DeepSeek-V4 介绍报道：更会读长文的新一代开源大模型

DeepSeek V4 介绍报道：更会读长文的新一代开源大模型 DeepSeek V4 介绍报道：更会读长文的新一代开源大模型 Modified April 24 七、简单总结 DeepSeek V4 不是一次单纯的“参数变大”，而是围绕长上下文、推理效率、开放部署做了一次系统升级。 它的关键词可以概括为四个： • 更长：支持百万 token 上下文。 • 更强：Pro 版本在知识、代码、推理、智能体任务上都有提升。 • 更省：通过新的注意力机制降低长文本推理成本。 • 更开放：权重开放，支持 Hugging Face 和 ModelScope 下载，本地部署路径也已给出。 如果说过去的大模型更像一个“会聊天的助手”，DeepSeek V4 正在更进一步，变成一个能读长材料、处理复杂任务、并可部署到本地环境中的 AI 基础设施。 参考来源 • DeepSeek V4 Hugging Face Collection • DeepSeek V4 ModelScope Collection • DeepSeek V4 Pro 模型卡 • DeepSeek V4 技术报告 PDF 八、技术报告截图解读 下面几张图来自 DeepSeek V4 技术报告。为了方便非技术读者理解，这里不逐公式解释，而是抓住每张图背后的核心意思。 图 1：性能提升和长上下文效率 DeepSeek V4 技术报告 Figure 1：性能对比与长上下文推理成本 怎么读这张图： 左侧是 DeepSeek V4 Pro Max 与其他前沿模型在知识、推理、代码和智能体任务上的对比。可以看到它在部分代码和任务执行类指标上表现很突出。右侧更关键：当上下文拉到 100 万 token 级别时，DeepSeek V4 Pro 的单 token 推理计算量和 KV cache 占用都明显低于 DeepSeek V3.2。 通俗理解： 这张图想说明两件事：第一，DeepSeek V4 不只是“能答题”，在复杂任务上也有竞争力；第二，它处理超长文本时更省资源，所以“百万上下文”不是宣传口号，而是通过架构压缩和优化来支撑的能力。 图 2：DeepSeek V4 的整体架构 DeepSeek V4 技术报告 Figure 2：整体架构示意 怎么读这张图： 图里可以看到 DeepSeek V4 仍然基于 Transformer 大框架，但在关键模块上做了升级：注意力层使用 CSA/HCA 混合注意力，前馈层使用 DeepSeekMoE，残差连接部分则加入了 mHC 来增强信息传递稳定性。 通俗理解： 可以把模型想象成一条很长的流水线。DeepSeek V4 没有完全推倒重来，而是在几个最影响效率和稳定性的环节换上新部件：长文本阅读靠 CSA/HCA，模型容量靠 MoE，深层训练稳定性靠 mHC。 图 3：CSA，把长文本先“压缩再筛选” DeepSeek V4 技术报告 Figure 3：CSA（Compressed Sparse Attention）核心结构 怎么读这张图： CSA 的核心是把原本很长的 Key Value 信息先压缩成更少的条目，再用选择器挑出当前问题最相关的部分。同时，它还保留一个小的滑动窗口，用来照顾局部细节。 通俗理解： 如果模型面对一本很厚的书，CSA 不会每次都从头到尾逐字翻，而是先做“压缩目录”，再根据问题快速定位相关章节；同时保留眼前几页的细节，避免漏掉近处信息。 图 4：HCA，更激进的压缩方式 DeepSeek V4 技术报告 Figure 4：HCA（Heavily Compressed Attention）核心结构 怎么读这张图： HCA 的压缩比 CSA 更高，会把更多 token 的信息合并成一个更紧凑的条目。它也会保留一部分滑动窗口信息，避免只剩全局粗略印象而丢掉局部细节。 通俗理解： CSA 像“精简目录+重点页”，HCA 更像“超级摘要”。两者混合使用，是为了在超长文本中兼顾两件事：既要省计算，又不能把关键细节压没。 