DeepSeek V4 為何重要？它未必再掀 R1 式震撼，卻可能改變 AI 的部署方式

DeepSeek V4 是中國 AI 公司 DeepSeek 於 2026 年 4 月 24 日推出的開放權重預覽模型系列，包含兩款定位不同的模型：面向複雜推理、程式設計與 AI 代理工作的 V4-Pro，以及主打速度與成本效益的 V4-Flash。1415

它不太可能重現 DeepSeek R1 當年引發的全球突襲式震撼。如今市場已經預期中國團隊能推出能力不俗、價格較低的模型，因此 V4 的新鮮感不在於「中國模型也能做到」這件事本身，而在於它試圖把模型能力、長上下文應用、開放部署，以及中國本土晶片與軟體堆疊連成一條可運作的路線。

一次發布兩款模型：Pro 與 Flash

DeepSeek 在 4 月 24 日發布 V4 預覽版，包含：

• V4-Pro：總參數約 1.6 兆，每次處理 token 時啟用 490 億參數，定位是較高階的推理、程式設計與代理模型。
• V4-Flash：總參數約 2,840 億，每次啟用 130 億參數，透過更少的啟用參數換取較低延遲與成本，適合大量、頻繁的部署場景。

兩者都是混合專家（Mixture of Experts，MoE）模型，並支援 100 萬 token 的上下文視窗。換句話說，開發者可以把大型程式碼庫、長篇研究資料或長時間累積的工作記錄放進同一個工作脈絡中。141015

與完全封閉、只能透過官方服務使用的模型不同，DeepSeek 同時提供可下載的模型權重與 API。這讓企業和開發者可以選擇自行部署、交由雲端運行，或直接接入 API，而不必只依賴單一託管服務。1415

能力接近前沿，但官方宣稱仍要打折看

DeepSeek 表示，V4-Pro 的表現可與全球頂尖閉源模型競爭，並特別強調數學與 STEM 推理、程式設計、世界知識，以及使用工具和執行多步驟任務的代理能力。1415

不過，這些數據與定位目前主要來自模型發布方及相關資料，且 V4 仍是預覽版本。基準測試成績不等於在真實工作流程中必然與 Claude 或其他頂尖閉源模型相當；模型在長程式碼維護、工具呼叫穩定性、錯誤率、資訊安全與不同語言任務上的表現，仍需要更多獨立測試。

因此，較穩妥的說法是：V4 提供了一個價格更具吸引力、可自行部署或經由 API 使用的替代方案，而不是已經全面取代現有前沿模型。1415

百萬 token 上下文的真正看點：降低長文本成本

V4 的長上下文不只是把數字從幾十萬 token 推高到 100 萬 token。它採用混合式、選擇性的注意力設計，對近期內容保留較詳細的處理，同時把較早的資訊壓縮成更小的記憶表示，避免每一步都完整處理整段歷史資料。1016

DeepSeek 與 Hugging Face 的資料指出，在 100 萬 token 上下文下：

• V4-Pro 每個 token 的推理 FLOPs 約為 DeepSeek V3.2 的 27%，KV cache 記憶體約為 10%。
• V4-Flash 的推理 FLOPs 約降至 10%，KV cache 約降至 7%。16

若這些數字能在實際部署中大致成立，影響將不只是一項基準測試紀錄。長期維護的程式碼庫、龐大的研究文件、企業內部知識庫，以及需要持續記住任務狀態的 AI 代理，都可能因此變得更容易負擔。對這類應用而言，能否以合理成本維持長上下文，往往比單次回答的最高分數更關鍵。

對開發者而言，V4 的重點是代理與程式工作流

DeepSeek 將 V4 定位為適合程式設計和工具型 AI 代理的模型，並提到可與 Claude Code、OpenClaw、CodeBuddy 等開發者代理環境整合。14

