<p>開源許可證。支持雙 RTX 4090 顯卡或單 RTX 5090 顯卡的本地部署和運行。什麼是 DeepSeek V4？在其前身（如 V3 和 R1）成功的基礎上，DeepSeek V4 結合了巨大的可擴展性和極高的性價比。以下是其主要技術參數：</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>三項突破性架構創新</h2>
<p>DeepSeek V4 的真正實力不僅在於其強大的計算能力，還在於三項具體的架構突破，使得訓練和運行萬億參數模型成為可能且可控成本。</p>
<h3>1. Engram 條件記憶</h3>
<p>百萬標記上下文窗口面臨的最大挑戰是準確檢索信息而不顯著增加計算成本。DeepSeek 通過 Engram 架構解決了這個問題。</p>
<p>該系統將靜態事實（如 API 簽名或特定模式）與動態推理分開。在 &#34;針在乾草堆&#34; 基準測試中（在 100 萬個標記中找到特定事實），Engram 的準確率從正常的 84.2% 大幅提升至驚人的 97%。 2. 流形約束超連接結構（mHC）隨着 AI 模型規模的增長，它們通常會遇到訓練不穩定的問題（如梯度爆炸）。流形約束超連接結構（mHC）是一種數學框架，限制信號的放大，將其保持在 2 倍以內（相比之下，無約束狀態下可達 3000 倍）。這使得 DeepSeek 能夠以僅 6.7% 的計算成本穩定訓練萬億參數模型。 3. DeepSeek DSA 機制和 Lightning Indexer 為了高效處理 100 萬個標記的上下文，V4 使用稀疏注意機制（DSA），而不是傳統的密集註意。Lightning Indexer 可以快速掃描上下文並定位相關片段，模型只需對這些特定標記執行注意計算。在長上下文場景中，這種解決方案可以將計算成本降低約 50%。 基準比較：DeepSeek V4 與 GPT-5.4 和 Claude 4.5 DeepSeek V4 專注於軟件工程和深度推理能力。根據內部基準數據，該模型表現出色。注意：這些數據目前基於泄露的內部信息，模型正式發佈後需要獨立第三方驗證。 API 定價：前沿 AI 以最佳性價比</p>
<p>西方模型如 GPT-5.4 和 Claude Opus 提供強大的性能，但使用成本高。例如，GPT-5.2/5.4 每百萬輸入標記的費用約為 1.75 美元至 15.00 美元，而 Claude Opus 4.5 的費用為每百萬 5.00 美元。</p>
<h2>API 定價：前沿 AI 以最佳性價比</h2>
<p>西方模型如 GPT-5.4 和 Claude Opus 4.5 每百萬輸入標記的費用約為 1.75 美元至 15.00 美元。</p>
<h2>API 定價：前沿 AI 以最佳性價比</h2>
<p>西方模型如 GPT-5.4 和 Claude Opus 4.5 每百萬輸入標記的費用約為 1.75 美元至 15.00 美元，而 Claude Opus 4.5 的費用約為每百萬 5.00 美元。</p>
<h2>API 定價：前沿 AI 以最佳性價比</h2>
<p>西方模型如 GPT-5.4 和 Claude Opus 4.5 每百萬輸入標記的費用約為 1.75 美元至 15.00 美元，DeepSeek V4 的預期 API 定價具有高度顛覆性：這意味着在可比性能下，DeepSeek V4 的成本將約為其西方競爭對手的 1/10 到 1/50。地緣政治與硬件：轉向華為生態系統 DeepSeek V4 最具深遠意義的特徵之一在於其硬件支持系統。由於美國對 NVIDIA 高端 GPU（如 B300 和 H200）的嚴格出口管制，DeepSeek 深度優化了 V4，使其推理過程主要依賴於國產中國芯片。雖然模型的初始訓練階段可能仍使用 NVIDIA 硬件（如 H800），但該模型已針對華為的 Ascend 950PR 和寒武紀的 MLU 芯片進行了高度優化。據報道，華為的 Ascend 950PR 的計算性能是 NVIDIA H20 的 2.87 倍（目前是合法允許出口到中國的芯片）。這標誌着中國在實現 AI 芯片自給自足方面的重要里程碑。發佈日期：DeepSeek V4 何時發佈？DeepSeek V4 經歷了幾次延遲。最初傳聞將在 2026 年農曆新年期間於 2 月中旬發佈，但由於在新硬件架構上訓練面臨重大工程挑戰，發佈被推遲。2026 年 3 月 9 日，未發佈的 &#34;V4 Lite&#34; 版本（約 2000 億參數）出現在 DeepSeek 平台上，有效驗證了其核心架構的可行性。現在普遍預計完整的萬億參數版本將在 2026 年 4 月正式發佈。發佈後，DeepSeek 預計將在 Apache 2.0 開源許可證下發布模型權重。得益於 MoE 架構和量化技術（INT8/INT4）的效率，這個超大規模模型預計可以在消費級硬件上原生運行，如雙 RTX 4090 顯卡或單 RTX 5090 顯卡。</p>
<h2>DeepSeek V4 常見問題解答</h2>
<h3>1. DeepSeek V4 比 ChatGPT（GPT-5.4）更好嗎？</h3>
<p>根據內部基準結果，在複雜的軟件工程任務（SWE-bench）和代碼庫級編程任務中，DeepSeek V4 的表現與 GPT-5.4 和 Claude 4.5 相當，甚至略有超越，尤其是在其百萬標記上下文窗口中。然而，在模型正式發佈後，仍需獨立測試以確定絕對贏家。</p>
<h3>2. 我可以在本地運行 DeepSeek V4 嗎？</h3>
