应使用 sgl-project 下的 SGLang checkpoint，而不是默认 DeepSeek checkpoint。这类细节对生产部署很关键。模型权重、推理框架、checkpoint 格式、量化精度和注意力实现只要有一个环节不匹配，就可能出现性能不佳、显存爆掉或直接无法启动。
如果要概括 V4 的本地部署路径，可以这样理解：
研究者：优先看 Hugging Face 模型卡、技术报告和 Base 模型；
应用开发者：优先用 API 接入，验证功能和成本；
推理工程团队：看 SGLang / vLLM / NVIDIA 端点和对应 checkpoint；
国产算力团队：关注 AtomGit、昇腾、CANN 和算子优化实践；
普通用户：直接用 DeepSeek Web 或 App，没必要折腾本地部署。
Agentic Coding 是 V4 最容易落地的场景，但也最考验稳定性
V4 发布后，外界讨论最多的应用场景之一是 Agentic Coding。
这和普通“代码生成”不是一回事。过去 AI 写代码更多是补函数、解释报错、生成脚本。Agentic Coding 更像让模型接管一个较长流程：阅读项目、理解需求、规划修改、编辑多个文件、运行测试、根据报错继续修复，直到交付一个可运行结果。
DeepSeek V4 在这类场景里有几个天然优势：
1M 上下文有利于读取更大的代码库和更多任务历史；
Tool Calls 让模型更容易接入文件系统、终端、测试工具；
Thinking Mode 适合复杂规划和多步调试；
OpenAI / Anthropic API 兼容降低了接入 Claude Code、OpenCode、OpenClaw 等 Agent 工具的难度；
Flash / Pro 分层可以降低大规模编程辅助工具的调用成本。
DeepSeek 称 V4 已与 Claude Code、OpenClaw、OpenCode 等主流 Agent 产品集成，并用于内部 agentic coding。媒体实测也提到，V4-Pro 在长程 agentic coding 中表现突出，能连续自主编程较长时间，体现出规划、自我纠错和工具调用能力。
但代码 Agent 也是最容易暴露模型问题的场景。模型只要在某一步误判依赖、误改文件、过度思考、陷入无效循环，后面的成本就会快速放大。第三方体验里已经出现过 V4-Pro 在部分 IMO 难题、简单问题或特定任务上死循环、错误回答、过度思考的反馈。这不是 DeepSeek 独有的问题，而是当前长程 Agent 的通病：模型越能自主行动，越需要外部约束、测试、回滚和人工审查。
所以 V4 在编程里的合理用法，不是完全替代工程师，而是接入一个有护栏的工作流。例如：
让模型先读代码库并输出修改计划；
对关键改动要求引用文件和行级理由；
小步提交，避免一次性大范围改动；
每轮改动后自动运行测试；
对失败测试让模型解释原因，而不是盲目重写；
最终由人审查 diff 和安全影响。
长上下文和低价 API 让这种工作流更可行，但不能取消工程纪律。
国产算力适配：这次不是边角新闻
DeepSeek V4 另一个重要信号是国产算力适配。
开放原子开源基金会称，AtomGit 平台为 DeepSeek-V4 昇腾适配版本首发平台，提供模型推理优化实践、Ascend C 融合算子优化，以及基于 CANN 的 TorchTitan-NPU + AutoFuse 训练优化实践。界面新闻也提到，V4 技术报告披露其在 NVIDIA GPU 与华为昇腾 NPU 两个平台验证了细粒度专家并行方案，相对非融合基线在通用推理任务中实现 1.50-1.73 倍加速，在延迟敏感场景中最高 1.96 倍加速。
这件事的意义不只是“支持国产芯片”四个字。
