刷屏！DeepSeek V4成本暴降73%，梁文鋒聯手華為寒武紀，源神歸位全體起立

智東西
作者 江宇 陳駿達
編輯 心緣

智東西4月24日報道，今日，DeepSeek正式發布并開源DeepSeek-V4系列預覽版本，這是其繼V3.2之后的新一代旗艦模型體系，智東西第一時間上手實測。

DeepSeek V4“源神”回歸影響力果然不同凡響，幾乎瞬間刷屏，在微博熱搜榜前五占三，僅次于小米YU7GT。

本次發布包含兩款模型：DeepSeek-V4-Pro與DeepSeek-V4-Flash，分別采用MoE架構，總參數規模達到1.6T（激活49B）與284B（激活13B），并統一支持最長100萬token上下文。

DeepSeek官方同時說明，受限于高端算力，目前DeepSeek-V4-Pro的服務吞吐十分有限，預計下半年昇騰950超節點批量上市后，其價格會大幅下調。此外，DeepSeek-V4已獲得寒武紀Day 0適配支持，相關適配代碼已開源至GitHub社區。

DeepSeek-V4-Pro主打性能上限，對標閉源旗艦模型；而DeepSeek-V4-Flash則在參數規模與激活規模上大幅縮小，換取更低延遲與更低成本。

相比上一代模型，其在Agent能力、世界知識與復雜推理任務上進一步抬升，并首次將“百萬上下文”作為默認能力開放。

在Agent能力方面，DeepSeek-V4-Pro的Agent能力顯著增強。其在Agentic Coding等評測中進入開源第一梯隊，內部評測顯示交付質量已接近Claude Opus 4.6非思考模式，但與其思考模式仍存在差距。

DeepSeek-V4-Pro在數學、STEM及競賽型代碼等高難度任務中已超過當前已公開評測的開源模型，整體表現接近甚至比肩GPT-5.4、Claude Opus 4.6-Max等頂級閉源模型。

與此同時，DeepSeek-V4在長上下文效率上給出了一組更激進的優化：在100萬token場景下，其單token推理計算量僅為V3.2的27%，KV Cache占用降至約10%，顯著降低長鏈路任務的算力與顯存成本。

同時，官方公布了DeepSeek-V4系列的API定價：DeepSeek-V4-Pro在輸入命中緩存的情況下為1元/百萬tokens，輸入未命中緩存則為12元/百萬tokens，輸出為24元/百萬tokens；DeepSeek-V4-Flash在輸入命中緩存僅0.2元/百萬tokens，未命中輸入1元/百萬tokens，輸出2元/百萬tokens。

目前，DeepSeek-V4系列已上線官網與App，并同步開放API與模型權重。

體驗地址：chat.deepseek.com或DeepSeek官方APP
API文檔：https://api-docs.deepseek.com/zh-cn/guides/thinking_mode
開源鏈接：
https://huggingface.co/collections/deepseek-ai/deepseek-v4
https://modelscope.cn/collections/deepseek-ai/DeepSeek-V4
技術報告：
https://huggingface.co/deepseek-ai/DeepSeek-V4-Pro/blob/main/DeepSeek_V4.pdf

一、Agentic編程能力提升明顯，讀《三體》三部曲燒了54萬token

我們初步感受了下DeepSeek-V4的變化，主要測試的模型是DeepSeek-V4-Pro。

在前端網頁one-shot案例中，DeepSeek-V4-Pro展現出很高的執行效率。由于我們的需求不復雜，模型僅用了5秒鐘進行思考，之后迅速進行開發，這與之前DeepSeek模型在思考上浪費很多token的模式明顯不同。

進入到實際生成過程后，DeepSeek-V4-Pro的輸出長度要明顯長于其他DeepSeek模型。其生成速度較快，基本能做到以5行代碼為單位輸出。

最終，DeepSeek-V4-Pro的生成結果如下，可以看到其網頁的完成度要比DeepSeek-V3.2高一些，設計更為豐富。

▲DeepSeek-V4-Pro打造的網站

網站鏈接：https://mcp.edgeone.site/share/9pD1cRzY1QA8bmmBLDZ8S

不過，這樣簡單的編程題目已經難不住DeepSeek-V4-Pro，我們試著讓它完成一個結合Agent能力與編程的任務：規劃一次去上海的旅行，然后把所有相關信息整合為一個旅行網站，附上對應的景點定位。

執行過程中，可以看到DeepSeek-V4-Pro可以進行復雜多輪工具調用，聯網搜索的條目數量也和之前模型的數量相比有增加，信息收集得更為全面了。

最終，DeepSeek-V4-Pro收集到了完整的行程信息，規劃合理，并且配上了每個景點的定位，點開后就可以直接在導航App里使用，十分便捷。在Agent任務中，可以觀察到它的行動十分果斷，工具調用、思考都在幾秒鐘內解決，token效率不錯。

