上一篇我们聊了售前如何跳出PPT工具人的内耗，本质上是聊「不追规模，深耕核心效率」，今天这篇文章，刚好是这个逻辑在AI行业最极致的印证。

过去半年，每当有人问“DeepSeek是不是不行了”，我的回答都一样：别急。

倒不是对这家公司有什么迷信，而是我观察到一个有趣的反差：当整个AI圈都在把模型越做越臃肿的时候，只有DeepSeek在拼命研究一件事——如何用更少的资源，干出更漂亮的结果。这在算力充裕的年代算不上性感叙事，但在全球算力荒席卷行业的今天，突然成了所有人都想抄的标准答案。

去年R1发布时，所有人都被它的推理能力镇住了。但很少有人注意到，那篇论文真正的灵魂是极致成本控制——只花了几百万美元的训练费用，就做到了海外头部厂商几亿美元才落地的同级别推理级大模型效果。当时不少海外同行并不服气，觉得这只是中国公司在硬件受限下逼出来的权宜之计，是不得已走的“极限性价比”野路子。

现在V4出来了，那些不服的声音基本消失了。因为这一版不仅仅便宜，而是在编程、长文本、推理效率三个硬维度上，追平甚至反超了海外最顶尖的闭源模型。更关键的是，它向整个行业证明了一件事：在硬件封锁下磨出来的效率革命，恰好撞上了全球AI最迫切的痛点。

当全世界都在“算力地狱”门口排队

先看一个大背景。

今年CES上，AMD CEO苏姿丰给出了一组让人头皮发麻的数字：2022年全球AI算力需求约1 exaflop，2025年已飙至100多exaflop，2026-2030年预计还要再翻100倍。翻成大白话就是——AI对芯片和电力的吞噬速度，远远超过了人类建设基础设施的速度。

这不是某一家公司的困境，而是全行业的物理瓶颈。马斯克在今年的一次内部会上也挑明了：下一代Grok的训练，算力将是最大的挑战，不是钱能解决的问题。

为什么会突然这么缺算力？因为AI从“会说话”进化到了“会干活”。

以前的对话式AI，你问它答，一轮几百个token就结束了。现在的Agent任务则完全不同：模型要反复调用工具、生成代码、验证结果、发现错误再重来。根据调研机构的数据，token消耗量是原来的5到50倍。AI终于长出了能落地干活的手和脚，代价却是对算力的指数级吞噬。大模型厂商、科研机构、云数据中心，全都陷在算力短缺的泥潭里难以脱身。

DeepSeek的“吝啬”哲学，突然变成了最前沿的战略

这时候再回看DeepSeek的做派，你会发现一个黑色幽默：一个被芯片禁令逼出来的“省钱团队”，恰好撞上了全人类最需要的解题方向。

翻完V4的技术文档，我最大的感受是——它的每一项升级，几乎都不是为了“更庞大”，而是为了“更节省”。

MoE（混合专家）稀疏激活架构是最好的例子。V3有256个专家，每次激活8个；V4把专家池扩到了384个，听起来更庞杂了，但它每次只激活6个——处理同样任务时，实际调用的计算资源不增反降。

用大白话解释：这就像一家餐厅，后厨的顶级大厨从8个扩充到384个，但每道菜只需要6个人协作，其他厨师全部待命。上菜速度一点没慢，但团队的专业细分能力提升了不止一个量级。我不知道这是不是理论上的技术最优解，但它完美解决了一个行业最真实的痛点：在芯片供给受限、算力持续吃紧的前提下，如何维持甚至大幅提升模型的推理能力与聪明度。

这套逻辑还有一个配套动作：全新的混合注意力架构——上下文稀疏注意力CSA与混合因果注意力HCA，让长文本处理的计算量实现断崖式下降；革命性的训练方案Muon优化器，只用传统方法大概一半的计算量就能达到同等效果。根据技术报告的数据，在100万token上下文、同等推理效果的场景下，V4 Pro的单token推理计算量仅为V3.2的27%，KV缓存仅为10%。每一行代码都在回答同一个问题——如何用更少，做更多。

