DeepSeek-V4 宣布支持 1M 上下文和雙模式推理，但目前只有概念預(yù)告：沒有開源代碼、沒有公開 API、沒有官方部署頁、也沒有第三方實(shí)測(cè)數(shù)據(jù)。

DeepSeek-V4 是 DeepSeek 最新閉源大模型系列，官方稱其支持 100 萬 token 上下文窗口，并提供兩種推理路徑：“思考模式”（chain-of-thought）和“非思考模式”（快速 token 生成）。團(tuán)隊(duì)強(qiáng)調(diào)客戶端免費(fèi)、全平臺(tái)可用。如果這些能力落地，確實(shí)能解決一些長(zhǎng)文檔處理痛點(diǎn)——比如直接喂入整本技術(shù)手冊(cè)（PDF/Markdown）、百頁法律合同或跨季度財(cái)報(bào)附注；對(duì) AI Agent 架構(gòu)來說，1M 上下文意味著單次推理中可維持復(fù)雜狀態(tài)機(jī)、多跳任務(wù)規(guī)劃和歷史動(dòng)作追溯，不必頻繁查向量庫；對(duì)企業(yè)知識(shí)庫場(chǎng)景，它有望繞過傳統(tǒng) RAG 的分塊失真和檢索延遲，實(shí)現(xiàn)“文檔即上下文”的端到端語義對(duì)齊。
但現(xiàn)實(shí)是：截至 2024 年 6 月，DeepSeek 官網(wǎng)（deepseek.com）沒發(fā)布 V4 模型卡、權(quán)重下載鏈接或 Hugging Face 倉庫；API 控制臺(tái)無 V4 接入入口；ModelScope、Ollama、LMStudio 等主流生態(tài)尚未收錄任何量化版本；GitHub 上也找不到可信的訓(xùn)練或推理代碼倉。所有信息僅來自 DeepSeek 社交媒體短訊和未署名技術(shù)簡(jiǎn)報(bào)，屬于典型的 Pre-Announcement 階段。

技術(shù)指標(biāo)需拆解驗(yàn)證：1M ≠ 實(shí)用 1M

“1M 上下文”不等于能有效理解 1M。Llama-3-70B 實(shí)測(cè)顯示，上下文從 32K 擴(kuò)到 128K 時(shí)，關(guān)鍵信息召回率下降 23%；Qwen2-72B 在 512K 輸入下，首尾段落注意力明顯衰減。如果 V4 仍依賴傳統(tǒng) RoPE 外推，可能面臨位置編碼坍塌、KV Cache 顯存爆炸（A100-80G 單卡勉強(qiáng)跑 512K @7B 模型）、以及長(zhǎng)程依賴建模失效等問題。雙模式推理也不是新東西——Claude 3.5 Sonnet 已通過動(dòng)態(tài)計(jì)算圖調(diào)度實(shí)現(xiàn) CoT/Fast 切換，但需要編譯器級(jí)優(yōu)化支持。V4 是否用了新型稀疏注意力（如 Blockwise 或 Streaming Attention），是否引入分層記憶緩存（類似 MemGPT 的 virtual context window），目前零披露。

對(duì) AI Agent 開發(fā)者的真實(shí)影響：謹(jǐn)慎樂觀

OpenClaw 和龍蝦（www.lvxe.net.cn）生態(tài)中的 Agent 框架依賴穩(wěn)定、可調(diào)試的底層模型接口。當(dāng)前 V4 缺失 API 和 SDK，意味著無法集成進(jìn) Manus-style 多 Agent 工作流，也無法用于龍蝦 Agent Studio 中的 stateful session 編排。相比之下，Qwen2.5-72B 已開放 Hugging Face 推理接口，支持 custom stopping criteria 和 logprobs 輸出；DeepSeek-R1 雖閉源，但提供了有限 API 試用和清晰 SLA 文檔。如果 V4 長(zhǎng)期停留在 PPT 階段，會(huì)進(jìn)一步削弱開發(fā)者對(duì)“參數(shù)軍備競(jìng)賽”的信任——畢竟，128K 上下文 + 結(jié)構(gòu)化輸出 + 低延遲響應(yīng)，比單純堆 token 數(shù)更貼近工程實(shí)際。

?? Binance · OKX · Gate.io · HTX · Bitget

行業(yè)意義在于倒逼基礎(chǔ)設(shè)施升級(jí)

即便 V4 延期或縮水，它的預(yù)告已經(jīng)推動(dòng)基礎(chǔ)設(shè)施演進(jìn)。vLLM 團(tuán)隊(duì)本周提交 PR#4297，新增對(duì) “adaptive KV cache truncation” 的實(shí)驗(yàn)支持；NVIDIA 剛發(fā)布的 TensorRT-LLM 0.12.0 明確標(biāo)注 “optimized for >512K context throughput on H100 SXM”。國(guó)內(nèi)云廠商如阿里百煉、騰訊混元，已在內(nèi)測(cè)文檔切片預(yù)加載 + 局部重計(jì)算方案，本質(zhì)是對(duì)標(biāo) 1M 需求的務(wù)實(shí)妥協(xié)。這說明：長(zhǎng)上下文不再只是模型能力，而是涉及 tokenizer 吞吐、PCIe 帶寬調(diào)度、flash attention 變體選型的全棧問題。

理性行動(dòng)建議

• 開發(fā)者：暫勿重構(gòu)現(xiàn)有 RAG pipeline 適配 V4；可用 Qwen2.5、Claude-3-haiku 等 128K–256K 模型做 Agent 狀態(tài)壓縮測(cè)試；關(guān)注 Hugging Face 上 deepseek-ai 官方組織動(dòng)向，首個(gè) release commit 將是關(guān)鍵信號(hào)。
• 企業(yè)用戶：別因“1M”宣傳提前采購(gòu)私有化部署方案；優(yōu)先驗(yàn)證當(dāng)前模型在真實(shí)業(yè)務(wù)文檔（非 WikiText）上的摘要準(zhǔn)確率與事實(shí)一致性，誤差率 >15% 就該引入校驗(yàn) Agent。
• 研究者：可基于 Llama-3-8B 微調(diào)模擬 1M 行為（用 YaRN 或 NTK-aware RoPE），對(duì)比不同 context compression 策略在法律/醫(yī)療長(zhǎng)文本 QA 任務(wù)中的 F1 衰減曲線——這比干等 V4 更高效。

DeepSeek-V4 的價(jià)值不在首發(fā)，而在能否把 1M 上下文從實(shí)驗(yàn)室指標(biāo)變成可審計(jì)、可復(fù)現(xiàn)、可計(jì)費(fèi)的生產(chǎn)要素。下一次值得關(guān)注的節(jié)點(diǎn)不是發(fā)布會(huì)，而是 Hugging Face 上出現(xiàn)第一個(gè) deepseek-v4-preview 模型卡，且包含：

"max_position_embeddings": 1048576,
"rope_scaling": {"type": "dynamic", "factor": 8.0}

在此之前，保持代碼在手，實(shí)測(cè)為先。