DeepSeek啟動百萬token測試，部分用戶稱失去靈魂？

2月11日，DeepSeek在其App與網頁端悄然開啟新一輪灰度測試，將模型上下文窗口從V3.1版本的128K token，直接提升至1M（百萬）token。DeepSeek稱可以一次性處理《三體》三部曲，并理解和分析其內容。

另外，升級了模型知識庫截至日期和增強的文件處理能力。模型知識庫更新至2025年5月，即便在離線狀態下，也能準確回應2025年上半年的各類新聞事件。支持上傳圖像、PDF、Word、Excel、PPT、TXT，能從文件中提取文字信息并深度分析。

這一系列密集升級，被業內看作是其新一代旗艦模型V4即將亮相的重要信號。

此次測試版本仍為純文本形態，暫不支持視覺輸入及多模態識別功能，但成功補齊了長文本處理的核心短板，直接對標Google Gemini的百萬級上下文能力。

官方沒有正式公布更新，但有部分用戶在試用時吐槽，“丟掉了DeepSeek最有靈魂的東西”“現在這版本小說文筆巨差，以前的文筆我認為是業界巔峰，比什么gptgrok都強，就是2月11號后一切都變了。”“不知道的還以為在寫詩呢，一句話一段你知道我看得多崩潰嗎？”

也有用戶認為這只是新版本測試，后續會根據反饋優化的。

DeepSeek的更新開年以來一直在鋪墊。

早在2025年下半年，受生態布局薄弱、產品能力偏科等因素影響，DeepSeek的用戶規模和活躍度均出現明顯下滑，外界對其發展前景一度提出質疑。對此，DeepSeek團隊并未急于回應，而是選擇低調深耕技術，陸續發布V3.2系列模型、數學專用模型及OCR工具，為新一輪技術突破默默蓄力。

1月，DeepSeek以罕見的頻率連續發布兩篇關鍵技術論文，為這次灰度測試的順利推進筑牢了技術根基。其中，元旦當天發布的mHC流形約束超連接架構，解決了大規模模型訓練過程中的穩定性難題。

1月中旬，開源的Engram條件記憶模塊，則采用哈希查找替代高成本的神經網絡計算，實現“查算分離”，可將超大參數表遷移至CPU內存，推理延遲控制在3%以內，天然適配百萬級長上下文場景，大幅降低了長序列推理的算力開銷。

不到一個月前，DeepSeek自研解碼核心庫FlashMLA更新時，社區開發者意外發現了代號為“Model 1”的全新模型標識。該標識獨立于現有V3.2架構，在KV緩存布局、稀疏性處理以及FP8數據格式解碼等方面，都與V3.2版本存在明顯差異，這意味著DeepSeek正在進行一次底層架構的全面重構，而非簡單的版本迭代。

據悉，DeepSeek 下一代旗艦模型預計將是一款萬億參數級別的基礎模型，正因規模大幅躍升，訓練速度明顯放緩，導致發布進程有所延后。但野村證券2月10日發布的報告里提到，預測DeepSeek V4會在2月中旬發布。

DeepSeek將全面整合mHC與Engram兩項核心技術，摒棄盲目堆砌參數的行業慣性，重點提升模型的推理、編程以及長文本處理效率。

目前，DeepSeek并未對此次灰度測試作出回應。

來源：星河商業觀察