<p>可以，前提是模型權重按計劃開源。</p>
<h3>由於 MoE 架構一次僅激活約 320 億個參數，因此量化版本（INT4）理論上可以在單個 32GB RTX 5090 或雙 RTX 4090 顯卡上本地運行。3. 為什麼 DeepSeek V4 如此低成本？其低成本源於高效的 MoE 架構（僅激活模型參數的一部分）、低訓練成本（估計約為 1000 萬美元，而類似的西方模型成本超過 1 億美元），以及 DeepSeek DSA 機制的應用——這項技術將長上下文所需的計算能力減半。4. V4 所謂的 “原生多模態” 是什麼意思？與早期模型通過將視覺插件 “縫合” 到文本模型上採用 “後期融合” 方法不同，V4 從一開始就對文本、圖像、視頻和音頻進行聯合訓練。這使其具備了卓越的跨模態推理能力，例如能夠無縫地直接從手繪架構圖生成相應的接口代碼。結論：DeepSeek V4 不僅僅是一次增量更新，而是在架構層面的突破。它證明了智能優化（Engram 記憶架構、mHC 超連接結構、DSA 機制）可以完全與高成本、粗暴的參數擴展方法相抗衡。憑藉其原生多模態能力、百萬標記上下文窗口和顛覆性的定價策略，DeepSeek 正在迫使企業和獨立開發者重新評估他們的 AI 基礎設施。一旦 API 和開源權重按計劃於 2026 年 4 月發佈，人工智能發展的整體格局可能會經歷根本性的轉變。</h3>

深度求索

華為

<p>DeepSeek V4 是一款即將推出的人工智能模型，擁有 1 萬億個參數，旨在實現高效和多模態操作。它與西方模型如 GPT-5.4 和 Claude Opus 4.5 競爭，提供的 API 定價顯著低於競爭對手（為其 1/10 到 1/50）。主要創新包括用於提高準確性的 Engram 條件記憶、用於穩定訓練的多樣性約束超連接結構，以及用於降低成本的稀疏注意機制。該模型由於美國出口管制，針對中國硬件進行了優化，主要使用華為的芯片進行推理</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>開源許可證。支持雙 RTX 4090 顯卡或單 RTX 5090 顯卡的本地部署和運行。什麼是 DeepSeek V4？在其前身（如 V3 和 R1）成功的基礎上，DeepSeek V4 結合了巨大的可擴展性和極高的性價比。以下是其主要技術參數：</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>三項突破性架構創新</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 的真正實力不僅在於其強大的計算能力，還在於三項具體的架構突破，使得訓練和運行萬億參數模型成為可能且可控成本。</p>
</div><h3>1. Engram Conditional Memory</h3>
<div class="lb-trans"><h3>1. Engram 條件記憶</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>百萬標記上下文窗口面臨的最大挑戰是準確檢索信息而不顯著增加計算成本。DeepSeek 通過 Engram 架構解決了這個問題。</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>該系統將靜態事實（如 API 簽名或特定模式）與動態推理分開。在 &#34;針在乾草堆&#34; 基準測試中（在 100 萬個標記中找到特定事實），Engram 的準確率從正常的 84.2% 大幅提升至驚人的 97%。 2. 流形約束超連接結構（mHC）隨着 AI 模型規模的增長，它們通常會遇到訓練不穩定的問題（如梯度爆炸）。流形約束超連接結構（mHC）是一種數學框架，限制信號的放大，將其保持在 2 倍以內（相比之下，無約束狀態下可達 3000 倍）。這使得 DeepSeek 能夠以僅 6.7% 的計算成本穩定訓練萬億參數模型。 3. DeepSeek DSA 機制和 Lightning Indexer 為了高效處理 100 萬個標記的上下文，V4 使用稀疏注意機制（DSA），而不是傳統的密集註意。Lightning Indexer 可以快速掃描上下文並定位相關片段，模型只需對這些特定標記執行注意計算。在長上下文場景中，這種解決方案可以將計算成本降低約 50%。 基準比較：DeepSeek V4 與 GPT-5.4 和 Claude 4.5 DeepSeek V4 專注於軟件工程和深度推理能力。根據內部基準數據，該模型表現出色。注意：這些數據目前基於泄露的內部信息，模型正式發佈後需要獨立第三方驗證。 API 定價：前沿 AI 以最佳性價比</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 提供強大的性能，但使用成本高。例如，GPT-5.2/5.4 每百萬輸入標記的費用約為 1.75 美元至 15.00 美元，而 Claude Opus 4.5 的費用為每百萬 5.00 美元。</p>
</div><h2>API Pricing: Cutting-Edge AI with the Best Cost-Effectiveness</h2>