图 5：百万上下文下，模型还能不能找回信息？ DeepSeek V4 技术报告 Figure 9：MRCR 长上下文检索任务表现 怎么读这张图： MRCR 是一种长上下文检索测试，可以粗略理解为“在很长的材料里埋入多条信息，看模型能不能找回来”。图中可以看到，DeepSeek V4 Pro Max 和 Flash Max 在 128K 以内表现较稳定，到了 256K、512K、1024K 后出现下降，但在 100 万 token 级别仍保留了一定检索能力。 通俗理解： 百万上下文并不等于“永远不会忘”。更准确的说法是：模型能把上下文窗口开得非常大，并且在超长材料中仍有可用的检索能力，但文本越长，找准细节仍然会变难。因此实际使用时，重要材料最好配合分段、目录、引用位置和检索工具一起使用。 报道可引用的结论 • DeepSeek V4 的技术重点不是单纯扩大参数，而是围绕 长上下文效率 做架构升级。 • CSA 和 HCA 的作用，是让模型面对超长文本时先压缩、再筛选、再关注重点。 • MoE 让模型拥有更大容量，但每次推理只激活一部分专家，从而兼顾能力和成本。 • 百万 token 上下文适合长文档、代码仓库、会议纪要、合同和知识库等场景，但不代表所有细节都能无损记住。 • 对普通用户来说，DeepSeek V4 最大的变化是：AI 更适合处理“资料很多、上下文很长、任务很复杂”的工作。 DeepSeek V4 Hugging Face Collection DeepSeek V4 ModelScope Collection DeepSeek V4 Pro 模型卡 DeepSeek V4 技术报告 PDF 七、简单总结 DeepSeek V4 不是一次单纯的“参数变大”，而是围绕长上下文、推理效率、开放部署做了一次系统升级。 它的关键词可以概括为四个： • 更长：支持百万 token 上下文。 • 更强：Pro 版本在知识、代码、推理、智能体任务上都有提升。 • 更省：通过新的注意力机制降低长文本推理成本。 • 更开放：权重开放，支持 Hugging Face 和 ModelScope 下载，本地部署路径也已给出。 如果说过去的大模型更像一个“会聊天的助手”，DeepSeek V4 正在更进一步，变成一个能读长材料、处理复杂任务、并可部署到本地环境中的 AI 基础设施。 参考来源 • DeepSeek V4 Hugging Face Collection DeepSeek V4 Hugging Face Collection • DeepSeek V4 ModelScope Collection DeepSeek V4 ModelScope Collection • DeepSeek V4 Pro 模型卡 DeepSeek V4 Pro 模型卡 • DeepSeek V4 技术报告 PDF DeepSeek V4 技术报告 PDF 八、技术报告截图解读 下面几张图来自 DeepSeek V4 技术报告。为了方便非技术读者理解，这里不逐公式解释，而是抓住每张图背后的核心意思。 图 1：性能提升和长上下文效率 怎么读这张图： 左侧是 DeepSeek V4 Pro Max 与其他前沿模型在知识、推理、代码和智能体任务上的对比。可以看到它在部分代码和任务执行类指标上表现很突出。右侧更关键：当上下文拉到 100 万 token 级别时，DeepSeek V4 Pro 的单 token 推理计算量和 KV cache 占用都明显低于 DeepSeek V3.2。 通俗理解： 这张图想说明两件事：第一，DeepSeek V4 不只是“能答题”，在复杂任务上也有竞争力；第二，它处理超长文本时更省资源，所以“百万上下文”不是宣传口号，而是通过架构压缩和优化来支撑的能力。 