价格战的背后，是效率基本功的碾压

这种效率优势，反映到价格上有多夸张？

V4 Flash版，每百万token最低仅0.2元、输出只要2元人民币。作为对比，同级别的海外模型少说也要几十块。Pro版报价24块，而性能对标的海外竞品普遍在100元开外。同等实际性能下，价差是5到20倍。而且随着国产通用算力芯片今年下半年大规模量产部署，这个成本还会继续往下探。

很多人觉得这是DeepSeek在发起行业价格战，但我认为这恰恰是它“效率基本功”碾压后的自然结果。当你的单token推理成本比对手低一个数量级的时候，无论定什么价，都是对竞品的降维打击。

更重要的是，价格降到这个份上，大量以前因为太贵而不敢尝试的AI应用，突然就变得可行了。小团队、个人开发者、非营利机构、教育场景，全都能参与进来。开源加上极致的成本控制，正在把AI从少数人的特权变成多数人的工具。

图来源：DeepSeek官网新闻《DeepSeek-V4 预览版：迈入百万上下文普惠时代》

DeepSeek-V4 预览版：迈入百万上下文普惠时代

编程能力这件事，其实跟每个人都有关

常有人问：大模型卷编程，跟我写文案、做表格有什么关系？

我的答案是：在Agent时代，代码已经不是程序员的专属技能了，它是AI帮你干活的“手”。

你让AI做一份市场分析报告，它要自己搜索资料、验证信息真实性、把数据整理成图表、甚至发现矛盾后重新调整逻辑。这些你看不到的动作，每一步背后都是编程。看不见的代码输出，决定了你能看到的内容质量。

V4这次在编程上的硬指标很扎实：Codeforces编程竞赛基准评分3206，超过了Claude和GPT的最新稳定版本；真实软件工程基准SWE-bench Verified通过率达到80.6%，基本平齐行业最头部选手。技术报告还披露了一个更贴近真实场景的内部评测——从50多位内部工程师的日常研发任务中筛选出30道高难度编程题，V4 Pro的表现显著超越了Claude Sonnet 4.5，接近Claude Opus 4.5。在接受调查的85位深度使用V4编程的开发者中，超过91%的人认为它已经准备好成为主力编程模型。

但比起跑分，我更关注另一个维度的能力。在早期体验中我注意到一个细节：当任务执行到某个环节，调用的子Agent突然报错，V4没有中断流程，而是自主判断错误类型，换了一条路径继续推进，最终任务顺利完成。这种“卡住知道绕着走”的能力，在技术报告里可能只是一行“鲁棒性提升”，但在真实场景中，它意味着Agent从“演示可用”迈向了“生产可用”。而Agent能否真正从演示demo走向生产可用，决定性因素从来不是巅峰状态的智商上限，而是面对不确定性时的容错与恢复能力。

补齐最大短板，上下文从劝退变成劝留

过去DeepSeek最大的软肋是什么？上下文长度。

在对话AI时代，128K的窗口绰绰有余。但进入Agent时代，代码、指令、中间结果、格式信息全部塞进上下文，128K很快就捉襟见肘。这也是为什么过去很多人不用DeepSeek——不是因为它的语言能力不够，而是长度劝退。

V4这次直接把这个短板拉成了长板：100万token的上下文窗口，对齐了目前最顶级的水平。更夸张的是单次输出上限，384K，一轮就能输出完近30万字的长篇内容，几乎能装下整本《三体：地球往事》还有富余。在技术报告的长上下文评测中，V4 Pro在长文档机器阅读理解基准MRCR任务上甚至超过了Gemini 3.1 Pro，1万到100万token范围内的检索准确率几乎没有衰减。

这对重度用户和开发者来说，是实打实的体验解放。

图来源：DeepSeek官网新闻《DeepSeek-V4 预览版：迈入百万上下文普惠时代》

如果要说遗憾

如果说V4还有什么明显的缺口，那一定是多模态的缺席。

在2026年的今天，图像、语音、视频的理解与生成已经是行业标配，而V4依然是一个纯文本模型。这意味着在需要视觉理解或跨模态推理的场景里，它的应用边界会受到明显限制。