<div class="lb-trans"><h2>API 定價：前沿 AI 以最佳性價比</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 每百萬輸入標記的費用約為 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 定價：前沿 AI 以最佳性價比</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 每百萬輸入標記的費用約為 1.75 美元至 15.00 美元，而 Claude Opus 4.5 的費用約為每百萬 5.00 美元。</p>
</div><h2>API Pricing: Cutting-Edge AI with the Best Cost-Effectiveness</h2>
<div class="lb-trans"><h2>API 定價：前沿 AI 以最佳性價比</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 每百萬輸入標記的費用約為 1.75 美元至 15.00 美元，DeepSeek V4 的預期 API 定價具有高度顛覆性：這意味着在可比性能下，DeepSeek V4 的成本將約為其西方競爭對手的 1/10 到 1/50。地緣政治與硬件：轉向華為生態系統 DeepSeek V4 最具深遠意義的特徵之一在於其硬件支持系統。由於美國對 NVIDIA 高端 GPU（如 B300 和 H200）的嚴格出口管制，DeepSeek 深度優化了 V4，使其推理過程主要依賴於國產中國芯片。雖然模型的初始訓練階段可能仍使用 NVIDIA 硬件（如 H800），但該模型已針對華為的 Ascend 950PR 和寒武紀的 MLU 芯片進行了高度優化。據報道，華為的 Ascend 950PR 的計算性能是 NVIDIA H20 的 2.87 倍（目前是合法允許出口到中國的芯片）。這標誌着中國在實現 AI 芯片自給自足方面的重要里程碑。發佈日期：DeepSeek V4 何時發佈？DeepSeek V4 經歷了幾次延遲。最初傳聞將在 2026 年農曆新年期間於 2 月中旬發佈，但由於在新硬件架構上訓練面臨重大工程挑戰，發佈被推遲。2026 年 3 月 9 日，未發佈的 &#34;V4 Lite&#34; 版本（約 2000 億參數）出現在 DeepSeek 平台上，有效驗證了其核心架構的可行性。現在普遍預計完整的萬億參數版本將在 2026 年 4 月正式發佈。發佈後，DeepSeek 預計將在 Apache 2.0 開源許可證下發布模型權重。得益於 MoE 架構和量化技術（INT8/INT4）的效率，這個超大規模模型預計可以在消費級硬件上原生運行，如雙 RTX 4090 顯卡或單 RTX 5090 顯卡。</p>
</div><h2>DeepSeek V4 Frequently Asked Questions</h2>
<div class="lb-trans"><h2>DeepSeek V4 常見問題解答</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）更好嗎？</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>根據內部基準結果，在複雜的軟件工程任務（SWE-bench）和代碼庫級編程任務中，DeepSeek V4 的表現與 GPT-5.4 和 Claude 4.5 相當，甚至略有超越，尤其是在其百萬標記上下文窗口中。然而，在模型正式發佈後，仍需獨立測試以確定絕對贏家。</p>
</div><h3>2. Can I run DeepSeek V4 locally?</h3>
<div class="lb-trans"><h3>2. 我可以在本地運行 DeepSeek V4 嗎？</h3>
</div><p>Yes, provided that the model weights are open-sourced as planned.</p>
<div class="lb-trans"><p>可以，前提是模型權重按計劃開源。</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>由於 MoE 架構一次僅激活約 320 億個參數，因此量化版本（INT4）理論上可以在單個 32GB RTX 5090 或雙 RTX 4090 顯卡上本地運行。3. 為什麼 DeepSeek V4 如此低成本？其低成本源於高效的 MoE 架構（僅激活模型參數的一部分）、低訓練成本（估計約為 1000 萬美元，而類似的西方模型成本超過 1 億美元），以及 DeepSeek DSA 機制的應用——這項技術將長上下文所需的計算能力減半。4. V4 所謂的 “原生多模態” 是什麼意思？與早期模型通過將視覺插件 “縫合” 到文本模型上採用 “後期融合” 方法不同，V4 從一開始就對文本、圖像、視頻和音頻進行聯合訓練。這使其具備了卓越的跨模態推理能力，例如能夠無縫地直接從手繪架構圖生成相應的接口代碼。結論：DeepSeek V4 不僅僅是一次增量更新，而是在架構層面的突破。它證明了智能優化（Engram 記憶架構、mHC 超連接結構、DSA 機制）可以完全與高成本、粗暴的參數擴展方法相抗衡。憑藉其原生多模態能力、百萬標記上下文窗口和顛覆性的定價策略，DeepSeek 正在迫使企業和獨立開發者重新評估他們的 AI 基礎設施。一旦 API 和開源權重按計劃於 2026 年 4 月發佈，人工智能發展的整體格局可能會經歷根本性的轉變。</h3>
</div>

深度求索 V4：關於新的萬億參數 AI 模型的所有信息