DeepSeek V4 不给英伟达用了

DeepSeek V4 的出现，不仅是参数量的提升，更是一次对行业惯例的挑战。它以百万级上下文窗口和极低的训练成本，展现了超越前代的性能，同时通过优先适配国产芯片，可能重塑 AI 硬件生态的格局，为国产 AI 发展提供了新的可能性。

智能速览

• V4 模型总参数达万亿，但推理激活参数仅 320 亿，效率反超前代。

• 实现 100 万 token 上下文窗口，可一次性读入整个代码仓库。

• 训练成本预估仅 800-1000 万美元，远低于 GPT-5 的 5-10 亿美元。

• SWE-bench 跑分超过 80%，性能比肩 Claude Opus 等顶级模型。

• 打破行业潜规则，优先适配华为昇腾芯片，而非英伟达。

• 将推出重型版 V4 和轻量多模态版 V4 Lite，满足不同场景需求。

精华内容

DeepSeek V4 的革新之处，不仅在于模型规模的突破，更在于其通过精巧的架构设计，实现了成本与性能的极致平衡，并主动引导了产业链的变革方向。

高效 MoE 架构

DeepSeek V4 的总参数规模约为 1 万亿，相比 V3 增长了近 50%。然而，通过采用更先进的 MoE（混合专家）架构，其在每次推理时仅需激活 320 亿参数，这一数字甚至低于 V3 的 370 亿。

这种设计好比一个 100 人的公司，每次只精准派出 3 名专家完成任务，而非一个 67 人的公司派出 4 人。团队规模更大，但核心执行成本反而更低，实现了模型越大、推理越便宜的反直觉效果，展现了卓越的工程优化能力。

百万级上下文

V4 配备了高达 100 万 token 的上下文窗口，相当于 15-20 本书的容量，远超 GPT-4o 的 12.8 万和 Claude 的 20 万。这项功能并非概念，而是已在今年 2 月静默上线，可供开发者实测。

其背后是名为 Engram 的关键技术，该技术实现了 O(1) 常数时间检索，无论上下文多长，信息提取速度和准确率都保持稳定。实测准确率从 V3 的 84.2% 提升至 97%。更关键的是，它能将千亿级的嵌入表卸载到系统内存，对 GPU 显存要求大幅降低，性能损失不到 3%。

成本与性能

在性能对标顶尖模型的同时，DeepSeek V4 的训练成本控制得极为出色。V3 的训练成本约为 560 万美元，而参数翻倍的 V4，凭借核心技术优化，额外训练时间仅增加 6.7%。据推算，其总训练成本在 800-1000 万美元之间。

这与业内估计的 GPT-5 高达 5-10 亿美元的训练成本形成了百倍差距。在 SWE-bench 等权威评测中，V4 的得分超过 80%，与 Claude Opus 的 80.9% 基本持平，并计划开源，让用户能以零成本获得接近 GPT-5 级别的模型能力。

产业链新博弈

此次 V4 发布最引人关注的，是其打破行业潜规则的决定：未提前向英伟达和 AMD 提供模型权重进行优化，而是优先完成了华为昇腾芯片的适配。

过去，英伟达凭借 CUDA 生态的先发优势，始终是主流模型发布前的“第一站”。DeepSeek 凭借 V3 和 R1 在 GitHub 上百万级的下载量和全球影响力，获得了与芯片厂商议价的资本，将“求你优化”变为了“你来适配我”。这为国产 AI 芯片生态注入了强心剂，标志着国产 AI 基础设施开始走向独立运转。

双版本策略

为满足不同场景需求，DeepSeek V4 将以两个版本呈现。V4（重型版）专注于编码能力，SWE-bench 表现卓越，目标是成为最强的自主编码 Agent，适用于高算力、高精度的场景。

另一个版本是 V4 Lite（代号 Sealion-lite），它轻量、响应快速且原生多模态。其价格预计仅为 GPT-4o 的十分之一，非常适合出海创业者，兼顾了成本效益、多模态能力和数据合规（可本地部署）三大优势，具备成为“性价比之王”的潜力。

DeepSeek V4 的发布，不只是一个技术产品的迭代，更是国产 AI 产业链寻求独立运转能力的一个标志性事件。它证明了顶级模型也能拥有对供应链的议价权，这条新路能走多远，将深刻影响未来 AI 技术的全球格局。