但仔细琢磨这个团队的逻辑，你会发现这不是疏忽，而是取舍。他们的资源池从一开始就没打算铺满所有赛道，而是集中砸在“语言基座”和“推理效率”这两个底层能力上。技术报告里明确写了，多模态能力正在研发中。但在此之前，开源MIT协议、允许商用、不加任何使用限制——这是把地基做到最坚固，至于房子怎么装修，交给生态去完成。它先回答了一个更根本的问题：在算力有限、硬件受限的前提下，一个模型能走多远。而它给出的答案，比大多数人预期的要远得多。

一篇技术报告里，藏着比跑分更值得读的东西

图来源：DeepSeek官网新闻《DeepSeek-V4 预览版：迈入百万上下文普惠时代》

翻完 DeepSeek V4的技术报告，最打动我的不是那些刷新 SOTA 的数字，而是几个很少有人会注意到的细节。

在评估结果那一章，有一句几乎可以当作范文的诚实表述。在对比 GPT-5.4 和 Gemini 3.1 Pro 的推理能力时，报告写道：V4 Pro Max“在标准推理基准上表现优于 GPT-5.2 和 Gemini 3.0 Pro，但略逊于 GPT-5.4 和 Gemini 3.1 Pro，表明开发进度大约落后最前沿闭源模型三到六个月”。没有 “各有千秋” 的公关话术，没有 “在特定条件下达到领先水平” 的模糊修辞。行就是行，差多少就是差多少。在一个人人都在把跑分包装成新闻稿的行业里，这种写法本身就是一种稀缺品。

另一个细节同样罕见。在评测章节的对比表格里，K2.6 和 GLM-5.1 的几项成绩是空白。旁边的注释只写了一句话：“因为它们的 API 太忙，没有返回我们的查询结果。” 就这么直白地放在正式技术报告里。换作大多数公司，会选择私下沟通补测，或者干脆换一组对比对象。但这份报告选择把真实过程原封不动地保留下来 —— 没拿到数据就是没拿到，不必遮掩。

报告的最后几页，是一份长达数页的致谢和作者名单。从核心研究人员到已经离开团队的成员（名字旁标着星号），从基础设施工程师到商务合规团队的每一个人，名字按字母顺序排列，没有任何头衔前缀。这种对每一位贡献者的尊重，和报告正文里的诚实是同一种底色。

我翻过不少大模型的技术报告，有的像精心策划的发布会 PPT，有的像律师审核过的免责声明。V4 这一份，更像一个工程师把调试日志整理出来给你看 —— 事无巨细，不太讲究表达的美感，但你知道他没有骗你。这种风格本身，就是这个团队最稳定的内核。

这份不炒作、不粉饰、不盲从的坦诚，正是这个团队刻在骨子里的行事准则，恰如他们在 V4 发布公告结尾写下的那句古训：「不诱于誉，不恐于诽，率道而行，端然正己」。不被外界的追捧与赞誉裹挟，也不因无端的非议与唱衰动摇，始终循着技术的本质前行，踏踏实实做好自己该做的事。他们说，感谢每一位用户的信任与支持，大家的肯定、建议和期许，是团队不竭探索、持续进步的动力，也让他们始终坚守初心，专注于不懈的创新。

写在最后

回到开头那个问题：DeepSeek掉队了吗？

我的答案是：它没有掉队，它只是走了一条和其他人都不一样的路。

当大多数AI公司都在拼命往模型里塞更多功能、追求更大规模的时候，DeepSeek在死磕一个词——效率。这条路在美国芯片禁令的阴影下，看起来是无奈之下的变通。但在全球算力荒的大背景下，这个被逼出来的选择，突然成了全行业最前沿的战略。

一个团队说开源，就真的MIT协议全部放出，不加任何使用限制。说长期主义，就真的扎在科研里半年不吭声，发论文、磨技术，外面传了好几轮“被超越了”，他们不回应，只是埋头干活。他们用行动印证了一句话：那些把你逼到墙角的封锁与限制，往往也是逼着你长出全新肌肉、走出全新路径的核心动力。

他们始终秉持着长期主义的原则理念，在 AI 这条充满不确定性的赛道上，于一次次尝试与思考中踏实前行，不贪一时的流量热度，不追短期的行业风口，只朝着实现 AGI 的目标，一步一个脚印稳步靠近。