没有发布会，没有倒计时，DeepSeek V4 就这样直接上线了。

这已经是 DeepSeek 惯用的节奏。但这次不一样的地方在于，他们在技术报告里主动写下了一句话：V4 的能力水平仍落后于 GPT-5.4 和 Gemini-3.1-Pro，发展轨迹大约滞后前沿闭源模型 3 至 6 个月。

这句话放在国内 AI 圈的语境里，显得有些格格不入。大多数模型发布，标配的是 " 全球领先 "" 行业第一 "。DeepSeek 反过来，主动划出差距。

但如果细看这次发布的内容，就会发现这并不是谦虚，V4 压根没打算在 " 谁最强 " 这个问题上和 GPT-5 掰手腕。V4 想做的，是把百万 token 的超长上下文变成所有用户的标配，同时把价格打到竞品的三分之一以下。

这篇文章我们想说清三件事：V4 是什么、它能干什么，以及这次发布背后值得关注的信号是什么。

V4 模型按大小分为 Pro 和 Flash 两个版本，在官方网页端和 APP 界面分别是专家模式和快速模式。

Pro 是旗舰版，主打能力上限，对标的是 GPT-5、Gemini 这类顶级闭源模型，适合对效果要求极高的复杂任务。Flash 是轻量版，速度更快、价格更低，推理能力接近 Pro，但世界知识储备稍逊一些。

两款模型都支持同一件事，也是这次发布最值得普通用户关注的变化——百万 token 的超长上下文，全系标配，不分版本，不加价。

" 上下文 " 这个词听着技术，简言之就是 "AI 一次能读多少内容 "。按照 100 万 token 大约是 75 万汉字换算，差不多把整部《三国演义》喂给 V4，它都能完整理解和分析。

这源于 V4 采用了 CSA（压缩稀疏注意力）和 HCA（重度压缩注意力）的混合架构。同样处理一百万字的内容，V4 只需要前代模型四分之一的算力和十分之一的显存。

以前这个能力不是没有，但价格都很贵，得单独付费或者升级套餐。V4 把它变成了所有用户默认就有的基础能力。对日常使用来说，感知最明显的一点是：使用者不再需要把一份长报告剪来剪去分段喂给 AI，整份材料可以一次性丢进去，让它直接处理。

此外，V4 提供了三档推理强度：

Non-think 直出模式，AI 直接给答案，适合简单问答和日常对话，速度最快；在网页和 APP 上关闭深度思考即可。

Think High 是常规深度思考，AI 会在脑子里推导一遍再回答，适合需要分析计算的场景；

Think Max 则适合极难推理，但耗时更长，消耗的 token 大约是普通模式的两倍。思考的强度，由模型根据问题的复杂程度自动判断，或者使用者可以通过 API 参数手动指定为 High 或 Max。

定价方面，V4 延续了 DeepSeek 一贯的激进风格。

V4-Pro 每百万 token 输入 1 元（缓存命中）或 12 元（缓存未命中），输出为 24 元；V4-Flash 为每百万 token 输入 0.2 元（缓存命中）或 1 元（缓存未命中），输出为 2 元。

粗算下来，DeepSeek 的定价大约是竞品的三分之一甚至更低。另外，V4 同时支持 OpenAI 和 Anthropic 两种 API 接口格式，对开发者来说，切换只需要改一个参数，迁移成本几乎为零。

在实际使用中，V4 表现如何？我们围绕三个高频使用场景对其展开测试：长文本处理、代码生成与调试和复杂推理。

场景一：长文本处理

长文本处理是 V4 此次核心卖点，我们直接选用某上市公司 2025 财年年度报告作为测试材料。这份年报篇幅为 324 页，涵盖财务报表、附注及股东信息等多个模块，信息密度高、数据分散，是测试长文本理解能力的理想素材。

我们的测试问题分两层：第一层要求提炼年报核心要点；第二层追问两个藏在文档深处的具体数据——该年度回购股份的总数量与总对价，以及管理人员酬金排名第三的具体人员与金额。这两个问题的答案分别散落在年报第 212 至 213 页和第 311 至 313 页，位置偏后，必须完整阅读文档才能准确定位。

V4 响应时间约 19 秒，给出的答案完全符合原报告。

此外，在追加提问短期银行借款利率区间时，我们关闭了 " 深度思考 "，选择 Non-think 模式，V4 同样准确找到年报数据，信息来源同样精确到页码。

从整体表现来看，快速模式下 V4 对这份 300 余页年报的处理相当稳定。数据定位准确、跨章节关联清晰、单位换算无误，且在回答过程中主动识别了潜在的口径歧义并加以说明，并没有因为文档体量大而出现答非所问或信息遗漏的情况。