大模型能不能在一个硬件生态里跑得好，取决于很多底层细节：算子融合、通信开销、专家并行、KV Cache 管理、长上下文 prefill、decode 分离、量化格式、训练和推理框架适配。DeepSeek V4 这种 MoE + 长上下文 + 混合注意力的模型，对硬件和系统栈的压力更大。它如果能在昇腾、CANN、AtomGit 这条线上形成可复用实践，对政企、金融、教育、工业等强调本地化和数据安全的场景，会比单纯发布一个模型文件更有价值。
NVIDIA 也同步发布了围绕 Blackwell 和 GPU 加速端点构建 DeepSeek V4 的技术博客，并提到使用 SGLang、vLLM 和面向 Agent 工作流的构建路径。换句话说，V4 并不是“摆脱某个硬件生态”这么简单，而是进入多硬件、多推理框架、多服务形态同时适配的阶段。
这也说明大模型竞争正在从单模型能力变成系统能力。谁能让模型更便宜、更稳定、更容易部署到不同硬件，谁才更可能拿到企业长期使用。
性能评价要克制：开源第一梯队，不等于全面领先闭源
V4 发布后，很多标题会自然走向“比肩闭源”“开源最强”“挑战 GPT / Claude / Gemini”。这类说法需要拆开。
Hugging Face 模型卡给出的部分基准里，V4-Pro-Base 相比 V3.2-Base 有明显提升：
Benchmark | DeepSeek-V3.2-Base | V4-Flash-Base | V4-Pro-Base |
|---|---|---|---|
MMLU | 87.8 | 88.7 | 90.1 |
MMLU-Pro | 65.5 | 68.3 | 73.5 |
C-Eval | 90.4 | 92.1 | 93.1 |
Simple-QA verified | 28.3 | 30.1 | 55.2 |
FACTS Parametric | 27.1 | 33.9 | 62.6 |
这说明 V4-Pro 在知识、事实和通用能力上相对 V3.2 有实质提升，Flash 也在多数指标上超过 V3.2。但 Pro 和 Flash 的差距也很明显，尤其在事实知识和复杂知识类任务上。
Agentic Coding 方面，DeepSeek 的表述相对克制：V4-Pro 达到开源模型最佳水平，使用体验优于 Sonnet 4.5，交付质量接近 Opus 4.6 非思考模式，但仍与 Opus 4.6 思考模式存在差距。这个说法比“全面超过闭源”更可信，也更接近真实选型。
第三方测评则呈现分化。有的实测强调 V4-Pro 长程编程能力很强，有的榜单认为它进入开源第一梯队；也有开发者和媒体指出，它与最新顶级闭源模型仍有差距，综合排名并非所有榜单都领先 Kimi、GLM 或闭源模型。财新提到的第三方测评中，V4 在多项测评集平均准确率排名并不处于全球最前列，且输出速度和单次测试成本在某些比较里逊于 K2.6。
所以，对 V4 更稳妥的判断是：它是当前开源模型第一梯队的重要成员，在长上下文、成本、Agent 和开源权重上形成了很强组合；但它不是所有任务里的绝对第一，也不能简单替代 GPT、Claude、Gemini 的顶级版本。
企业选型尤其不能只看发布当天榜单。更实际的测试应该包括：
自己业务数据上的准确率和幻觉率；
长上下文输入下的稳定性；
工具调用成功率；
多轮 Agent 任务完成率；
失败后是否能自我纠错；
延迟、吞吐、限流和价格变化；
输出格式是否稳定；
安全、隐私和审计要求。
还有几个坑，最好在兴奋之前先看清
DeepSeek V4 确实值得关注，但也有一些容易被宣传话术盖住的问题。
最重要的是，多模态目前不能当作已确认能力。早期搜索结果和市场传闻里出现过“V4 原生多模态”的说法，但 DeepSeek 官方资料、NVIDIA 技术博客和 Hugging Face 模型卡都将 V4 标为 Text / Text Generation。至少在当前可验证资料里，V4 应按文本模型理解，不应把图片、音频、视频原生输入写成确定能力。
第二，Pro 服务吞吐可能受高端算力约束。复杂模型的 API 不是只看单价，还要看排队、限流、稳定性和高峰期可用性。财新和界面新闻都提到 Pro 模型服务吞吐受高端算力影响。对生产业务来说，模型再强，如果高峰期不可用，也需要备用模型和降级策略。
