<p>开源许可证。支持双 RTX 4090 显卡或单 RTX 5090 显卡的本地部署和运行。什么是 DeepSeek V4？在其前身（如 V3 和 R1）成功的基础上，DeepSeek V4 结合了巨大的可扩展性和极高的性价比。以下是其主要技术参数：</p>
<p><img src="https://imageproxy.pbkrs.com/https://img.jinse.com.cn/7450504_watermarknone.png?x-oss-process=image/auto-orient,1/interlace,1/resize,w_1440,h_1440/quality,q_95/format,jpg" alt="" original-src="https://imageproxy.pbkrs.com/https://img.jinse.com.cn/7450504_watermarknone.png"/></p>
<h2>三项突破性架构创新</h2>
<p>DeepSeek V4 的真正实力不仅在于其强大的计算能力，还在于三项具体的架构突破，使得训练和运行万亿参数模型成为可能且可控成本。</p>
<h3>1. Engram 条件记忆</h3>
<p>百万标记上下文窗口面临的最大挑战是准确检索信息而不显著增加计算成本。DeepSeek 通过 Engram 架构解决了这个问题。</p>
<p>该系统将静态事实（如 API 签名或特定模式）与动态推理分开。在 &#34;针在干草堆&#34; 基准测试中（在 100 万个标记中找到特定事实），Engram 的准确率从正常的 84.2% 大幅提升至惊人的 97%。 2. 流形约束超连接结构（mHC）随着 AI 模型规模的增长，它们通常会遇到训练不稳定的问题（如梯度爆炸）。流形约束超连接结构（mHC）是一种数学框架，限制信号的放大，将其保持在 2 倍以内（相比之下，无约束状态下可达 3000 倍）。这使得 DeepSeek 能够以仅 6.7% 的计算成本稳定训练万亿参数模型。 3. DeepSeek DSA 机制和 Lightning Indexer 为了高效处理 100 万个标记的上下文，V4 使用稀疏注意机制（DSA），而不是传统的密集注意。Lightning Indexer 可以快速扫描上下文并定位相关片段，模型只需对这些特定标记执行注意计算。在长上下文场景中，这种解决方案可以将计算成本降低约 50%。 基准比较：DeepSeek V4 与 GPT-5.4 和 Claude 4.5 DeepSeek V4 专注于软件工程和深度推理能力。根据内部基准数据，该模型表现出色。注意：这些数据目前基于泄露的内部信息，模型正式发布后需要独立第三方验证。 API 定价：前沿 AI 以最佳性价比</p>
<p>西方模型如 GPT-5.4 和 Claude Opus 提供强大的性能，但使用成本高。例如，GPT-5.2/5.4 每百万输入标记的费用约为 1.75 美元至 15.00 美元，而 Claude Opus 4.5 的费用为每百万 5.00 美元。</p>
<h2>API 定价：前沿 AI 以最佳性价比</h2>
<p>西方模型如 GPT-5.4 和 Claude Opus 4.5 每百万输入标记的费用约为 1.75 美元至 15.00 美元。</p>
<h2>API 定价：前沿 AI 以最佳性价比</h2>
<p>西方模型如 GPT-5.4 和 Claude Opus 4.5 每百万输入标记的费用约为 1.75 美元至 15.00 美元，而 Claude Opus 4.5 的费用约为每百万 5.00 美元。</p>
<h2>API 定价：前沿 AI 以最佳性价比</h2>
<p>西方模型如 GPT-5.4 和 Claude Opus 4.5 每百万输入标记的费用约为 1.75 美元至 15.00 美元，DeepSeek V4 的预期 API 定价具有高度颠覆性：这意味着在可比性能下，DeepSeek V4 的成本将约为其西方竞争对手的 1/10 到 1/50。地缘政治与硬件：转向华为生态系统 DeepSeek V4 最具深远意义的特征之一在于其硬件支持系统。由于美国对 NVIDIA 高端 GPU（如 B300 和 H200）的严格出口管制，DeepSeek 深度优化了 V4，使其推理过程主要依赖于国产中国芯片。虽然模型的初始训练阶段可能仍使用 NVIDIA 硬件（如 H800），但该模型已针对华为的 Ascend 950PR 和寒武纪的 MLU 芯片进行了高度优化。据报道，华为的 Ascend 950PR 的计算性能是 NVIDIA H20 的 2.87 倍（目前是合法允许出口到中国的芯片）。这标志着中国在实现 AI 芯片自给自足方面的重要里程碑。发布日期：DeepSeek V4 何时发布？DeepSeek V4 经历了几次延迟。最初传闻将在 2026 年农历新年期间于 2 月中旬发布，但由于在新硬件架构上训练面临重大工程挑战，发布被推迟。2026 年 3 月 9 日，未发布的 &#34;V4 Lite&#34; 版本（约 2000 亿参数）出现在 DeepSeek 平台上，有效验证了其核心架构的可行性。现在普遍预计完整的万亿参数版本将在 2026 年 4 月正式发布。发布后，DeepSeek 预计将在 Apache 2.0 开源许可证下发布模型权重。得益于 MoE 架构和量化技术（INT8/INT4）的效率，这个超大规模模型预计可以在消费级硬件上原生运行，如双 RTX 4090 显卡或单 RTX 5090 显卡。</p>
<h2>DeepSeek V4 常见问题解答</h2>
<h3>1. DeepSeek V4 比 ChatGPT（GPT-5.4）更好吗？</h3>
<p>根据内部基准结果，在复杂的软件工程任务（SWE-bench）和代码库级编程任务中，DeepSeek V4 的表现与 GPT-5.4 和 Claude 4.5 相当，甚至略有超越，尤其是在其百万标记上下文窗口中。然而，在模型正式发布后，仍需独立测试以确定绝对赢家。</p>
<h3>2. 我可以在本地运行 DeepSeek V4 吗？</h3>
<p>可以，前提是模型权重按计划开源。</p>
<h3>由于 MoE 架构一次仅激活约 320 亿个参数，因此量化版本（INT4）理论上可以在单个 32GB RTX 5090 或双 RTX 4090 显卡上本地运行。3. 为什么 DeepSeek V4 如此低成本？其低成本源于高效的 MoE 架构（仅激活模型参数的一部分）、低训练成本（估计约为 1000 万美元，而类似的西方模型成本超过 1 亿美元），以及 DeepSeek DSA 机制的应用——这项技术将长上下文所需的计算能力减半。4. V4 所谓的 “原生多模态” 是什么意思？与早期模型通过将视觉插件 “缝合” 到文本模型上采用 “后期融合” 方法不同，V4 从一开始就对文本、图像、视频和音频进行联合训练。这使其具备了卓越的跨模态推理能力，例如能够无缝地直接从手绘架构图生成相应的接口代码。结论：DeepSeek V4 不仅仅是一次增量更新，而是在架构层面的突破。它证明了智能优化（Engram 记忆架构、mHC 超连接结构、DSA 机制）可以完全与高成本、粗暴的参数扩展方法相抗衡。凭借其原生多模态能力、百万标记上下文窗口和颠覆性的定价策略，DeepSeek 正在迫使企业和独立开发者重新评估他们的 AI 基础设施。一旦 API 和开源权重按计划于 2026 年 4 月发布，人工智能发展的整体格局可能会经历根本性的转变。</h3>

