智東西
作者 楊京麗
編輯 李水青

智東西4月24日報道，今天，DeepSeek-V4剛開源就迅速登頂了Hugging Face開源模型榜，相關(guān)技術(shù)報告也大方披露，覆蓋華為昇騰與英偉達(dá)芯片適配、模型架構(gòu)升級、預(yù)訓(xùn)練和后訓(xùn)練環(huán)節(jié)優(yōu)化等豐富的技術(shù)細(xì)節(jié)，非常值得仔細(xì)品讀。

DeepSeek-V4最顯著的提升，除了在推理、知識、代碼能力上全線抬升，整體表現(xiàn)比肩GPT-5.4、Claude Opus 4.6等頂級閉源模型；還在于該模型首次將“百萬上下文”作為默認(rèn)能力開放，在此設(shè)置下單token推理FLOPs相比DeepSeek-V3.2暴降73%，KV cache僅為其10%，大幅降低使用成本。

基礎(chǔ)設(shè)施方面，DeepSeek-V4從訓(xùn)練到推理的全鏈路，已經(jīng)完整適配了華為昇騰NPU，其自研的細(xì)粒度專家并行方案“MegaMoE”，能夠在NVIDIA GPU和華為昇騰NPU上實現(xiàn)1.50-1.73倍的加速。

DeepSeek-V4的訓(xùn)練過程相比前代模型有一些差異化。預(yù)訓(xùn)練中，DeepSeek-V4引入了“樣本級注意力掩碼”機(jī)制，語料總規(guī)模超過32萬億tokens，涵蓋數(shù)學(xué)內(nèi)容、代碼、網(wǎng)頁文本、長文檔等多種高質(zhì)量類別。后訓(xùn)練中，DeepSeek-V4則將原先的混合強(qiáng)化學(xué)習(xí)階段替換為“基于策略的蒸餾”，確保訓(xùn)練更為可控。

開源地址：

https://huggingface.co/collections/deepseek-ai/deepseek-v4

報告地址：

https://huggingface.co/deepseek-ai/DeepSeek-V4-Pro/blob/main/DeepSeek_V4.pdf

一、基礎(chǔ)設(shè)施再創(chuàng)新，全鏈路高效適配華為昇騰

DeepSeek-V4在基礎(chǔ)設(shè)施方面提升較為明顯，采用專家混合（MoE）技術(shù)，可通過專家并行化（EP）實現(xiàn)加速。

然而，EP需要復(fù)雜的節(jié)點(diǎn)間通信機(jī)制，并對互連帶寬和延遲提出較高要求。為緩解EP中的通信瓶頸，并在降低互連帶寬需求的同時，提升端到端性能，DeepSeek提出了一種細(xì)粒度EP方案“MegaMoE”：將通信與計算功能整合為單一流水線內(nèi)，實現(xiàn)通信與計算的重疊執(zhí)行。

DeepSeek-V4在英偉達(dá)GPU和華為昇騰NPU平臺上驗證了細(xì)粒度專家并行（EP）方案。與性能較強(qiáng)的非融合基線相比，該方案在通用推理任務(wù)中實現(xiàn)了約1.50-1.73倍的加速，在延遲敏感的場景中最高可達(dá)1.96倍。相關(guān)CUDA實現(xiàn)已開源，名為MegaMoE2，作為DeepGEMM的一個組件提供。

將專家調(diào)度（Dispatch）與Linear-1重疊，將Linear-2與Combine重疊。EP方案通過將專家拆分并按波次調(diào)，實現(xiàn)了更細(xì)粒度的重疊。

在實際應(yīng)用中，復(fù)雜的模型架構(gòu)原本會生成數(shù)百個細(xì)粒度的Torch ATen運(yùn)算符。為此，DeepSeek采用TileLang開發(fā)了一組融合內(nèi)核，用以替代其中絕大多數(shù)運(yùn)算符，把碎片化的小kernel融成大塊，調(diào)用開銷從百微秒壓到1微秒以內(nèi)，還引入Z3形式化求解器做優(yōu)化驗證。做到比特級可復(fù)現(xiàn)，同一token不管在batch哪里都得到同樣結(jié)果，同一模型每次運(yùn)行完全一致，這對大模型調(diào)試是保命設(shè)計。

