作者声明：该图片由ai生成
作者：高恒（中国科技新闻学会科幻传播与未来产业专委会会员专家）
deepseek v4发布后，最值得看的不是跑分，而是价格表下面一行小字。
在v4的定价说明中，deepseek提到，受限于高端算力，目前pro版服务吞吐十分有限，预计下半年升腾950超节点批量上市后，pro价格会大幅下调。
这句话比很多技术参数更有信息量。它说明deepseek的低价已经不再只是模型工程优化的结果，而开始和国产算力的供给节奏绑定。过去，模型公司降价，外界通常理解为算法效率提升、厂商补贴或新一轮价格战。但这一次，deepseek把未来降价的前提，直接指向了升腾950超节点的规模化部署。
这也是v4这次发布真正不同的地方。表面上，它是一次常规模型升级：1.6万亿参数、100万token上下文、更强的代码和agent能力、更低的api价格。但往深处看，它更像是梁文锋在同时回答三道题：deepseek还能不能继续把模型做便宜；国产算力能不能进入前沿模型的关键路径；一个长期以技术理想主义示人的团队，能不能扛住融资、留人和商业化的压力。
过去一年，deepseek 改变了中国大模型行业的定价方式。v3和r1发布后，国内外模型厂商被迫重新计算api价格、训练成本和商业化路径。到了v4，问题变得更复杂。deepseek不只是继续降价，而是把降价的下一步，压到了国产算力的规模化部署上。在笔者看来，这意味着中国大模型的竞争正在从“谁的模型能力更强”，进入“谁能把模型、芯片、工程系统和商业组织连成闭环”的阶段。
01:deepseek把长上下文做便宜了
4月24日上午，deepseek宣布全新系列模型deepseek-v4预览版正式上线并同步开源。
这次不是单一模型，而是两个版本同时推出：deepseek-v4-pro和deepseek-v4-flash。根据 deepseek披露的信息，v4-pro总参数为1.6万亿，激活参数490亿，定位高性能任务；v4-flash 总参数2840亿，激活参数130亿，主打低成本和高吞吐。两款模型均采用moe架构，也就是“混合专家模型”。
知名科技产业时评人彭德宇对笔者分析到：moe的逻辑并不复杂。一个大模型内部可以有很多“专家”，但每次回答问题时，不需要所有专家同时工作，只调用最相关的一部分。这样既能做大模型容量，又不会让每一次调用都背上完整参数的算力负担。对用户来说，感知到的是模型更便宜、更快；对模型公司来说，关键是单位推理成本被压低。
v4的另一个变化，是把100万token上下文做成官方服务标配。这个能力对普通用户听起来有些抽象，但放到使用场景里就很直接：用户可以一次性让模型处理一整本书、一个较大的代码库、一份完整年报，或者一组复杂项目文档。过去，这类长文本处理通常是高端模型的附加能力，价格高、调用慢、显存压力大。在笔者看来，v4的重点不是第一个做到百万上下文，而是试图把百万上下文做成低成本基础能力。
企事界北京科技有限公司执行董事李睿对笔者说到：这也是v4这次最有实际意义的变化。百万上下文今天已经不是独家能力，gemini、qwen 等模型也已经做到这一量级。deepseek要回答的问题不是“能不能做到”，而是“做到之后，成本能不能撑住”。如果长上下文仍然昂贵，它只是少数高端用户的功能；如果成本被压下来，它才可能变成企业和开发者日常可用的基础设施。
一位大模型行业研究员对笔者表示：这背后解决的是大模型行业长期存在的一个矛盾：上下文越长，成本越高。传统模型要理解长文本，需要计算大量token之间的相互关系，文本越长，计算量和显存占用就越容易上升。deepseek v4没有硬扛这个问题，而是通过稀疏注意力和压缩机制，把长文本先压缩、再抓重点。换句话说，它不是让模型把所有内容从头到尾反复重读，而是先把内容整理成更浓缩的信息结构，再围绕重点做推理。
