DeepSeek V4: Model terbuka yang mahu mengubah permainan AI China

DeepSeek V4 bukan sekadar kemas kini biasa kepada model AI terdahulu. Ia ialah keluarga model generasi pratonton yang menggunakan wajaran terbuka—bermaksud pembangun boleh memuat turun dan menjalankannya sendiri—serta tersedia melalui API DeepSeek.

Keluarga ini merangkumi model besar V4-Pro dan model lebih ringan V4-Flash. V4 mungkin tidak mencetuskan kejutan pasaran sebesar DeepSeek R1 kerana industri kini sudah menjangka kemunculan model China yang berkemampuan dan murah. Namun, kepentingan V4 mungkin lebih bersifat operasi: ia cuba menggabungkan prestasi kompetitif dengan laluan praktikal ke arah timbunan AI—model, cip dan perisian—yang dikawal China. 1415

Apa yang dilancarkan?

Pada 24 April 2026, DeepSeek memperkenalkan dua model pratonton:

• V4-Pro: 1.6 trilion parameter keseluruhan, dengan 49 bilion parameter diaktifkan bagi setiap token.
• V4-Flash: 284 bilion parameter keseluruhan, dengan 13 bilion parameter diaktifkan bagi setiap token.

Kedua-duanya menggunakan seni bina mixture-of-experts (MoE), mempunyai konteks sehingga 1 juta token dan dikeluarkan dengan wajaran terbuka. 1410

Secara mudah, V4-Pro ialah pilihan utama untuk penaakulan yang lebih sukar, pengekodan dan tugasan ejen. V4-Flash pula mengaktifkan jauh lebih sedikit parameter pada satu-satu masa, lalu menyasarkan kependaman dan kos yang lebih rendah untuk penggunaan berskala besar.

DeepSeek menyediakan kedua-duanya sebagai wajaran yang boleh dimuat turun dan melalui API. Ini berbeza daripada model yang hanya boleh digunakan menerusi perkhidmatan awan tertutup. 1415

Sejauh mana hebatnya V4?

DeepSeek mendakwa V4-Pro mampu menyaingi model tertutup terbaik dunia, selain menunjukkan prestasi tinggi dalam penaakulan, pengetahuan, matematik, sains, pengekodan dan penanda aras ejen. 1415

Namun, dakwaan tersebut perlu dibaca dengan berhati-hati. V4 masih merupakan keluaran pratonton dan keputusan penanda aras yang diumumkan oleh pembuat model bukan pengganti kepada ujian bebas merentas tugasan sebenar.

Kelebihan yang lebih mudah dilihat ialah fokusnya terhadap pembangun. DeepSeek memposisikan V4 untuk pengekodan dan ejen yang boleh menggunakan alat, termasuk aliran kerja dalam persekitaran seperti Claude Code, OpenClaw dan CodeBuddy. Keserasian ini tidak membuktikan bahawa V4 setara dengan Claude atau model tertutup terkemuka lain. Ia bermaksud pembangun kini mempunyai alternatif yang lebih murah, boleh dihoskan sendiri atau diakses melalui API. 14

Mengapa konteks sejuta token penting?

Konteks ialah jumlah maklumat yang boleh dipertimbangkan oleh model ketika menjawab. Dengan konteks sejuta token, V4 berpotensi memproses repositori kod yang besar, koleksi dokumen penyelidikan atau sejarah interaksi ejen yang panjang dalam satu sesi.

Cabaran utama bukan sekadar memuatkan konteks yang panjang, tetapi melakukannya tanpa kos pengiraan dan penggunaan memori yang melambung. V4 menggunakan reka bentuk perhatian hibrid atau terpilih: maklumat terbaharu diproses dengan lebih terperinci, manakala maklumat lama dimampatkan menjadi perwakilan memori yang lebih kecil.

Menurut DeepSeek dan Hugging Face, pada konteks sejuta token, V4-Pro memerlukan kira-kira 27% daripada FLOP inferens setiap token V3.2 dan 10% daripada memori cache KV model tersebut. Bagi V4-Flash, angka yang dilaporkan ialah 10% FLOP dan 7% cache KV. 16

Jika angka ini dapat dikekalkan dalam penggunaan sebenar, aplikasi seperti pembantu pengekodan berterusan, analisis arkib besar dan ejen yang beroperasi untuk tempoh lama boleh menjadi lebih praktikal dari segi kos.

Adakah V4 akan mengulangi kejutan DeepSeek R1?

Kemungkinan itu lebih rendah. R1 mengejutkan dunia kerana ia menunjukkan bahawa sebuah makmal China boleh menghasilkan model penaakulan yang kuat dengan kos yang jauh lebih rendah daripada jangkaan industri ketika itu.

Kini, pasaran sudah lebih bersedia. Model China yang murah dan berkemampuan bukan lagi perkara yang tidak dijangka. Oleh itu, V4 tidak semestinya menghasilkan kejutan pasaran yang sama besar.

Kesan yang lebih mendalam mungkin datang daripada cara V4 digunakan: sebagai model terbuka untuk pembangun, model konteks panjang untuk aplikasi kompleks dan model yang direka untuk berfungsi pada infrastruktur China sendiri.

Mengapa pengoptimuman untuk Huawei Ascend penting?

V4 ialah model utama pertama DeepSeek yang disesuaikan untuk perkakasan Huawei Ascend, bukannya bergantung terutamanya pada GPU Nvidia. Perkembangan ini penting dalam konteks sekatan eksport cip Amerika Syarikat kerana ia membantu mengesahkan laluan domestik yang menggabungkan model AI, cip dan perisian China. Ia juga menyokong usaha Beijing membina ekosistem AI yang lebih berdikari. 23

Reuters melaporkan bahawa permintaan terhadap cip AI Huawei Ascend 950 meningkat selepas pelancaran V4, dengan syarikat internet China dilaporkan cuba mendapatkan bekalan cip tersebut. 1

Jika sistem berskala supernode Huawei mampu menawarkan prestasi, perisian sokongan, bekalan dan jumlah kos yang munasabah, ia boleh mengukuhkan kecekapan seperti yang ditawarkan V4 dan membentuk infrastruktur AI China yang selari dengan ekosistem global.

Tetapi ini masih merupakan kemungkinan strategik, bukan bukti bahawa Nvidia telah digantikan.

Nvidia masih sukar digantikan

Menjalankan model pada cip Ascend tidak sama dengan menggantikan Nvidia sepenuhnya. Kelebihan Nvidia bukan hanya terletak pada perkakasan GPU, tetapi juga pada:

• rangkaian sambungan berkelajuan tinggi antara cip;
• ekosistem perisian CUDA;
• perpustakaan yang dioptimumkan;
• pengalaman pembangun yang luas; dan
• ketersediaan melalui penyedia awan di seluruh dunia.

Laporan awam yang ada juga belum menjelaskan berapa besar bahagian latihan penuh V4—jika ada—yang menggunakan cip domestik, berbanding penggunaan cip tersebut untuk pengoptimuman atau inferens. Maka, dakwaan bahawa keseluruhan latihan V4 dilakukan menggunakan cip China wajar dianggap belum disahkan. 23

Kesimpulannya, DeepSeek R1 mengubah persepsi tentang keupayaan China menghasilkan AI yang kuat dengan kos rendah. DeepSeek V4 pula mungkin memberi kesan yang lebih praktikal: model terbuka, konteks sejuta token dengan kos inferens yang lebih rendah, sokongan untuk pengekodan dan ejen, serta usaha menjadikan semua keupayaan itu berjalan pada infrastruktur China sendiri.