DeepSeek將FP4（MXFP4）量化應(yīng)用于兩個關(guān)鍵部分：第一是MoE專家權(quán)重，這部分是GPU顯存占用的主要來源之一；第二是CSA中索引器的Query-Key（QK）路徑，在該路徑中，QK激活值的緩存、加載以及乘法計算全部在FP4精度下完成，從而在長上下文場景中加速注意力分?jǐn)?shù)的計算。

訓(xùn)練框架建立在為DeepSeek-V3開發(fā)的可擴(kuò)展且高效的基礎(chǔ)設(shè)施之上。在訓(xùn)練DeepSeek-V4時，DeepSeek繼承了這一基礎(chǔ)，同時引入了多項關(guān)鍵創(chuàng)新，適配其新的架構(gòu)組件——包括Muon優(yōu)化器、mHC，以及混合注意力機(jī)制，并在此過程中保持高效的訓(xùn)練效率與穩(wěn)定性。

二、架構(gòu)升級，突破長文本計算效率瓶頸

推理模型興起后，業(yè)內(nèi)建立了一種新的“測試時擴(kuò)展”范式，顯著推動了大型語言模型的性能提升。然而，這種擴(kuò)展范式從根本上受限于傳統(tǒng)注意力機(jī)制，難以處理超長上下文和復(fù)雜推理過程。

同時，從復(fù)雜智能體工作流到大規(guī)?？缥臋n分析，長時序任務(wù)的出現(xiàn)，也使得高效支持超長上下文成為未來發(fā)展的關(guān)鍵需求。盡管近年來一些開源工作（如DeepSeek、MiniMax、Qwen等）已經(jīng)推動了模型能力的整體提升，但在處理超長序列方面的核心架構(gòu)低效問題仍然存在。

DeepSeek-V4為解決這個瓶頸，它通過一系列架構(gòu)創(chuàng)新，讓模型在處理超長上下文時的計算效率大幅提升，從而真正把上下文長度推進(jìn)到“百萬token”這個量級。

總體而言，DeepSeek-V4系列沿用了Transformer架構(gòu)和多Token預(yù)測模塊，并在DeepSeek-V3基礎(chǔ)上引入了項關(guān)鍵改進(jìn)：

（1）采用混合注意力架構(gòu)，將壓縮稀疏注意力（CSA）與高壓縮注意力（HCA）結(jié)合，以提升長上下文處理效率；

（2）引入流形約束超連接（mHC），增強(qiáng)傳統(tǒng)殘差連接；

（3）使用Muon優(yōu)化器，實現(xiàn)更快的收斂速度和更高的訓(xùn)練穩(wěn)定性。

具體做法上，DeepSeek-V4保留了MoE結(jié)構(gòu)和多token預(yù)測策略，重點(diǎn)改造了注意力機(jī)制：提出一種“混合注意力”，即把兩種不同的壓縮方式結(jié)合起來，一種是先壓縮再做稀疏注意力，另一種是更激進(jìn)地壓縮但仍保持稠密計算，這樣在保證信息利用的同時大幅減少計算和存儲開銷。此外，它還改進(jìn)了殘差連接，增強(qiáng)模型表達(dá)能力，并引入新的優(yōu)化器Muon，讓訓(xùn)練更快更穩(wěn)定。

除了模型結(jié)構(gòu)本身，DeepSeek對整個訓(xùn)練和推理系統(tǒng)做了大量工程優(yōu)化，比如把MoE的計算、通信和內(nèi)存訪問融合在一起執(zhí)行，用專門的語言優(yōu)化內(nèi)核，實現(xiàn)可復(fù)現(xiàn)的計算過程，以及通過低精度（FP4）來減少資源消耗。在推理階段，還設(shè)計了更復(fù)雜的KV cache存儲方式，甚至可以部分放到磁盤上，從而支持極長上下文而不爆內(nèi)存。

三、預(yù)訓(xùn)練：基礎(chǔ)模型提升明顯，F(xiàn)lash模型就已超V3.2

預(yù)訓(xùn)練過程主要基于DeepSeek-V3的數(shù)據(jù)，同時為構(gòu)建一個更多樣化、高質(zhì)量且有效上下文更長的訓(xùn)練語料庫，DeepSeek持續(xù)優(yōu)化數(shù)據(jù)構(gòu)建流程。與DeepSeek-V3不同的是，V4在預(yù)訓(xùn)練過程中引入了“樣本級注意力掩碼”（sample-level attention masking）機(jī)制。