价格延续了deepseek一贯的打法。按照v4公布的api定价，pro版输入缓存命中价格为1元/百万token，输出24元/百万token；flash版输入缓存命中价格为0.2元/百万token，输出2元/百万token。梳理对比来看，目前智谱glm-5.1输入缓存命中价格约为1.3-2元/百万token，kimi-k2.6输入缓存命中价格约为1.1元/百万token。也就是说，v4的输入价格仍然处在国内主流模型低位。
在笔者看来，这次真正值得注意的是，低价和长上下文被放到了一起。百万上下文不是一个孤立参数，它决定了模型能否进入更重的工作流。代码、金融、法律、科研、企业知识库，这些场景都需要模型读长材料、处理复杂结构、保留上下文。
v4的能力变化也围绕这些场景展开。deepseek披露的评测信息显示，v4-pro在数学、stem、竞赛型代码等任务中超过多数公开评测中的开源模型；在agentic coding上进入开源模型第一梯队，并被deepseek内部作为工程团队编码工具使用。它还针对 claude code、openclaw、codebuddy 等主流agent工具做了适配，在代码生成、文档处理和工具调用场景中优化表现。
但这并不意味着v4已经全面拉开差距。企业战略定位专家吴玉兴如此对笔者分析：v4的性能突破相比r1当时带来的冲击要小一些。它依然处于第一梯队，但在部分复杂agent任务和最广泛的世界知识上，与最顶尖闭源模型仍有差距。
v4的看点不是“全面碾压”，而是以较低价格提供足够强的长上下文和生产任务能力。这才是 deepseek v4 的第一层意义：它把高性能模型的使用门槛继续往下压。但更重要的是，deepseek 开始解释这套低价还能靠什么继续维持，答案指向了国产算力。
02:便宜的下一步，指向国产算力
v4最关键的点，不在参数表，而在那句关于升腾950的说明。
deepseek在定价说明中明确提到，受限于高端算力，目前pro版服务吞吐十分有限，预计下半年升腾950超节点批量上市后，pro价格会大幅下调。一个模型公司把未来降价和某一类算力集群的上市节奏直接绑定，这在行业里并不常见。它说明模型价格开始被算力结构决定。
过去deepseek便宜，更多被理解为模型架构和工程效率的胜利。v2用moe降低激活参数规模；r1用更高效的训练和推理路线冲击行业对算力堆叠的依赖；那么v3则以极致成本控制与工程优化，瓦解了通用大模型的传统定价逻辑。v3和r1之后，国内大模型被迫进入新一轮价格重估。但v4的不同之处在于，deepseek开始把低价的下一步，放到国产算力的规模化部署上。
根据deepseek技术报告，v4在系统底层做了细粒度专家并行，也就是ep方案。用通俗的话说，就是优化模型在芯片上的调度方式，让计算和通信像流水线一样重叠起来，减少芯片等待时间。同样一批芯片，如果能处理更多请求，单位推理成本自然会下降。
技术报告提到，这套ep方案已经在英伟达gpu和华为升腾npu两套体系上完成验证，通用推理任务可实现1.5-1.73倍加速，在对延迟敏感的场景（如rl推演和高速代理服务）最高可达1.96倍。华为升腾方面也在v4发布后宣布，超节点全系列产品支持deepseek v4系列模型，据了解，升腾950通过融合kernel和多流并行技术降低attention计算和访存开销，大幅提升推理性能，结合多种量化算法，实现了高吞吐、低时延的deepseek v4模型推理部署。
彭德宇对笔者说到：这组信息的意义不只是“推理更快”。它意味着 deepseek的工程优化开始具备跨平台能力。过去，大模型公司大多围绕英伟达cuda体系开发。cuda不只是一个编程工具，更像ai时代的底层操作系统。全球大量开发者、算子库、框架和模型代码都围绕cuda构建，一旦离开这个体系，很多底层代码需要重写，工程成本和测试成本都很高。这也是英伟达真正的护城河。