图 2：DeepSeek V4 的整体架构 怎么读这张图： 图里可以看到 DeepSeek V4 仍然基于 Transformer 大框架，但在关键模块上做了升级：注意力层使用 CSA/HCA 混合注意力，前馈层使用 DeepSeekMoE，残差连接部分则加入了 mHC 来增强信息传递稳定性。 通俗理解： 可以把模型想象成一条很长的流水线。DeepSeek V4 没有完全推倒重来，而是在几个最影响效率和稳定性的环节换上新部件：长文本阅读靠 CSA/HCA，模型容量靠 MoE，深层训练稳定性靠 mHC。 图 3：CSA，把长文本先“压缩再筛选” 怎么读这张图： CSA 的核心是把原本很长的 Key Value 信息先压缩成更少的条目，再用选择器挑出当前问题最相关的部分。同时，它还保留一个小的滑动窗口，用来照顾局部细节。 通俗理解： 如果模型面对一本很厚的书，CSA 不会每次都从头到尾逐字翻，而是先做“压缩目录”，再根据问题快速定位相关章节；同时保留眼前几页的细节，避免漏掉近处信息。 图 4：HCA，更激进的压缩方式 怎么读这张图： HCA 的压缩比 CSA 更高，会把更多 token 的信息合并成一个更紧凑的条目。它也会保留一部分滑动窗口信息，避免只剩全局粗略印象而丢掉局部细节。 通俗理解： CSA 像“精简目录+重点页”，HCA 更像“超级摘要”。两者混合使用，是为了在超长文本中兼顾两件事：既要省计算，又不能把关键细节压没。 图 5：百万上下文下，模型还能不能找回信息？ 怎么读这张图： MRCR 是一种长上下文检索测试，可以粗略理解为“在很长的材料里埋入多条信息，看模型能不能找回来”。图中可以看到，DeepSeek V4 Pro Max 和 Flash Max 在 128K 以内表现较稳定，到了 256K、512K、1024K 后出现下降，但在 100 万 token 级别仍保留了一定检索能力。 通俗理解： 百万上下文并不等于“永远不会忘”。更准确的说法是：模型能把上下文窗口开得非常大，并且在超长材料中仍有可用的检索能力，但文本越长，找准细节仍然会变难。因此实际使用时，重要材料最好配合分段、目录、引用位置和检索工具一起使用。 报道可引用的结论 • DeepSeek V4 的技术重点不是单纯扩大参数，而是围绕 长上下文效率 做架构升级。 • CSA 和 HCA 的作用，是让模型面对超长文本时先压缩、再筛选、再关注重点。 • MoE 让模型拥有更大容量，但每次推理只激活一部分专家，从而兼顾能力和成本。 • 百万 token 上下文适合长文档、代码仓库、会议纪要、合同和知识库等场景，但不代表所有细节都能无损记住。 • 对普通用户来说，DeepSeek V4 最大的变化是：AI 更适合处理“资料很多、上下文很长、任务很复杂”的工作。 📝 这是一篇面向普通读者的 DeepSeek V4 介绍报道，重点解释它是什么、强在哪里，以及开源权重和本地部署意味着什么。 这是一篇面向普通读者的 DeepSeek V4 介绍报道，重点解释它是什么、强在哪里，以及开源权重和本地部署意味着什么。 DeepSeek V4 来了：更会“读长文”、更会推理，也更方便本地部署 近日，DeepSeek 发布了新一代开源大模型 DeepSeek V4 系列。和普通用户最相关的一句话是：它不只是“更大”，而是更擅长处理超长内容、复杂推理和代码任务，同时开放了模型权重，开发者可以下载并进行本地部署。 一、DeepSeek V4 是什么？ DeepSeek V4 是 DeepSeek 推出的新一代大语言模型系列，目前主要包括两个版本： 版本 定位 参数规模 每次推理激活参数 适合场景 DeepSeek V4 Pro 旗舰版本 约 1.6T 约 49B 高难度推理、代码、复杂智能体任务 DeepSeek V4 Flash 高效版本 约 284B 约 13B 更注重效率和部署成本的应用 版本 版本 定位 定位 参数规模 参数规模 每次推理激活参数 每次推理激活参数 适合场景 适合场景 DeepSeek V4 Pro DeepSeek V4 Pro 旗舰版本 旗舰版本 约 1.6T 约 1.6T 约 49B 约 49B 高难度推理、代码、复杂智能体任务 高难度推理、代码、复杂智能体任务 DeepSeek V4 Flash DeepSeek V4 Flash 高效版本 高效版本 约 284B 约 284B 约 13B 约 13B 更注重效率和部署成本的应用 更注重效率和部署成本的应用 这两个模型都采用了 MoE，也就是“专家混合”架构。