對于來自網(wǎng)頁的數(shù)據(jù)，DeepSeek-V4采用過濾策略，去除批量自動生成和模板化內(nèi)容，從而降低模型崩潰的風(fēng)險。數(shù)學(xué)和編程語料仍然是訓(xùn)練數(shù)據(jù)的核心組成部分，同時DeepSeek在中期訓(xùn)練階段引入了智能體數(shù)據(jù)，進(jìn)一步提升DeepSeek-V4系列的代碼能力。

在多語言數(shù)據(jù)方面，DeepSeek-V4構(gòu)建了更大規(guī)模的語料庫，從而增強(qiáng)模型對不同文化中“長尾知識”的理解能力。此外，DeepSeek-V4特別強(qiáng)調(diào)長文檔數(shù)據(jù)的構(gòu)建，優(yōu)先收集科學(xué)論文、技術(shù)報告等材料。

綜合上述各類數(shù)據(jù)，預(yù)訓(xùn)練語料總規(guī)模超過32萬億tokens，涵蓋數(shù)學(xué)內(nèi)容、代碼、網(wǎng)頁文本、長文檔等多種高質(zhì)量類別。

對于基礎(chǔ)模型的評估，DeepSeek-V4覆蓋四個關(guān)鍵維度的基準(zhǔn)測試，包括世界知識、語言理解與推理、代碼與數(shù)學(xué)，以及長上下文處理。

DeepSeek-V3.2、DeepSeek-V4-Flash和DeepSeek-V4-Pro的基礎(chǔ)模型在統(tǒng)一的內(nèi)部框架下進(jìn)行了評測，獲得以下結(jié)果。

盡管DeepSeek-V4-Flash-Base的激活參數(shù)量和總參數(shù)量都明顯更小，但它在大量基準(zhǔn)測試中超過了DeepSeek-V3.2-Base，該優(yōu)勢在世界知識任務(wù)和長上下文場景中尤其明顯。結(jié)果表明，DeepSeek-V4-Flash-Base在更緊湊的參數(shù)預(yù)算下，也能取得更強(qiáng)性能，在大多數(shù)評測中有效超過規(guī)模更大的DeepSeek-V3.2-Base。

此外，DeepSeek-V4-Pro-Base能力躍升更為明顯，幾乎全面領(lǐng)先DeepSeek-V3.2-Base和DeepSeek-V4-Flash-Base，在基準(zhǔn)測試上刷新了DeepSeek基礎(chǔ)模型的性能上限。它在知識密集型評測和長上下文理解能力取得了顯著提升。在大多數(shù)推理和代碼基準(zhǔn)上，DeepSeek-V4-Pro-Base也超過了前兩個模型?？梢哉f，DeepSeek-V4-Pro-Base在知識、推理、代碼和長上下文能力等多個方面全面超越了前代模型。

四、后訓(xùn)練：基于策略蒸餾，跨輪次保留推理歷史

在完成預(yù)訓(xùn)練之后，DeepSeek還進(jìn)行了后訓(xùn)練，最終得到DeepSeek-V4系列模型。雖然整體訓(xùn)練流程在很大程度上沿用了DeepSeek-V3.2的方案，但在方法上做出了一項關(guān)鍵替換：原先的混合強(qiáng)化學(xué)習(xí)（RL）階段被完全替換為“基于策略的蒸餾”（On-Policy Distillation，OPD）。

具體做法是，先對每個目標(biāo)領(lǐng)域各自訓(xùn)練一個獨(dú)立的專家模型。每位專家都經(jīng)歷相同的流程：先用高質(zhì)量領(lǐng)域數(shù)據(jù)做監(jiān)督微調(diào)打底，再用GRPO算法做領(lǐng)域強(qiáng)化學(xué)習(xí)，這一步會得到十多位各有所長的“偏科高手”。

真正的合并動作發(fā)生在第二階段。DeepSeek-V3.2的做法是把各類數(shù)據(jù)混在一起做RL，容易互相影響，而V4則換成讓統(tǒng)一的學(xué)生模型自己采樣答題，過程中由這十多位專家老師在完整詞表的logit層面打分對齊，用reverse KL損失把學(xué)生拉向老師。這種方式保證模型在每個領(lǐng)域的專長都能被完整保留。另外一個關(guān)鍵改動是DeepSeek-V4堅持做全詞表蒸餾，進(jìn)而梯度更穩(wěn)，訓(xùn)練曲線更可控，但工程難度更高。

