DeepSeek V4是什么？它未必重现R1的全球震动，但可能改变AI基础设施版图

DeepSeek V4不是单一模型，而是DeepSeek于2026年4月24日发布的开放权重预览版模型家族。它包括面向复杂任务的旗舰模型V4-Pro，以及追求速度和成本效率的V4-Flash。与当年突然引发全球市场震动的DeepSeek R1相比，V4或许不太可能再次制造同等规模的“黑天鹅”冲击——市场如今已经预期中国团队能够推出性能强、价格低的模型。V4更值得关注的地方，在于它试图把模型能力、开发者部署和中国本土AI硬件连接起来。1415

V4发布了什么？

4月24日，DeepSeek公布了两款模型：

• **V4-Pro：**总参数量为1.6万亿，每个Token生成过程中实际激活约490亿参数；
• **V4-Flash：**总参数量为2840亿，每个Token实际激活约130亿参数。

两款模型都采用混合专家（MoE）架构，支持100万Token上下文窗口，并以开放权重形式发布。开发者既可以下载模型权重，也可以通过DeepSeek API调用，而不必完全依赖一个封闭的在线托管服务。1410

这里的“总参数量”和“激活参数量”并不矛盾。MoE模型会根据任务只调用部分专家网络，因此模型整体规模可以很大，但单次推理不必处理全部参数。这也是V4能够在规模与运行效率之间寻找平衡的关键之一。

Pro和Flash，分别适合什么场景？

V4-Pro是旗舰版本，定位于更复杂的推理、编程、工具调用和智能体任务。DeepSeek称，Pro在推理、知识、代码以及智能体相关基准测试中具备接近前沿模型的表现。

V4-Flash则通过每次激活更少的参数，换取更低延迟和更低成本，更适合高频调用、批量处理和对响应速度敏感的应用。简单来说，Pro更像“重型工作站”，Flash则更接近面向规模化部署的“效率型工具”。

不过，性能和价格方面仍需保持审慎。DeepSeek关于V4-Pro可媲美顶尖闭源模型的说法，主要来自厂商在预览发布阶段公布的测试与定位，并不能替代跨真实工作负载的广泛独立评估。1415

百万Token上下文，为什么不只是参数宣传？

V4的一大卖点是100万Token上下文。Token可以理解为模型处理文本、代码或其他输入时使用的基本单位；百万Token意味着模型理论上可以在一次任务中处理规模很大的代码仓库、研究资料或长期对话记录。

真正的难点不只是“能装下多少内容”，还在于处理这些内容需要多少计算和内存。V4采用混合式、选择性注意力设计：对近期信息进行更细致的处理，同时把较早的内容压缩成更小的记忆表示，从而减少长上下文带来的开销。

DeepSeek与Hugging Face报告称，在100万Token上下文长度下，V4-Pro单Token推理所需的浮点运算量约为V3.2的27%，KV缓存内存约为其10%；V4-Flash则分别约为10%和7%。如果这些数据能在更多实际场景中得到验证，那么持续维护大型代码库、检索长篇研究资料，以及运行长期智能体任务，都可能变得更经济。16

对开发者而言，V4的吸引力在哪里？

DeepSeek将V4重点定位在编程和工具调用型智能体，并强调其可接入Claude Code、OpenClaw、CodeBuddy等开发者智能体环境。14

这并不等于V4已经在这些环境中与Claude或其他顶尖闭源模型表现完全相同。更准确地说，开发者可以在相似的工作流中尝试一个成本更低、可通过API使用，或在条件允许时自行托管的替代方案。

对于企业和开发团队来说，开放权重还意味着更大的部署自主权：团队可以根据数据合规、成本、延迟和硬件条件选择运行方式，而不是只能接受单一服务商提供的模型和价格。不过，自行部署超大规模模型仍然需要相当的算力、工程能力和软件适配，开放权重并不等于部署门槛为零。

V4为何具有地缘技术意义？

V4的另一项重要变化，是它成为DeepSeek首个面向华为昇腾硬件进行适配的重大模型，而不再主要围绕英伟达GPU进行优化。23

在美国对先进芯片实施出口限制的背景下，这一变化的战略意义不只是一款模型换了运行硬件。它意味着中国正在尝试验证一条由本土芯片、模型架构和软件工具共同组成的技术路径，为建设更具自主性的AI生态提供实际案例。

路透社报道，V4发布后，华为昇腾950芯片的需求明显上升，多家中国互联网企业开始争取相关供应。如果昇腾超节点系统能够在性能、软件工具、供货能力和总成本之间形成可用组合，那么它可能进一步放大V4这类模型的效率优势，并推动形成一套与英伟达体系并行的中国AI基础设施。1

但这还不意味着英伟达被替代

需要区分“模型能够运行在昇腾上”和“英伟达的整体生态已被替代”这两件事。

英伟达的优势不仅是GPU本身，还包括高速互联、CUDA编程生态、成熟的优化库、开发者熟悉度，以及遍布全球云服务的部署基础。模型完成硬件适配，通常只是构建替代路径的一个环节，不能单独证明另一套生态已经具备同等规模和成熟度。

此外，公开报道尚未明确说明V4完整训练过程有多大比例使用了中国本土芯片，也没有充分区分训练、推理和性能优化环节。因而，关于V4“完全使用国产芯片训练”的说法，目前应视为尚未证实的判断。23

V4真正可能留下的影响

DeepSeek R1改变了外界对中国AI团队成本和推理能力的看法：一家中国实验室证明了强大的推理模型不一定只能以极高成本实现。

V4的影响可能更加“工程化”和“基础设施化”：它把开放权重、百万Token长上下文、低成本推理、代码与智能体部署，以及对中国本土芯片的适配放在同一条产品路线上。它未必像R1那样瞬间冲击全球市场，但如果模型、软件框架和昇腾硬件能够持续协同优化，V4可能成为中国AI产业建立平行技术栈的一次重要试验。

换句话说，R1更像是一次认知冲击；V4则更像是一场关于长期运营成本、开发者控制权和AI基础设施自主性的耐力赛。