首页 专题指南 文章库 关于

DeepSeek V4 的架构、开源许可和使用成本

介绍 DeepSeek V4 Pro 的混合专家架构、上下文和 MIT 许可,并结合公开评测与定价,讨论部署和使用时需要考虑的条件。

本文目录
  1. DeepSeek V4 是什么
  2. DeepSeek V4 不是什么
  3. 我们能从 DeepSeek V4 学到什么
  4. 写在最后

2026年4月24日,DeepSeek 发布了 V4 系列模型。这一次,它带来的不只是更大的参数量,而是一整套让西方 AI 实验室重新审视自己定价策略的架构设计。

DeepSeek V4 是什么

1. 两个版本,两种定位

V4 系列包含两个模型:

  • V4-Pro:1.6万亿总参数,每次推理激活490亿参数,旗舰级推理能力
  • V4-Flash:2840亿总参数,每次推理激活130亿参数,成本优化型

两者都支持 100万 token 上下文窗口,输出上限384K token,且都使用 MIT 许可证开源,权重托管在 HuggingFace。

2. MoE 不是噱头,而是工程选择

DeepSeek V4 采用 Mixture-of-Experts (MoE) 架构。简单来说:模型有1.6万亿个参数,但每次处理一个 token 时,只激活其中约3%(49B)的专家子网络。这就像一个拥有1000名专家的公司,每个项目只抽调最相关的30人参与。

这种设计的直接后果是:推理成本对标一个490亿参数的密集模型,但能力接近1.6万亿参数的密集模型。 API 定价约为 $0.10-$0.30 / 百万 token,大致是 GPT-4 的 1/50。

3. 混合注意力:1M 上下文的工程解法

100万 token 上下文不是营销数字。DeepSeek 引入了两层注意力机制的组合:

  • CSA (Compressed Sparse Attention):将每 m 个 token 的 KV cache 压缩为单个条目,查询 token 只关注 top-k 压缩条目。这提供了精确的局部上下文检索。
  • HCA (Heavily Compressed Attention):以128倍压缩率进行更激进的压缩,然后在压缩表示上执行密集注意力。这提供了廉价的全局上下文感知。

CSA 和 HCA 在网络中交替出现——模型在专注检索和广角感知之间切换。在100万 token 场景下,V4-Pro 只需要 V3.2 的 27% FLOPs 和 10% KV cache。

4. 双模式推理:Think / Non-Think

V4 在 API 层面提供两种模式:

  • Think 模式:多步推理,8-15秒 deliberation,适合复杂分析和 agentic 工作流
  • Non-Think 模式:2秒内响应,适合内容生成、摘要、数据提取

这比之前的”Chain of Thought” prompting 更可控,开发者可以根据场景明确选择推理深度。

DeepSeek V4 不是什么

1. 它不是又一个”GPT 杀手”

不要把它简单理解为”中国模型超越了美国模型”。DeepSeek 的竞争力不是在某一个 benchmark 上比 GPT-5 高几个点,而是在 相同能力水平下把成本降低了一个数量级。这是商业模式的差异,不是单纯的技术竞赛。

2. 它不是密集模型的简单放大

1.6万亿参数听起来吓人,但这不是”大力出奇迹”。如果把它当成一个1.6T的密集模型来部署,你会破产。V4 的价值在于证明了 稀疏激活 + 高效路由 可以在不牺牲能力的前提下,把万亿参数模型的推理成本压缩到可接受范围。

3. 它不是 RAG 的终结者

100万 token 上下文确实可以一次性吞入整个代码库或长篇文档,但这不意味着 RAG 会消失。CSA/HCA 本身就是对注意力机制的”检索增强”——它在内部分层选择关注哪些 token。RAG 从外部检索变成了内部路由,形态变了,但问题本质没变。

4. 它不是政府补贴的产物

V4 运行在华为昇腾芯片上,训练成本远低于西方同类模型。这不是因为补贴,而是因为 MoE 架构 + FP8 训练 + 算法-硬件协同设计 genuinely 降低了计算需求。DeepSeek-V3 的全量训练只用了278.8万 H800 GPU 小时,且全程没有不可逆的损失尖峰或回滚。

我们能从 DeepSeek V4 学到什么

1. 架构创新比算力堆砌更有价值

当 OpenAI 和 Google 在买更多 GPU 时,DeepSeek 在做三件事:

  • 优化 attention:让长上下文不再是算力黑洞
  • 改进优化器:从 AdamW 切换到 Muon,加速收敛并提升万亿参数训练的稳定性
  • 设计路由:让模型学会”哪些专家处理哪些 token”

这三件事都不需要更多 GPU,但需要更深入的系统级思考。

2. 开源不是慈善,是商业策略

MIT 许可证 + HuggingFace 权重 + 极低 API 定价,这套组合拳的目的不是”做好事”,而是 快速占领开发者心智。当 V4 成为默认选择时,围绕它的工具链、云服务、企业定制就会形成生态。开源在这里是获客手段,不是终点。

3. “够用就好”的推理哲学

V4-Flash 只有130亿激活参数,但在大多数生产场景中完全够用。这揭示了一个被忽视的趋势:推理成本正在取代模型能力,成为 AI 产品化的最大瓶颈。当 V4-Flash 能以 GPT-4 1/50 的价格完成80%的任务时,剩下的20%能力溢价是否值得,就成了一个商业问题。

4. 注意力机制还可以继续进化

CSA + HCA 的混合设计说明,Transformer 的注意力机制远未到头。从 dense attention → sparse attention → compressed attention,每一次压缩都在挑战”注意力必须是二次复杂度”的假设。如果你在做 AI 基础设施,这是一个值得深入的方向。

写在最后

DeepSeek V4 最可怕的地方不是它的 benchmark 分数,而是它证明了 前沿 AI 能力可以以开源 + 低成本的方式交付。当 GPT-5.5 Pro 输出定价 $30/百万 token 时,V4-Pro 输出只卖 $3.48——不到其 1/8。而 V4-Flash 输入仅 $0.14,约为 GPT-5.5 Pro 输入 $15 的 1/100。这个价差不是折扣,是结构性差异。

西方 AI 巨头现在面临一个选择:继续走闭源高溢价路线,还是被迫降价参与开源竞争?无论哪种选择,DeepSeek V4 都已经改变了游戏规则。


参考:DeepSeek-V4-Pro Technical Report, HuggingFace DeepSeek-V4-Pro, DataCamp DeepSeek V4 Analysis, MorphLLM DeepSeek V4 Guide