第三，Thinking Mode 不是所有任务都适合打开。简单问答、格式转换、低延迟补全和批处理任务，过度思考可能反而增加成本、延迟，甚至引发不必要的长输出。智东西实测里提到的“过度思考”和死循环，正好提醒开发者要按任务选择模式。
第四，本地部署门槛很高。MIT License 和 Hugging Face 权重给了研究和二次开发空间，但 V4-Pro 不是普通工作站能轻松完整部署的模型。即使使用 SGLang、vLLM 或国产算力适配，也需要专业推理工程能力。
第五，API 折扣不是永久价格。Pro 目前的 75% off 有明确截止时间，DeepSeek 也保留调价权利。商业应用做预算时，不能只按发布期价格估算。
谁适合现在尝试 DeepSeek V4
如果只是普通用户，DeepSeek Web 和 App 已经是最低门槛入口。V4 的价值主要体现在长文本理解、复杂问题推理、代码辅助和更长多轮对话上。普通聊天未必能明显感知 1M 上下文，但处理长 PDF、长报告、小说、合同、论文综述时会更有意义。
如果是独立开发者或小团队，优先从 API 开始，而不是本地部署。可以先用 Flash 承担默认请求，再把复杂任务切到 Pro。需要注意模型名迁移、Thinking / Non-Thinking 模式选择、缓存命中成本和输出格式稳定性。
如果是 AI 编程工具、Agent 工具或 IDE 插件开发者，V4 值得重点测试。它的长上下文、工具调用和 Anthropic API 兼容格式对 Agent 工具有实际意义。但测试重点不应只放在“能不能写代码”，而要看连续 30 分钟、60 分钟任务里能不能稳定规划、修改、运行测试和收敛。
如果是企业团队，V4 的吸引力在于成本和可控性。API 可以快速验证业务价值，开源权重和国产算力适配则提供了未来私有化或本地化的可能。但企业不能忽略幻觉、权限隔离、审计、数据合规、模型输出责任和供应商价格变化。
如果是研究者，V4-Pro / Flash 的 Base 模型、技术报告、MIT License 和 MoE 长上下文架构都值得研究。尤其是混合注意力、mHC、FP4 expert weights、长上下文效率和多硬件适配，都是比单纯跑分更有研究价值的部分。
暂时不适合直接上生产的情况也很明确：对稳定吞吐有极高要求但没有备用方案；对模型输出事实准确性要求极高但没有检索和审核；希望低成本本地跑完整 Pro；或者把早期折扣价格当作长期商业基础。
DeepSeek V4 的真正意义：不是终结闭源，而是降低长上下文和 Agent 的使用门槛
DeepSeek V4 不适合被简单写成“国产模型再次震撼全球”或者“全面超过闭源模型”。这种说法既不准确，也遮住了它真正有价值的地方。
它更像是 DeepSeek 从单个爆款模型走向模型服务、开源权重、Agent 工具、推理框架和硬件生态协同的一次关键更新。1M 上下文成为官方服务标配，Pro / Flash 分层降低了不同任务的选型成本，OpenAI 与 Anthropic API 兼容降低了迁移门槛，MIT License 继续扩大研究和二次开发空间，AtomGit / 昇腾、SGLang、NVIDIA 等生态适配则说明它不只是一个模型文件。
但 V4 仍然有边界。它是文本模型，不应被误写成已确认原生多模态；它在开源模型里很强，但并非所有第三方测评都领先；它的长上下文能力很有吸引力，但长上下文不等于事实可靠；它开源了权重，但本地部署尤其是 Pro 版本仍然是高门槛工程；它的 API 价格很有竞争力，但折扣和服务吞吐都有不确定性。
更合理的期待是：DeepSeek V4 会推动更多开发者和企业把百万上下文、Agentic Coding、工具调用和复杂推理放进真实工作流里，而不是只停留在演示视频和榜单截图。它未必终结闭源模型的领先位置，但会继续压低前沿能力的使用成本。
这可能才是 DeepSeek 一直最擅长的事情。
参考资料
