DeepSeek 下一代模型 “Model1” 的技术细节浮出水面。其核心架构从 576 维回归 512 维，这一调整旨在更好地适配未来 GPU，并探索长文本处理的新路径。此举预示着开源大模型将在效率与通用性上寻求新突破。
智能速览
DeepSeek新模型将核心维度从576维回调至512维。
引入Token级稀疏计算，显著优化长文本处理效率。
实测显示新方案可降低30%显存占用并提升40%推理速度。
此次更新恰逢DeepSeek R1发布一周年，意在推动效率革新。
精华内容
Model1 的架构调整并非简单的参数回退，而是 DeepSeek 面向未来算力和通用性做出的战略性抉择。
架构回归512维
DeepSeek 新模型 Model1 的一个关键变化，是将此前 V3 使用的 576 维非对称 MLA 压缩，回调至 512 维的标准 head_dim 配置。这一调整并非技术倒退，核心目的在于更好地适配主流 GPU，特别是英伟达 Tensor Core 的计算特性。
通过回归标准维度，模型能获得更高的计算通用性，而 DeepSeek 可能已经找到了如 Engram 机制的新方法，来确保在不依赖非标维度的前提下，依然维持高效的 KV Cache 压缩率。
前瞻未来算力
在算力适配方面，Model1 的代码中已经集成了大量针对英伟达下一代 Blackwell 架构 B200 GPU 的专用接口。测试数据表明，其稀疏算子在 B200 平台上的算力利用率已达到 350 TFlops。
这清晰地表明，新模型的开发目标是瞄准 2026 年及以后的主流旗舰硬件，为未来的大规模应用提前布局。
长文本新解法
针对长文本处理的痛点，Model1 引入了 FP8 格式的 KV Cache 支持，并创新性地加入了 Token 级稀疏计算。该技术能够在处理超长上下文时，动态识别并忽略不重要的 Token。
根据此前曝光的实测数据，这一优化能带来约 30% 的显存占用降低和 40% 的推理速度提升，对于需要处理长文档的用户来说，这将是量级的体验改善。
从 R1 到 Model1，DeepSeek 持续在开源大模型领域探索。Model1 的架构变革，体现了对效率与通用性的平衡思考，也为社区指明了技术演进的方向。新模型将在实际应用中带来怎样的体验，值得期待。
关键评论
期待模型能拥有记忆模式，实现历史对话的串联。
长文本处理能力的提升，有望解决过往信息丢失的问题。
