百萬上下文成關鍵！DeepSeek V4問世：不拼分數拼架構 AI競賽進入新時代
DeepSeek 最新一代大模型 DeepSeek V4 正式發布，儘管在公開 Benchmark 指標上僅大致追平國際上一代旗艦模型，但其技術報告顯示，該模型在多項底層架構與訓練方法上出現顛覆性突破，正試圖改寫當前大型語言模型發展路徑。
綜合近期產業分析與技術報告，DeepSeek V4 不僅在長上下文、後訓練機制與模型穩定性上提出新範式，也反映出全球 AI 競爭正從單純比拼 Benchmark，轉向底層效率與可擴展能力的較量。
在性能表現上，DeepSeek V4-Pro-Max 僅略微領先當前主流開源模型，並高於部分既有模型如 GPT-5.2 與 Gemini-3.0-Pro，但仍落後於更新一代的 GPT-5.4 與 Gemini-3.1-Pro，差距約落在 3 至 6 個月。不過在特定測試中，V4 已展現競爭力，例如在 Codeforces 編程競賽評分達到 3206 分，追平頂級閉源模型；在百萬 token 長上下文檢索測試中，甚至超越部分競品模型。
業界普遍認為，DeepSeek V4 的核心突破並不在於分數，而在於其對「長上下文」的重新定義。該模型透過 CSA 與 HCA 混合注意力機制，將原本可能高達百萬字的輸入壓縮至不到 8000 個語義單位，使推理計算量降至前一代的 27%，顯存占用更僅約 10%。在更輕量版本中，計算量甚至降至 10%、顯存 7%。這種「直接壓縮序列長度」的策略，被視為解決 AI 算力瓶頸的關鍵路線之一。
此外，DeepSeek V4 引入「交錯式思考」（Interleaved Thinking）框架，使模型在多輪工具調用與複雜任務中能保留推理歷史，避免上下文斷裂。分析指出，這一設計讓長上下文不再只是「能裝更多文字」，而是轉化為 AI Agent 的長期工作記憶，對自動化任務與智能體應用具有關鍵意義。
在後訓練方法上，DeepSeek 亦對現行主流強化學習流程提出修正。透過 OPD（On-Policy Distillation）整合多領域專家模型，並搭配全詞表蒸餾技術，使模型能在不同能力間維持高水準而不互相干擾。同時引入 GRM（生成式獎勵模型），提升對主觀任務的評估能力，降低過去常見的「獎勵作弊」問題。數據顯示，在涵蓋金融、法律與教育等 13 個產業任務中，V4-Pro-Max 對標頂級模型取得 63% 的不敗率；中文寫作勝率達 62.7%，創意寫作指標更高達 77.5%。
另一項關鍵創新為 mHC（Manifold-Constrained Hyper-Connections），透過對殘差連接施加數學約束，解決深層神經網路中長期存在的梯度爆炸與信息衰減問題。這使模型能在超過 60 層深度下仍維持穩定訓練，同時大幅提升訊息傳遞效率。DeepSeek 指出，在僅 49B 啟動參數下，其推理能力已接近更高參數量級模型。
工程層面上，DeepSeek V4 亦進一步優化訓練效率，包括導入 Muon 優化器並解決其在分散式訓練中的部署難題，提升梯度更新一致性；透過 MoE 融合算子（Fusion Kernel）將多步運算整合為單一流程，使訓練速度提升約 1.92 倍；並導入 FP4 量化訓練，大幅降低顯存需求與運算成本。官方數據顯示，mHC 帶來的額外時間開銷僅占整體訓練的 6.7%，顯示其在效率與穩定性間取得平衡。
市場觀察指出，DeepSeek V4 的推出，正值全球 AI 競爭升溫之際。此前已有報導指出，包括 OpenAI、Google（旗下 Gemini）等企業持續加大投入，而中國方面則由 DeepSeek、Moonshot AI、MiniMax、Alibaba（通義千問）等形成多線競爭格局。分析認為，當前產業已從「模型大小與分數競賽」，轉向「計算效率、長上下文與智能體能力」的全面競爭。
整體而言，DeepSeek V4 顯示，大模型發展正進入新階段。相較於過去追求單點性能突破，業界正轉向系統性工程與底層架構創新。隨著長上下文與智能體應用需求快速上升，誰能在效率與穩定性上取得突破，將成為下一輪競爭的關鍵。
更多鉅亨報導