這裡需要分清楚「能夠接入」與「能力相同」的差別。支援這些工作流程，代表開發者可以在熟悉的代理環境中測試一個較低成本、可自行託管或透過 API 提供的模型；這並不自動證明它在程式碼品質、工具使用、任務完成率或可靠性上已與 Claude 等閉源模型持平。

但從產業角度看，這種相容性仍然重要。模型若能被直接放進既有的編程代理工作流，開放權重的價值就不再只是「下載後聊天」，而是可能進入企業的程式開發、文件搜尋、測試與自動化流程。14

低成本與開放權重，為何比 R1 的驚喜更具操作性？

R1 帶來的最大衝擊，是讓全球重新評估中國 AI 團隊以相對低成本打造強大推理模型的能力。V4 延續了這條路線，但把重點從一次性的「能力展示」推向更實際的「如何部署」。

一方面，V4-Pro 和 V4-Flash 都以開放權重形式提供，讓研究者與企業有機會自行調整和部署；另一方面，Flash 透過較少的啟用參數，瞄準高併發、低延遲的服務需求。再加上百萬 token 上下文與選擇性注意力，V4 的競爭力可能來自整體使用成本，而不只是模型排行榜上的單一分數。141516

華為 Ascend：V4 的地緣政治意義

V4 的另一個關鍵變化，是它成為 DeepSeek 首個針對華為 Ascend AI 晶片進行重要適配的主要模型，而不再主要依賴 Nvidia GPU 生態。23

在美國限制先進 AI 晶片出口的背景下，這項適配具有戰略意義。它有助於驗證一條由中國本土模型、晶片、編譯工具與軟體框架共同構成的路徑，也符合中國推動 AI 供應鏈自主化、降低對海外硬體與軟體依賴的方向。23

路透社報道稱，V4 發布後，華為 Ascend 950 晶片需求上升，多家中國大型網路公司爭相訂購。若華為的超節點系統能在效能、軟體工具、供應量與總持有成本之間取得平衡，V4 類模型的效率優勢可能進一步放大，並促成一套與 Nvidia 主導的全球 AI 基礎設施並行的中國方案。1

但這不等於 Nvidia 已被取代

模型能在 Ascend 上運行，與取代 Nvidia 仍是兩回事。Nvidia 的優勢不只在 GPU 晶片本身，也包括高速互連、CUDA 程式生態、成熟的最佳化函式庫、開發者熟悉度，以及全球雲端供應商的部署經驗。

此外，公開報道目前沒有充分說明 V4 完整訓練過程中有多少比例使用中國本土晶片，也難以把「針對 Ascend 進行最佳化」與「完全使用本土晶片訓練」混為一談。關於 V4 完全以中國晶片訓練的說法，應視為尚未獲充分驗證的主張。23

同樣地，Ascend 950 超節點能否在大規模訓練與推理中提供穩定效能、足夠供應和具競爭力的總成本，也仍有待實際部署證明。它代表一條可能成形的戰略路徑，而不是已經完成對 Nvidia 全球軟硬體堆疊的替代。1

結論：V4 的深層影響可能在「可運作」

DeepSeek R1 改變了市場對中國 AI 推理能力與成本的想像；DeepSeek V4 則可能把這種影響推向更務實的層面：

1. 以開放權重方式讓更多開發者取得模型；
2. 以 V4-Pro 和 V4-Flash 覆蓋高難度與高流量兩類需求；
3. 以百萬 token 上下文和壓縮式注意力降低長文本推理成本；
4. 將模型帶進程式設計與工具型代理工作流；
5. 嘗試讓前沿級 AI 能力更自然地運行在中國本土晶片與軟體基礎上。

所以，V4 未必會像 R1 一樣令全球市場措手不及，但它可能更深刻地影響 AI 的實際部署方式：不只是誰擁有最強模型，也包括誰能以更低成本、更長上下文，以及更少的外部供應鏈依賴，把模型真正運行起來。