深度求索

华为

<p>DeepSeek V4 是一款即将推出的人工智能模型，拥有 1 万亿个参数，旨在实现高效和多模态操作。它与西方模型如 GPT-5.4 和 Claude Opus 4.5 竞争，提供的 API 定价显著低于竞争对手（为其 1/10 到 1/50）。主要创新包括用于提高准确性的 Engram 条件记忆、用于稳定训练的多样性约束超连接结构，以及用于降低成本的稀疏注意机制。该模型由于美国出口管制，针对中国硬件进行了优化，主要使用华为的芯片进行推理</p>

<p>Open source license. Local deployment and operation are supported by dual RTX 4090 graphics cards or a single RTX 5090 graphics card. What is DeepSeek V4? Building on the success of its predecessors (such as V3 and R1), DeepSeek V4 combines massive scalability with extreme cost-effectiveness. The following are its main technical parameters:</p>
<div class="lb-trans"><p>开源许可证。支持双 RTX 4090 显卡或单 RTX 5090 显卡的本地部署和运行。什么是 DeepSeek V4？在其前身（如 V3 和 R1）成功的基础上，DeepSeek V4 结合了巨大的可扩展性和极高的性价比。以下是其主要技术参数：</p>
</div><p><img src="https://imageproxy.pbkrs.com/https://img.jinse.com.cn/7450504_watermarknone.png" alt="" original-src="https://img.jinse.com.cn/7450504_watermarknone.png"/></p>
<h2>Three Breakthrough Architectural Innovations</h2>
<div class="lb-trans"><h2>三项突破性架构创新</h2>
</div><p>The true strength of DeepSeek V4 lies not only in its powerful computing power, but also in three specific architectural breakthroughs that make training and running trillion-parameter models possible and cost-controllable.</p>
<div class="lb-trans"><p>DeepSeek V4 的真正实力不仅在于其强大的计算能力，还在于三项具体的架构突破，使得训练和运行万亿参数模型成为可能且可控成本。</p>
</div><h3>1. Engram Conditional Memory</h3>
<div class="lb-trans"><h3>1. Engram 条件记忆</h3>
</div><p>The biggest challenge faced by a million-token context window is accurately retrieving information without a sharp increase in computing costs. DeepSeek solves this problem through the Engram architecture.</p>
<div class="lb-trans"><p>百万标记上下文窗口面临的最大挑战是准确检索信息而不显著增加计算成本。DeepSeek 通过 Engram 架构解决了这个问题。</p>
</div><p>This system separates static facts (such as API signatures or specific patterns) from dynamic reasoning. In the &#34;Needle-in-a-Haystack&#34; benchmark (finding specific facts among 1 million tokens), Enggram dramatically improved accuracy from a normal 84.2% to an astonishing 97%. 2. Manifold-Constrained Hyperconnected Structures (mHC) As AI models grow in size, they often experience training instability issues (such as gradient explosion). Manifold-constrained hyperconnected structures (mHC) are a mathematical framework that constrains the amplification of signals, keeping it within 2x (compared to up to 3000x in the unconstrained state). This allows DeepSeek to stably train a trillion-parameter model with only 6.7% of the computational cost. 3. DeepSeek DSA Mechanism and Lightning Indexer To efficiently handle the context of 1 million tokens, V4 uses a sparse attention mechanism (DSA) instead of traditional