可以把它理解成：模型内部有很多“专家模块”，每次回答问题时，并不是所有模块都一起上，而是按任务选择一部分最相关的专家工作。这样既能保留大模型的能力，又能控制推理成本。 二、最大的亮点：支持百万级上下文 DeepSeek V4 的一个核心卖点是支持 100 万 token 上下文长度。 这是什么意思？简单说，以前很多模型像是在“短期记忆”里回答问题，文档太长就容易忘前面内容。百万级上下文则意味着它可以一次性处理非常长的材料，比如： • 一本书或多份长报告 • 大型代码仓库的多个文件 • 长会议纪要、合同、论文资料 • 连续多轮复杂对话 这对企业知识库、法律文档分析、科研阅读、代码审查等场景很有价值。 三、为什么长文能力更强？ DeepSeek V4 在技术上用了新的混合注意力架构，把 Compressed Sparse Attention 和 Heavily Compressed Attention 结合起来。 不用被术语吓到。它解决的问题很朴素：当文本特别长时，模型如果每个字都仔细互相对照，计算量会爆炸。DeepSeek V4 的做法是“该细看的地方细看，该压缩的地方压缩”，从而让长文本处理更省算力、更省显存。 根据官方模型卡介绍，在 100 万 token 场景下，DeepSeek V4 Pro 相比 DeepSeek V3.2，单 token 推理 FLOPs 约为 27%，KV cache 约为 10%。通俗说，就是长上下文下更省资源。 四、推理模式更灵活 DeepSeek V4 Pro 和 DeepSeek V4 Flash 都支持三种推理强度： 模式 特点 适合任务 Non think 快速回答 日常问答、简单任务 Think 更认真地推理 规划、分析、复杂问题 Think Max 尽可能拉满推理能力 高难度题目、复杂代码、模型能力边界测试 模式 模式 特点 特点 适合任务 适合任务 Non think Non think 快速回答 快速回答 日常问答、简单任务 日常问答、简单任务 Think Think 更认真地推理 更认真地推理 规划、分析、复杂问题 规划、分析、复杂问题 Think Max Think Max 尽可能拉满推理能力 尽可能拉满推理能力 高难度题目、复杂代码、模型能力边界测试 高难度题目、复杂代码、模型能力边界测试 这有点像开车时的不同模式：日常通勤用普通模式，复杂路况用增强模式，极限测试再开最高性能模式。 五、开源权重意味着什么？ DeepSeek V4 的权重已在 Hugging Face 和 ModelScope 上开放，并采用 MIT License。这对开发者和企业很重要。 它意味着大家可以： • 下载模型权重 • 做本地部署 • 研究模型结构与推理方式 • 在合规前提下进行二次开发和应用集成 本地部署的价值尤其明显：数据不一定要上传到外部服务，更适合对隐私、成本、可控性要求高的场景，比如企业内部知识库、私有代码助手、行业专属智能客服等。 不过也要注意，DeepSeek V4 Pro 体量非常大，本地运行对硬件要求很高。普通个人电脑很难直接流畅部署旗舰版，Flash 版本相对更现实，但仍然需要较强的 GPU 资源和工程能力。 六、它适合谁？ 对普通用户来说，DeepSeek V4 的意义是：未来 AI 可以更稳定地处理长材料和复杂任务。 对开发者来说，它的意义更直接： • 做代码助手 • 做长文档问答 • 做本地私有模型服务 • 做智能体和工具调用系统 • 做行业模型二次开发 对企业来说，DeepSeek V4 代表一种更可控的 AI 方案：既有较强能力，又有开源权重可用，方便部署到自己的环境中。