发布时间：2026‑04‑24
模型名：deepseek‑v4‑pro/deepseek‑v4‑flash上下文：1 M token（百万级） 核心技术：混合注意力、多维压缩、流形约束超连接、Muon优化器
1️⃣ 一览
| 版本 | 参数量 | 激活量 | 目标 | 亮点 |
|---|---|---|---|---|
| V4‑Pro | 1.6 T | 49 B | 最高端开源模型 | |
| V4‑Flash | 284 B | 13 B | 极致效率/低成本 |
备注：两版均支持 1 M token 上下文，思考模式 (reasoning‑effort) 可调高/把握成本。
2️⃣ 技术回顾
2.1 混合注意力机制（CSA + HCA）
- CSA：在 KV 维度进行 4 : 1 压缩，结合 DSA 稀疏注意力，利用 Lightning‑Indexer 仅保留 top‑1024 KV 项。
- HCA：压缩率 128 : 1，全部 KV 参与计算，滑动窗口‐512 tokens 跨层捕捉全局依赖。
- 优势：相比前代仅 27 % 的算力、10 % 的 KV 缓存，显存与训练成本大幅下降。
2.2 流形约束超连接（mHC）
- 采用双随机矩形流形（Birkhoff‑Polytope）约束残差映射，确保谱范数 ≤ 1，信息在深层网络不发散，训练稳定性上升 6.7 % 成本。
2.3 Muon 优化器
- 对梯度动量进行 Newton‑Schulz 正交化，10 次混合迭代实现快速收敛。
- 结合 Anticipatory‑Routing 与 SwiGLU‑Clamping，进一步提升训练速度与模型收敛稳定性。
3️⃣ 性能表现
| 指标 | V3‑2 | V4‑Pro | V4‑Flash |
|---|---|---|---|
| Agent‑Coding | 开源前列 | 最高 | 接近 Pro |
| 世界知识 | 较差 | 仅微距差距 | 次佳 |
| 推理速度 | 1.43× | 3.80× | 4.14× |
| 1M KV 缓存 | 49 B | 6.2 B | 5.5 B |
结论：V4‑Pro 以与 Gemini‑Pro‑3.1 并驾齐驱的性能，处理复杂 Agent 任务如代码生成、文档翻译等表现尤为出色；V4‑Flash 则以 13 B 激活实现极低成本、最快速度的 1 M‑上下文使用场景。
4️⃣ API 用法
# 经典 ChatCompletion
curl https://api.deepseek.com/v1/chat/completions \
-H "Authorization: Bearer $TOKEN" \
-H "Content-Type: application/json" \
-d '{"model": "deepseek-v4-pro", "messages": [{"role": "user", "content": "你好"}], "thinking_effort": "max"}'
- model →
deepseek-v4-pro/deepseek-v4-flash - 思考模式：
thinking_effort设为max可开启高强度推理 - 旧模型：
deepseek-chat与deepseek-reasoner将在 2026‑07‑24 停用，建议尽快切换。
5️⃣ 试用与部署
- 官方 App：直接登录 https://chat.deepseek.com，输入
deepseek-v4-pro/flash即可体验 1 M 上下文。 - HuggingFace：
transformers支持已更新，AutogptjForCausalLM.from_pretrained("deepseek-ai/DeepSeek-V4-Pro")。 - 本地部署：模型仓库托管在 HuggingFace 与 ModelScope；可使用
DeepSeek-V4-Pro的压缩 checkpoint 与muon训练脚本，配合显存压缩微调。
6️⃣ 未来展望
- 多模态：接下来 DeepSeek‑V5 将加入图像 & 语音推理能力。
- 跨框架：与 Claude Code、OpenClaw、OpenCode 等 Agent 进一步无缝嵌入。
- 社区驱动：持续开放万亿级模型权重与训练脚本，邀请社区共建新场景。
参考资料
- 技术报告： https://huggingface.co/deepseek-ai/DeepSeek_V4.pdf
- API 文档： https://api-docs.deepseek.com/zh-cn/guides/thinking_mode
- 模型库： https://huggingface.co/collections/deepseek-ai/deepseek-v4
感谢：DeepSeek 团队及开源社区的贡献，使得大模型的可达成性与推理效率迈上新台阶。
如需进一步讨论、代码示例或技术细节，可在此处留言。