dense attention. The Lightning Indexer can quickly scan the context and locate relevant fragments, and the model only needs to perform attention computation on these specific tokens. In long context scenarios, this solution can reduce computational cost by approximately 50%. Benchmark Comparison: DeepSeek V4 vs GPT-5.4 and Claude 4.5 DeepSeek V4 focuses on software engineering and deep inference capabilities. According to internal benchmark data, the model exhibits outstanding performance. Note: This data is currently based on leaked internal information and will require independent third-party verification after the model's official release. API Pricing: Cutting-Edge AI with the Best Cost-Effectiveness</p>
<div class="lb-trans"><p>该系统将静态事实（如 API 签名或特定模式）与动态推理分开。在 &#34;针在干草堆&#34; 基准测试中（在 100 万个标记中找到特定事实），Engram 的准确率从正常的 84.2% 大幅提升至惊人的 97%。 2. 流形约束超连接结构（mHC）随着 AI 模型规模的增长，它们通常会遇到训练不稳定的问题（如梯度爆炸）。流形约束超连接结构（mHC）是一种数学框架，限制信号的放大，将其保持在 2 倍以内（相比之下，无约束状态下可达 3000 倍）。这使得 DeepSeek 能够以仅 6.7% 的计算成本稳定训练万亿参数模型。 3. DeepSeek DSA 机制和 Lightning Indexer 为了高效处理 100 万个标记的上下文，V4 使用稀疏注意机制（DSA），而不是传统的密集注意。Lightning Indexer 可以快速扫描上下文并定位相关片段，模型只需对这些特定标记执行注意计算。在长上下文场景中，这种解决方案可以将计算成本降低约 50%。 基准比较：DeepSeek V4 与 GPT-5.4 和 Claude 4.5 DeepSeek V4 专注于软件工程和深度推理能力。根据内部基准数据，该模型表现出色。注意：这些数据目前基于泄露的内部信息，模型正式发布后需要独立第三方验证。 API 定价：前沿 AI 以最佳性价比</p>
</div><p>Western models such as GPT-5.4 and Claude Opus offer powerful performance, but are expensive to use. For example, GPT-5.2/5.4 costs approximately $1.75 to $15.00 per million input tokens, while Claude Opus 4.5 costs $5.00 per million.</p>
<div class="lb-trans"><p>西方模型如 GPT-5.4 和 Claude Opus 提供强大的性能，但使用成本高。例如，GPT-5.2/5.4 每百万输入标记的费用约为 1.75 美元至 15.00 美元，而 Claude Opus 4.5 的费用为每百万 5.00 美元。</p>
</div><h2>API Pricing: Cutting-Edge AI with the Best Cost-Effectiveness</h2>
<div class="lb-trans"><h2>API 定价：前沿 AI 以最佳性价比</h2>
</div><p>Western models such as GPT-5.4 and Claude Opus 4.5 cost approximately $1.75 to $15.00 per million input tokens.</p>
<div class="lb-trans"><p>西方模型如 GPT-5.4 和 Claude Opus 4.5 每百万输入标记的费用约为 1.75 美元至 15.00 美元。</p>
</div><h2>API Pricing: Cutting-Edge AI with the Best Cost-Effectiveness</h2>
<div class="lb-trans"><h2>API 定价：前沿 AI 以最佳性价比</h2>
</div><p>Western models such as GPT-5.4 and Claude Opus 4.5 cost approximately $ ...1.75 to $15.00 per million input tokens, while Claude Opus 4.5 costs approximately $5.00 per million input tokens.</p>
<div class="lb-trans"><p>西方模型如 GPT-5.4 和 Claude Opus 4.5 每百万输入标记的费用约为 1.75 美元至 15.00 美元，而 Claude Opus 4.5 的费用约为每百万 5.00 美元。</p>
</div><h2>API Pricing: Cutting-Edge AI with the Best Cost-Effectiveness</h2>
<div class="lb-trans"><h2>API 定价：前沿 AI 以最佳性价比</h2>
