DeepSeek V4 工程解析：1M 上下文、MoE 与 API 迁移要点

DeepSeek 的模型与价格页还列出，两个模型的最大输出长度为 384K，并支持 Json Output、Tool Calls 等功能。^[17] 这些规格说明，V4 的工程重点并不是单纯把参数或上下文窗口做大，而是把能力档和效率档同时做成可调用产品。

MoE 的意义：容量和单次推理成本不再完全绑定

API 易与 HyperAI 等公开材料均将 V4-Pro 和 V4-Flash 描述为 Mixture-of-Experts（MoE）模型。^[2][4] 在 MoE 语境下，总参数更接近专家池容量，激活参数则表示一次推理中实际参与计算的子集；这解释了为什么 V4 的规格同时强调 total parameters 和 active parameters。^{[1][2][4][14]}

这类设计的收益，是让模型容量与单次计算量部分解耦；代价是服务端必须处理专家路由、专家并行、通信和负载均衡等问题。SGLang / Miles 团队在 V4 发布后称已提供推理与 RL 训练支持，并表示其系统针对 V4 的 hybrid sparse-attention、mHC 和 FP4 expert weights 做了适配，说明难点已经延伸到 serving/training stack。^[5]

1M token 上下文：真正的压力在服务端

NVIDIA 开发者材料把 V4-Pro 和 V4-Flash 定位为面向高效 million-token context inference 的模型，并点名长上下文代码、文档分析、检索和 agentic AI 工作流等场景。^[1] DeepSeek API 文档也列出两者上下文长度为 1M。^[17]

对使用者来说，1M 上下文的直接价值是减少切片、拼接和检索遗漏；对服务端来说，它会放大注意力计算、上下文缓存、显存/带宽和吞吐调度压力。也因此，评价 V4 不能只看窗口数字，更应在真实的代码仓库、长文档、RAG 和 Agent 工具链中测试延迟、费用、长距离引用稳定性和工具调用表现。^[1][17]

注意力架构：方向清楚，术语仍要谨慎

围绕长上下文效率，公开材料的术语并不完全一致。API 易称 V4 的 1M 上下文由 Hybrid Attention 与 DSA sparse attention 支撑。^[2] HyperAI 摘要写到 hybrid attention 结合 Compressed Sparse Attention（CSA）和 Heavily Compressed Attention（HCA），并提到 mHC。^[4] SGLang / Miles 则称其开源栈针对 hybrid sparse-attention、mHC 和 FP4 expert weights 做了适配。^[5]

稳妥的读法是：V4 生态材料普遍指向“稀疏/压缩/混合注意力 + 服务栈优化”这条路线；但具体模块名称、实现细节和效果幅度，不应只凭二级摘要或视频定论，最好回到 DeepSeek 透明中心列出的 Model Card 与 Technical Report 核对。^[22]

API 落地：迁移成本被放进产品设计

DeepSeek 更新日志显示，API 已支持 V4-Pro 与 V4-Flash，并可通过 OpenAI ChatCompletions 接口和 Anthropic 接口调用；访问新模型时 base_url 不变，只需把 model 参数改为 deepseek-v4-pro 或 deepseek-v4-flash。^[18][19] 官方首次调用文档列出的 base URL 分别是 OpenAI 格式的 https://api.deepseek.com 和 Anthropic 格式的 https://api.deepseek.com/anthropic。^[20][21]

旧模型名也有明确时间表：deepseek-chat 与 deepseek-reasoner 将于 2026-07-24 弃用；过渡期内，它们分别指向 deepseek-v4-flash 的非思考模式和思考模式。^[18][19][21] 对已有应用来说，最先要做的是替换模型名、确认 Pro/Flash 选择，并对长上下文、Tool Calls、输出长度和成本做回归测试。^[17][18]

哪些说法还需要独立验证

第一，性能领先幅度要谨慎。官方中文发布页称 V4-Pro 在 Agent、世界知识和推理能力上达到国内与开源领域领先，并给出与部分闭源模型的体验对比；API 易也列出 SWE-Verified 等 benchmark 分数。^[15][2] 这些可以作为发布方和生态方主张，但不同提示词、成本约束和业务任务下的表现仍应以独立复测为准。

第二，内部机制细节要分层看待。Hybrid Attention、DSA、CSA、HCA、mHC 和 FP4 expert weights 已出现在不同公开材料中，但来源层级和命名并不一致。^[2][4][5] 在官方技术报告之外，把每个术语都当成已完全验证的实现事实并不稳妥。^[22]

第三，1M 上下文不自动等于所有满窗请求都低延迟、低成本。官方和生态材料能确认 V4 的规格方向与可调用性；真实服务表现仍取决于你的文档长度、缓存命中、并发量、工具调用链和评测标准。^[1][17][18]

实用结论

DeepSeek V4 的“疯狂工程”在于组合：V4-Pro 的 1.6T/49B active、V4-Flash 的 284B/13B active、最高 1M token 上下文，以及 OpenAI/Anthropic 兼容 API 被放进同一个可调用产品线中。^{[1][14][17][18]} 对开发者来说，短期最实际的行动不是复述宣传语，而是用自己的长文档、代码库、RAG 与 Agent 工作流做端到端测试，并在 2026-07-24 前完成旧模型名迁移。^[18][21]