deepseek现在做的，不是马上推翻cuda，而是尝试给自己留出第二条路。综合媒体报道信息来看，deepseek通过tilelang、tile kernels等方式，把部分底层算子逻辑从单一cuda路径中抽象出来，用更通用的语言表达计算逻辑，再由编译器生成适配不同硬件的底层代码。这样一来，开发者不必为每一种gpu或npu完全重写一套代码，而可以先写通用逻辑，再针对具体硬件做优化。
这对国产芯片很重要。国产ai芯片过去面临的不只是纸面算力问题，更是软件生态和有效利用率问题。芯片能不能用好，取决于模型、算子、编译器、通信、显存管理等多个环节。deepseek如果能在华为升腾上跑通前沿模型，并把推理成本打下来，它带来的不只是一个模型的适配案例，而是一次软硬件协同的技术验证。
但deepseek并没有马上摆脱英伟达，短期内，cuda仍然是最成熟、最稳定的路径。v4释放出的信号是，国产算力已经开始进入deepseek的关键成本结构，并在一定程度上影响未来定价。它还没有推翻cuda，但它让cuda不再显得完全不可替代。
这正是黄仁勋担心的地方。英伟达创始人黄仁勋近期在接受dwarkesh patel专访时曾表示，如果deepseek先在华为平台上发布，对美国而言将是灾难性的。李睿指出，这个判断并不是因为deepseek某一项跑分超过了谁，而是因为一旦顶级开源模型能够在非英伟达体系上稳定运行，开发者就有可能开始改变习惯。模型足够好，价格足够低，工具链逐渐成熟，迁移就不再只是政治选择或供应链选择，而会变成商业选择。
所以，v4的第二层意义，是deepseek的低价逻辑正在从“模型优化驱动”，转向“模型优化+算力体系驱动”。过去，大模型价格主要由算法效率、训练成本和厂商补贴决定；现在，价格开始和芯片供给、超节点部署、软硬件协同效率绑定。对deepseek来说，这是一条通向更低成本的路；对英伟达来说，这是一道暂时不大、但必须警惕的裂缝。
只是，软硬件协同不是轻资产生意。模型越深地嵌入芯片和基础设施，deepseek要承担的成本、组织压力和商业化压力也越大。
03:deepseek开始变重
这也是为什么，v4发布前后，梁文锋开始接触外部融资的消息显得同样重要。
据新浪科技报道，近期deepseek还曝出了计划融资500亿元的消息，有接近deepseek的知情人士透露，deepseek融前估值为3000亿元，约合440亿美元，目前腾讯控股、阿里巴巴集团均正在洽谈投资deepseek。不过，对于融资相关事宜，deepseek方面至今未正面回应媒体问询。
具体估值不是最重要的。关键的是deepseek开始打开外部融资窗口。这意味着它面对的竞争已经不只是模型能力，而是延伸到了算力投入、人才稳定、员工激励和商业化能力。
这件事重要不在于投资数额是不是一个足够大的数字。放在今天的ai融资市场里，它并不夸张。重要的是开口融资的人是梁文锋。deepseek此前长期被视为一家少见的技术理想主义公司，背后有幻方量化支持，不急着拿外部资本，也不急着讲商业故事。现在它开始接触外部融资，说明v4之后的竞争形态变重了也有压力了：算力基础设施、人才激励和商业化落地，都需要比过去更稳定的资本安排。
第一重压力来自算力。v4越往国产算力深处走，越需要基础设施投入。模型参数从千亿级走向万亿级，训练和推理成本都会抬升。如果还要围绕升腾体系做更多适配、调优和部署，deepseek就不能只是一家轻资产模型公司。当前deepseek已经在内蒙古乌兰察布招聘数据中心运维工程师，这是其首次招聘直接负责计算基础设施运营的人才，这也被外界视为其向更重的算力基础设施方向移动的信号。