</div><p>Western models such as GPT-5.4 and Claude Opus 4.5 cost approximately $1.75 to $15.00 per million input tokens, The expected API pricing for DeepSeek V4 is highly disruptive: This means that, with comparable performance, DeepSeek V4 will cost approximately 1/10 to 1/50 of its Western competitors. Geopolitics and Hardware: Shifting to the Huawei Ecosystem One of the most far-reaching features of DeepSeek V4 lies in its hardware support system. Due to strict US export controls on NVIDIA's high-end GPUs (such as the B300 and H200), DeepSeek has deeply optimized V4, making its inference process primarily rely on domestically produced Chinese chips. While the initial training phase of the model likely still uses NVIDIA hardware (such as the H800), the model has been highly optimized for Huawei's Ascend 950PR and Cambricon's MLU chip. Reportedly, the computing performance of Huawei's Ascend 950PR is 2.87 times that of NVIDIA's H20 (currently a chip legally allowed to be exported to China). This marks a significant milestone for China in achieving self-sufficiency in AI chips. Release Date: When will DeepSeek V4 be released? DeepSeek V4 has experienced several delays. Initially rumored to launch in mid-February 2026 during the Lunar New Year, the release was delayed due to significant engineering challenges in training on the new hardware architecture. On March 9, 2026, an unreleased &#34;V4 Lite&#34; version (approximately 200 billion parameters) appeared on the DeepSeek platform, effectively validating the feasibility of its core architecture. It is now widely expected that the full trillion-parameter version will be officially released in April 2026. Following release, DeepSeek is expected to release the model weights under the Apache 2.0 open-source license. Thanks to the efficiency of the MoE architecture and quantization techniques (INT8/INT4), this ultra-large-scale model is expected to run natively on consumer-grade hardware, such as dual RTX 4090 graphics cards or a single RTX 5090 graphics card.</p>
<div class="lb-trans"><p>西方模型如 GPT-5.4 和 Claude Opus 4.5 每百万输入标记的费用约为 1.75 美元至 15.00 美元，DeepSeek V4 的预期 API 定价具有高度颠覆性：这意味着在可比性能下，DeepSeek V4 的成本将约为其西方竞争对手的 1/10 到 1/50。地缘政治与硬件：转向华为生态系统 DeepSeek V4 最具深远意义的特征之一在于其硬件支持系统。由于美国对 NVIDIA 高端 GPU（如 B300 和 H200）的严格出口管制，DeepSeek 深度优化了 V4，使其推理过程主要依赖于国产中国芯片。虽然模型的初始训练阶段可能仍使用 NVIDIA 硬件（如 H800），但该模型已针对华为的 Ascend 950PR 和寒武纪的 MLU 芯片进行了高度优化。据报道，华为的 Ascend 950PR 的计算性能是 NVIDIA H20 的 2.87 倍（目前是合法允许出口到中国的芯片）。这标志着中国在实现 AI 芯片自给自足方面的重要里程碑。发布日期：DeepSeek V4 何时发布？DeepSeek V4 经历了几次延迟。最初传闻将在 2026 年农历新年期间于 2 月中旬发布，但由于在新硬件架构上训练面临重大工程挑战，发布被推迟。2026 年 3 月 9 日，未发布的 &#34;V4 Lite&#34; 版本（约 2000 亿参数）出现在 DeepSeek 平台上，有效验证了其核心架构的可行性。现在普遍预计完整的万亿参数版本将在 2026 年 4 月正式发布。发布后，DeepSeek 预计将在 Apache 2.0 开源许可证下发布模型权重。得益于 MoE 架构和量化技术（INT8/INT4）的效率，这个超大规模模型预计可以在消费级硬件上原生运行，如双 RTX 4090 显卡或单 RTX 5090 显卡。</p>
</div><h2>DeepSeek V4 Frequently Asked Questions</h2>
<div class="lb-trans"><h2>DeepSeek V4 常见问题解答</h2>
</div><h3>1. Is DeepSeek V4 better than ChatGPT (GPT-5.4)?</h3>
<div class="lb-trans"><h3>1. DeepSeek V4 比 ChatGPT（GPT-5.4）更好吗？</h3>
