DeepSeek V4有幾重要？未必再震撼全球，但可能改變AI部署方式

DeepSeek V4不是單一模型，而是一個在2026年4月24日以預覽版推出的開放權重模型系列：較大型的V4-Pro，以及更輕巧、更快的V4-Flash。它未必會重演DeepSeek R1當年橫掃市場的意外震撼，原因是市場如今早已預期中國團隊能推出能力不俗、成本較低的模型；但V4的深層意義，可能在於它嘗試把具競爭力的模型、開放部署方式，以及中國本土晶片和軟件串成一條完整路線。1415

一次推出兩款模型

DeepSeek公布的V4-Pro共有1.6萬億個參數，每次運算實際啟用約490億個；V4-Flash則有2,840億個總參數，每次啟用約130億個。兩者都是「混合專家」（Mixture of Experts，MoE）模型，並原生支援100萬Token上下文窗口。1410

簡單來說，V4-Pro是旗艦版本，主要面向較複雜的推理、編程及需要自行規劃步驟的AI代理工作；V4-Flash則透過啟用較少參數，換取更低延遲和成本，較適合高流量、重複性高的企業應用。

兩款模型均以可下載權重及API形式提供，而不是只能在一個封閉的網上服務內使用。對開發者而言，這代表可以選擇自行部署、接駁API，或者把模型整合到現有工具和工作流程之中。1415

能力很強，但不要把官方評測當成定論

DeepSeek表示，V4-Pro的表現可媲美頂尖閉源模型，並特別強調其推理、世界知識、編程及AI代理評測成績。官方資料亦稱，V4在數學、STEM、編程及代理編程等項目具備領先的開放模型表現。1415

不過，這些仍然主要是廠商對預覽版的性能描述，不能取代跨場景、由獨立機構進行的長期測試。實際效果還要看模型在真實代碼庫、企業資料、工具調用、錯誤修正，以及長時間運行的代理任務中是否穩定。

換句話說，V4的「接近前沿」可以視為值得關注的產品主張，但不應直接理解為它已在所有工作上追平Claude或其他頂尖閉源模型。

百萬Token上下文，重點是用得起

V4最有實際部署價值的賣點之一，是100萬Token上下文窗口。這個容量足以容納大型代碼庫、長篇研究資料，或一個持續運作的AI代理所累積的大量工作紀錄。1015

問題在於，上下文越長，模型通常需要處理的運算和記憶體資料也越多。DeepSeek V4採用混合式、選擇性注意力設計：較新的內容會以較細緻方式處理，較舊的內容則壓縮成較小的記憶表示，避免每次都完整重讀全部資料。

DeepSeek及Hugging Face的資料指出，在100萬Token上下文下，V4-Pro每個Token的推理浮點運算量約為V3.2的27%，KV Cache記憶體約為10%；V4-Flash則分別約為10%及7%。如果這些數字能在實際工作負載中維持，長期維護的代碼庫、龐大的研究文獻，以及長時間運作的代理，成本都有機會明顯降低。16

對寫程式和AI代理有何影響？

DeepSeek將V4定位為面向編程及工具型代理的模型，並提到可接駁Claude Code、OpenClaw及CodeBuddy等開發者代理環境。14

這裏要分清楚兩件事：能夠整合，不等於性能完全相同。兼容這些工作流程，只代表開發者可以在相同類型的編程、執行工具、測試和修正流程中，嘗試一個成本較低、可自行託管或透過API使用的替代方案。

對企業來說，真正吸引的未必只是某個排行榜上的分數，而是能否以較低成本讓模型長時間讀取項目文件、修改代碼、調用工具，再根據結果繼續工作。V4的長上下文和Flash版本，正好瞄準這類持續性工作。

為甚麼華為Ascend令V4不只是一個模型發布？

V4的另一個關鍵轉變，是它成為DeepSeek首個針對華為Ascend硬件作主要適配的模型，而不是主要綁定於Nvidia GPU。這在美國限制先進AI晶片出口的背景下，具有明顯戰略意義：它有助測試一條由中國本土模型、晶片及軟件組成的路線，也配合中國建立更自給自足AI生態的目標。23

路透社報道，V4發布後，華為Ascend 950晶片需求上升，多間中國互聯網企業急於取得相關供應。1如果華為以超級節點規模組成的系統，能夠同時提供可用性能、成熟工具鏈、穩定供貨及較低總成本，V4這類模型的效率優勢便可能被進一步放大，並促成一套與全球Nvidia主導架構並行的中國AI基礎建設。

但這仍然是可能出現的戰略方向，而不是已經證實的替代方案。1

Ascend未代表Nvidia已被取代

一個模型可以在Ascend上運行，並不等於Nvidia已被取代。Nvidia的優勢不只在GPU本身，還包括高速互連、CUDA編程生態、成熟的優化函式庫、開發者熟悉程度，以及全球雲端部署網絡。

現有公開報道亦未能清楚交代，V4完整訓練過程中有多少比例使用中國本土晶片；「針對Ascend作優化」和「全程使用本土晶片訓練」是兩個不同說法。至於完全由中國晶片完成訓練的聲稱，現階段應視為未獲充分核實的說法。23

因此，V4更準確的意義，是證明一個前沿取向的開放模型可以被適配到中國本土硬件路線，而不是證明整個Nvidia軟硬件生態已經失去作用。

Ascend 950超級節點會否成為下一個變數？

如果華為的Ascend 950超級節點能在大規模部署中提供足夠性能、軟件支援、供應量和較低整體成本，便可能令更多中國企業願意採用本土AI基礎設施。到那時，模型架構的效率優化和晶片系統的成本優勢，或會互相加乘。

不過，這需要在實際訓練及推理工作負載中經過驗證，亦要看供應、互連、編程工具和開發者生態能否同步成熟。現時較合理的判斷，是Ascend 950有機會建立一條平行的中國AI基礎設施路線，但尚未足以取代以Nvidia為核心的全球AI堆棧。1

結論：R1改變觀感，V4可能改變日常部署

DeepSeek R1當年最震撼之處，是讓市場看到中國AI團隊可以用相對低成本，做出具備強推理能力的模型。V4的影響可能沒有那麼戲劇化，卻有機會更加「落地」：開放權重、100萬Token長上下文、較低推理成本、編程及代理工作流程，以及在中國本土晶片上運行的可信路線。

所以，V4未必會再次令全球AI市場措手不及，但它提出了一個更實際的問題：當高能力模型可以下載、以API接入，並逐步配合另一套本土晶片和軟件生態時，未來AI的競爭，會否不再只是模型分數之爭，而是整套部署生態之爭？