▲DeepSeek使用Agent能力和編程能力規劃的旅行方案

網站鏈接：https://mcp.edgeone.site/share/4TxFYOy24bgaEwxFoxisj

我們的下一個案例與長文本有關，DeepSeek-V4系列模型常常掛在嘴邊的就是它能一口氣吃下《三體》三部曲，而我們如它所愿上傳了完整的《三體》。

上傳這樣的超長文件后，DeepSeek能夠迅速定位我們指定的內容，成功實現大海撈針。不過，這種超長上下文能力是有代價的，僅僅輸出這一點內容就燒掉了54萬個token。

我們還用“OpenAI更新到了哪一個模型”這一問題，試了試模型的知識截至日期，可以看到，DeepSeek-V4-Pro的知識截止日期目前仍然停在2025年。

此外，這一模型應該暫時還不支持視覺能力，上傳圖像后還是會進行文字提取，沒有文字的圖像會顯示無法處理。

二、百萬上下文成標配，新架構把“長任務成本”壓下來

這一代V4最直接的變化，是把“長上下文”變成默認能力。

不同于傳統通過簡單擴展窗口的方式，DeepSeek-V4-Pro引入了全新的混合注意力架構，將Compressed Sparse Attention與高壓縮注意力（HCA）結合，同時配合DSA稀疏注意力，在token維度進行壓縮。

此外，模型引入了流形約束超連接（mHC）增強傳統殘差連接，并使用Muon優化器提升收斂速度和訓練穩定性。這一系列設計，使得模型在“記得更長”的同時，有效控制計算成本。

從官方給出的數據來看，在100萬token上下文下，DeepSeek-V4-Pro單token推理TFLOPs相比DeepSeek-V3.2下降約3.7倍至9.8倍區間，KV Cache占用下降9.5倍至13.7倍。

這意味著，過去難以實際運行的超長鏈路任務（如多輪Agent規劃、長文檔處理），開始進入可執行范圍。

三、推理、知識、代碼三線抬升，開源模型逼近閉源上限

從能力結構來看，DeepSeek-V4-Pro的提升是推理、知識與Agent能力的同步抬升。

在知識與推理類任務中，其在SimpleQA、Apex、Codeforces等評測中均超過當前主流開源模型，并在多項任務上接近GPT-5.4與Gemini 3.1 Pro。例如在Apex Shortlist中達到90.2分，已經超越頂級閉源模型；在Codeforces等競賽類任務中，也維持在第一梯隊水平。

在Agent能力相關任務中，DeepSeek-V4-Pro在SWE Verified、Terminal Bench等指標上表現穩定，SWE Verified達到80.6，接近Claude Opus 4.6，明顯高于多數開源模型。其表現同樣超過GLM-5.1 Thinking、Kimi K2.6 Thinking等模型

整體來看，DeepSeek-V4-Pro已是目前開源模型的“天花板”。

四、Agent能力專項優化，開始圍繞真實工作流打磨

這一代DeepSeek-V4明顯強化了對Agent場景的適配。其針對Claude Code、OpenClaw、CodeBuddy等主流Agent框架進行了專項優化，在代碼生成、文檔生成等多步驟任務中表現更穩定。下圖為DeepSeek-V4-Pro在某 Agent框架下生成的PPT內頁示例：

從實際定位來看，DeepSeek-V4-Pro已經被DeepSeek內部作為Agentic Coding模型使用，側重點在于“完成任務”。在簡單任務上，V4-Flash已可與Pro版本接近，而在復雜任務中仍存在明顯差距。

本質上是在為Agent應用提供兩種“算力檔位”。DeepSeek-V4-Flash在簡單Agent任務中已經能夠與Pro“旗鼓相當”，但在復雜任務中仍有差距。這種差異，本質上是推理深度與上下文利用能力的差別。

結語：DeepSeek-V4亮相，國產算力與開源路線的落地之光

DeepSeek-V4的發布不僅展現了團隊在技術和架構上的積淀，也標志著開源大模型在國產算力生態下的實際落地能力。

經過對華為昇騰、寒武紀等國產芯片的適配優化，DeepSeek-V4系列實現了百萬token上下文的穩定支持和高效推理，使長鏈路任務與多步Agent執行成為可能。

這一版本將Pro與Flash的不同定位落到實處，在性能上逼近閉源旗艦模型，在成本上保持高性價比，為國內開發者提供了前所未有的開放選項。

更重要的是，這次發布顯示出開源模型不僅能在全球競爭中站穩腳跟，也能夠借助國產算力和優化架構，將技術潛力轉化為實際可用的生產力。DeepSeek-V4或許是中國開源力量在高性能AI賽道上邁出的關鍵一步，也為國內AI生態的創新和落地提供了明確指引。