对于需要快速从大体量文档中提取特定数据，V4 的长文本处理能力已经达到了实际可用的水准，且在快速模式下便能完成，不需要开启深度思考来换取准确性。

场景二：代码生成与调试

这一场景我们分两步进行测试：

第一步，让 V4 生成一段含有隐藏 Bug 的 Python 代码，要求故意埋入 2 至 3 个常见错误但不提示位置；

第二步，将这段代码重新交回 V4，要求找出所有问题、修复代码并逐一解释原因。两轮分别在开启和关闭深度思考的模式下各跑一次。

开启深度思考模式响应时间 15 秒。V4 在思考过程中主动梳理了代码的所有潜在问题，最终给出了 6 项错误分析，超出原题预设的 2 至 3 个范围。除了最核心的数据类型错误和文件未正确关闭之外，还额外识别出除零错误、列名不存在时的 KeyError 等。

关闭深度思考模式明显更快，直接输出结果，没有可见的思考过程。识别出的问题同样是文件未正确关闭、列数据类型错误、除零错误、列名不存在等，与开启深度思考的核心结论基本一致。

对于不懂代码的用户来说，日常的代码调试任务，关闭深度思考已经足够可用，速度也更快；如果是生产环境的代码审查，或者需要考虑各种异常边界，开启深度思考会给出更完整的分析。

场景三：复杂推理与分析

对于复杂推理测试，我们设定为一家中高端护肤品公司的经营困境分析：三年收入年均增长 18%，但净利润率从 12% 腰斩至 6%，同时面临库存积压、营销费用失控、电商渠道落后和竞争对手低价抢市等多重压力。

要求 V4 以商业顾问身份，识别核心问题、按紧迫程度列出三个优先风险并说明判断依据，随后在同一对话中追问：若公司决定优先发力电商渠道，可能面临哪些新风险。

深度思考响应用时 9 秒。V4 在思考过程中先完成了问题拆解：将所有负面信号归类为现金流威胁、盈利能力恶化、市场结构性风险三个维度，再依据 " 若不立即处理会导致现金流断裂或持续亏损 " 的紧迫性标准完成排序，逻辑链条清晰可见。

最终它给出的三个优先风险依次是：库存积压与现金流风险排第一； 盈利能力持续恶化排第二，中端市场被抢占与渠道结构性短板排第三，并均给出了充分理由。

为了验证连续推理能力，我们追问发力电商渠道的风险，响应用时仅 3 秒，直接在第一轮建立的背景基础上继续推导，V4 识别出五项新风险。

关闭深度思考后结果也差不多，不过结论呈现上更结构化，增加了 " 止损时间窗口 "，落地感更强，某种程度上比深度思考版本更像一份可以直接拿去汇报的分析文件。

这一轮测试最值得关注的有两点：一是推理的连贯性。前后两轮的分析形成了完整的逻辑链；二是结论的落地性。风险分析不停留在 " 可能会有影响 " 的泛泛层面，每条都给出了具体的传导路径。

比如它指出高端产品依赖线下 BA 服务和专柜体验来支撑溢价，一旦在电商大力促销，消费者会形成 " 不降价就不买 " 的预期，进而打击线下门店的正价销售能力，最终形成恶性循环。测试结果显示出推理逻辑连贯性和缜密性。

DeepSeek 主动说自己 " 落后 3 到 6 个月 "，这不是谦虚。DeepSeek 的牌是开源、是价格，承认差距，反而让这张牌打得更稳。

一位长期关注大模型领域的从业者对「AIX 财经」称，" 当一个开源模型把百万上下文变成标配、把 API 价格打到竞品的三分之一，你会发现闭源模型的护城河其实没有想象中那么宽。"V4 最大的价值是让用户在成本可控的前提下，把很多以前想做但做不起的功能做出来了。

也因此，开源加低价，可能会动摇整个行业的定价逻辑。

对普通用户和中小开发者来说，顶级推理能力的使用门槛被大幅拉低。以前要用上好模型，要么付高额订阅，要么承受居高不下的 API 成本，现在这个壁垒被打薄了；对大厂来说，当一个性能接近的开源模型以极低价格提供服务，闭源模型的溢价空间会被持续压缩，而且这个压力是长期的，不会因为下一个版本发布就消失。

此外，V4 技术报告里，首次把华为昇腾和英伟达 GPU 并列写进了硬件验证清单。

更值得注意的是，V4 选用的 FP4 精度格式，恰好是华为今年新发布昇腾 950 芯片原生支持的精度，两者之间的适配不是巧合。DeepSeek 官方表示，等下半年昇腾 950 超节点批量上市之后，V4-Pro 的价格还会继续大幅下调。

在英伟达出口管制持续收紧的背景下，这次技术协同释放的信号很清晰：DeepSeek 在主动构建一条不依赖英伟达的算力通道。这件事的战略意义，比 V4 本身的产品发布要深远得多。

上述从业者称，昇腾这条线如果真的跑通，对整个国内 AI 生态意义巨大，现在大家都在英伟达这根管子上排队，一旦有一套可以平替的硬件基础设施成熟起来，算力的定价权和供给稳定性都会发生根本变化。DeepSeek 愿意在技术报告里公开背书昇腾，这个动作本身就不是普通的商业合作，更像是一个方向性的表态。

下半年随着昇腾 950 上量、价格进一步下探，V4 的实际影响力可能才会真正显现。