依托DeepSeek-V4系列的一百萬 token上下文窗口，DeepSeek進(jìn)一步優(yōu)化機(jī)制，以最大化智能體環(huán)境中交錯思考的效果。

在工具調(diào)用場景中，所有推理內(nèi)容都會在整個對話過程中被完整保留。不同于DeepSeek-V3.2會在每一輪新用戶輸入到來時丟棄思考軌跡，DeepSeek-V4系列會跨越所有輪次保留完整的推理歷史，讓模型能夠在長周期智能體任務(wù)中維持連貫、持續(xù)累積的思考鏈條。

在一般對話場景中，DeepSeek-V4仍然保留原有策略：當(dāng)新的用戶消息到來時，會丟棄上一輪的推理內(nèi)容，從而保持上下文簡潔。

與DeepSeek-V3.2一樣，那些通過用戶消息來模擬工具交互的智能體框架（例如 Terminus）可能不會觸發(fā)工具調(diào)用上下文路徑，因此也可能無法受益于增強(qiáng)后的推理持久化機(jī)制。對于這類架構(gòu)，DeepSeek仍然建議使用非思考模型。

五、知識、推理、代碼三線抬升，開源模型逼近閉源上限

評測結(jié)果上看，DeepSeek-V4-Pro-Max相比其他開源模型也略有領(lǐng)先，部分能力逼近閉源模型。

在知識能力和推理能力上，DeepSeek-V4-Pro-Max相比其他開源模型略有領(lǐng)先，但仍遜于閉源模型Gemini 3.1-Pro。推理能力上，DeepSeek-V4-Pro-Max優(yōu)于GPT-5.2和Gemini-3.0-Pro，落后于GPT-5.4和Gemini-3.1-Pro；DeepSeek-V4-Flash-Max與GPT-5.2和Gemini-3.0-Pro能力近似，在復(fù)雜推理任務(wù)中展現(xiàn)出很高的性價比。

Agent能力方面，DeepSeek-V4-Pro-Max與Kimi-K2.6和GLM-5.1等領(lǐng)先開源模型表現(xiàn)相當(dāng)，但略遜于最前沿的閉源模型。長上下文能力方面，DeepSeek-V4-Pro-Max在合成任務(wù)和真實應(yīng)用場景中均表現(xiàn)強(qiáng)勁，在學(xué)術(shù)基準(zhǔn)測試中甚至超過了Gemini-3.1-Pro。

在DeepSeek-V4-Pro與DeepSeek-V4-Flash的對比中，由于參數(shù)規(guī)模較小，DeepSeek-V4-Flash-Max在知識類評測中的表現(xiàn)略低。但在給予更多推理token時，在推理任務(wù)中的表現(xiàn)可以接近DeepSeek-V4-Pro-Max。在智能體評測中DeepSeek-V4-Flash-Max在部分基準(zhǔn)上可以達(dá)到與DeepSeek-V4-Pro-Max相當(dāng)?shù)乃?，但在更?fù)雜、高難度任務(wù)中仍略遜一籌。

結(jié)語：高效支持百萬級token上下文，后續(xù)需簡化架構(gòu)

DeepSeek-V4系列預(yù)覽版突破了超長上下文處理中的效率瓶頸，其通過融合CSA與HCA的混合注意力架構(gòu)，并結(jié)合系統(tǒng)級基礎(chǔ)設(shè)施優(yōu)化，使模型能夠更高效地支持百萬token級上下文，為測試時擴(kuò)展、長時序任務(wù)和在線學(xué)習(xí)等方向提供了基礎(chǔ)。

從評測結(jié)果看，DeepSeek-V4-Pro-Max在開源模型中表現(xiàn)突出，在知識、推理和智能體任務(wù)上均取得較強(qiáng)結(jié)果，部分能力接近前沿閉源模型。DeepSeek-V4-Flash-Max則在較低成本下實現(xiàn)了較強(qiáng)推理能力，體現(xiàn)出較高性價比。

不過，DeepSeek-V4的架構(gòu)也較為復(fù)雜，部分穩(wěn)定性方法如Anticipatory Routing和SwiGLU Clamping的機(jī)理仍有待進(jìn)一步理解。后續(xù)工作預(yù)計將集中在簡化架構(gòu)、提升訓(xùn)練穩(wěn)定性、探索更多稀疏化方向、降低長上下文推理延遲、增強(qiáng)多輪智能體與多模態(tài)能力，以及持續(xù)改進(jìn)數(shù)據(jù)構(gòu)建與合成策略等方面。