第二重压力来自人才。多家媒体报道显示，目前从deepseek确认离开的核心技术大牛已有5位，流向字节、腾讯、小米、元戎启行等公司，涉及基座模型、推理强化学习、多模态和ocr等方向。其中，郭达雅（deepseek r1核心作者）被报道加入字节seed团队；王炳宣（deepseek llm核心作者）加入腾讯混元；阮翀（深度参与deepseek-vl、vl2、janus系列等多模态模型的研发）加入元戎启行；罗福莉（deepseek-v2的关键开发者之一，也是mla技术的核心贡献者）加入小米；魏浩然（deepseek ocr系列核心作者）的去向尚未公开。
对一家总共不到200人的公司来说，这类流动不是普通人员变化。媒体报道称，deepseek核心研发团队约100多人，几乎不社招，主要依靠应届生和实习生留任。在这样的团队里，一个核心研究员离开，可能影响的不是一个岗位，而是一条技术线的连续性。
这并不意味着deepseek的组织不好。相反，外界对deepseek的长期印象，正是它有一套大厂很难复制的组织方式：不打卡、不设 kpi，研究员可以自由组队，也可以独自钻研新想法。这种组织方式适合早期技术突破，也解释了为什么deepseek能在过去几年不断做出反常识的工程创新。但当行业进入更重的阶段，问题就变了。顶级人才不只看工作自由度，也看技术方向、资源投入和落地场景。大厂能同时给钱、算力、产品场景和更大的团队。
第三重压力来自商业化。v4发布前，deepseek app已在4月8日改版，上线支持复杂推理的“专家模式”和处理简单任务的“快速模式”。随着v4发布，外界才知道，专家模式对应的是1.6万亿参数的 v4-pro，快速模式对应的是2840亿参数的v4-flash。这个变化说明，deepseek 不再只是把模型放出来让开发者使用，而是在开始打磨面向用户的产品分层。
彭德宇指出，这与开源路线之间存在天然张力。开源可以快速建立技术声量，也能让开发者和生态伙伴更快复用deepseek 的路线。但开源通常意味着更薄的利润空间，更高的成本敏感度。openai、anthropic 这类闭源公司可以通过订阅、api、企业服务建立更直接的商业闭环；谷歌、亚马逊、微软可以把模型成本消化在云计算和生态体系里。deepseek没有这些现成的商业缓冲层。如果它要继续坚持低价、开源和前沿模型研发，就必须找到新的资金、算力和商业化支撑。
李睿表示，所以，v4发布和融资不是两件独立的事。v4是梁文锋交给市场的答卷，证明deepseek仍然能做出强模型、低价格，并把国产算力推到关键路径上。融资则是他交给团队的答卷，给算力投入、员工期权、人才稳定和商业化探索留出缓冲。
吴玉兴进一步说到，这里也有一个更现实的悖论。融资可以解决股权定价，可以缓解算力压力，也可以让公司在人才争夺中更有筹码。但融资解决不了全部问题。deepseek过去最稀缺的不是钱，而是那种愿意长期押注底层技术、愿意绕开主流路径做工程创新的组织气质。一旦资本、商业化和大厂人才战同时进入，deepseek要守住的不只是模型领先，也包括自己原来的技术路线和组织文化。
在笔者看来，这也是v4真正暴露出来的深层问题。它证明中国大模型已经有能力在模型能力、推理价格和国产算力适配上同时向前走一步；但它也证明，大模型竞争已经不再是少数天才写出更好算法的比赛。下一阶段拼的是算力基础设施、工程系统、产品转化、融资能力和人才密度。
梁文锋这一次把牌押向了国产算力。v4让deepseek继续站在行业中心，也让外界看到cuda生态并非完全不可撼动。但更难的题才刚开始：当模型越来越重、人才越来越贵、商业化越来越急，deepseek能不能在成为一家更重的ai基础设施公司之后，仍然保持过去那种改变规则的能力。