</div><p>According to internal benchmark results, in complex software engineering tasks (SWE-bench) and codebase-level programming tasks, DeepSeek V4 performs comparably to GPT-5.4 and Claude 4.5, and even slightly outperforms them, especially with its million-token context window. However, after the model is officially released, independent testing is still needed to determine the absolute winner.</p>
<div class="lb-trans"><p>根据内部基准结果，在复杂的软件工程任务（SWE-bench）和代码库级编程任务中，DeepSeek V4 的表现与 GPT-5.4 和 Claude 4.5 相当，甚至略有超越，尤其是在其百万标记上下文窗口中。然而，在模型正式发布后，仍需独立测试以确定绝对赢家。</p>
</div><h3>2. Can I run DeepSeek V4 locally?</h3>
<div class="lb-trans"><h3>2. 我可以在本地运行 DeepSeek V4 吗？</h3>
</div><p>Yes, provided that the model weights are open-sourced as planned.</p>
<div class="lb-trans"><p>可以，前提是模型权重按计划开源。</p>
</div><h3>Because the MoE architecture activates only about 32 billion parameters at a time, the quantized version (INT4) can theoretically run locally on a single 32GB RTX 5090 or dual RTX 4090 graphics cards. 3. Why is DeepSeek V4 so low-cost? Its low cost stems from the efficient MoE architecture (activating only a portion of the model's parameters), low training costs (estimated at around $10 million, while similar Western models cost over $100 million), and the application of the DeepSeek DSA mechanism—a technology that halves the computational power required for long contexts. 4. What does V4's so-called &#34;native multimodal&#34; mean? Unlike earlier models that used a &#34;late-stage fusion&#34; approach by &#34;stitching&#34; visual plugins onto text models, V4 is jointly trained from the outset on text, images, video, and audio. This gives it superior cross-modal reasoning capabilities, such as seamlessly generating corresponding interface code directly from hand-drawn architecture diagrams. Conclusion: DeepSeek V4 is not just an incremental update, but a breakthrough at the architectural level. It proves that intelligent optimization (Engram memory architecture, mHC hyperconnection structure, DSA mechanism) can completely rival high-cost, brute-force parameter scaling methods. With its native multimodal capabilities, million-token context window, and disruptive pricing strategy, DeepSeek is forcing enterprises and independent developers to re-evaluate their AI infrastructure. Once the API and open-source weights are launched as planned in April 2026, the overall landscape of artificial intelligence development may undergo a fundamental transformation.</h3>
<div class="lb-trans"><h3>由于 MoE 架构一次仅激活约 320 亿个参数，因此量化版本（INT4）理论上可以在单个 32GB RTX 5090 或双 RTX 4090 显卡上本地运行。3. 为什么 DeepSeek V4 如此低成本？其低成本源于高效的 MoE 架构（仅激活模型参数的一部分）、低训练成本（估计约为 1000 万美元，而类似的西方模型成本超过 1 亿美元），以及 DeepSeek DSA 机制的应用——这项技术将长上下文所需的计算能力减半。4. V4 所谓的 “原生多模态” 是什么意思？与早期模型通过将视觉插件 “缝合” 到文本模型上采用 “后期融合” 方法不同，V4 从一开始就对文本、图像、视频和音频进行联合训练。这使其具备了卓越的跨模态推理能力，例如能够无缝地直接从手绘架构图生成相应的接口代码。结论：DeepSeek V4 不仅仅是一次增量更新，而是在架构层面的突破。它证明了智能优化（Engram 记忆架构、mHC 超连接结构、DSA 机制）可以完全与高成本、粗暴的参数扩展方法相抗衡。凭借其原生多模态能力、百万标记上下文窗口和颠覆性的定价策略，DeepSeek 正在迫使企业和独立开发者重新评估他们的 AI 基础设施。一旦 API 和开源权重按计划于 2026 年 4 月发布，人工智能发展的整体格局可能会经历根本性的转变。</h3>
</div>

深度求索 V4：关于新的万亿参数 AI 模型的所有信息