去年 7 月，由于 DeepSeek 下载量从高峰期的 8000 多万暴跌至 2000 多万，下滑 72.2%，"DeepSeek 跌落神坛 " 就成为了当时互联网最热门的话题。

但据多位知情人士透露，DeepSeek 即将重登王座。他们计划在二月中旬发布新一代模型 DeepSeek-V4。

也就是农历 2026 年新年期间，距离上一代模型 DeepSeek-R1 的发布正好一年。

这次发布的重点是代码生成和处理能力。

根据 DeepSeek 内部的基准测试，V4 在编程任务上的表现超过了目前市场上的主流竞品，包括 Anthropic 的 Claude 和 OpenAI 的 GPT 系列。

根据报道，在即将发布的新模型中，DeepSeek 团队解决了许多长期困扰 AI 发展的技术难题。很可能会彻底改变 Vibe Coding 产业。

01

报道中提到一件事，"DeepSeek-V4 模型在整个训练过程中理解数据模式的能力也有所改进，且性能未出现衰减。"

这句话有些难以理解，我们不妨拆开来解读。

首先是前半句，它指的是模型不再只是死记硬背数据，而是能看透数据背后的规律和逻辑。

DeepSeek-R1 有个具代表性的例子，就是让模型数 strawberry 里有几个 r。

由于当时的 DeepSeek 模型并不能理解 " 数 "（count）这个概念，只能根据训练时的数据来输出答案。可这个数据恰好又是错的，所以无论 DeepSeek 怎么思考，它给出的答案大多数情况都是 2，而不是正确的 3。

而 DeepSeek-V4 则会彻底杜绝这个情况，前提是在训练过程中，让模型彻底理解某一件事情。

后半句的性能退化，指的是在 AI 训练中，随着模型不断学习新东西或训练时间加长，往往会出现 " 学了新的忘了旧的 " 或者模型变得不稳定的情况。

这种现象在业内被称为 " 灾难性遗忘 "（Catastrophic Forgetting）或 " 模型坍塌 "（Model Collapse）。

因此，V4 在不断变聪明、变复杂的过程中，依然保持了极高的稳定性和原有能力的完整性，没有出现任何 " 副作用 " 或能力倒退。

这恰恰是构建编程 Agent 的前置条件。

在现代软件工程中，一个微小的修改可能波及数个文件、数千行代码的依赖关系。

但是以往的模型往往受限于上下文窗口或注意力机制的衰减，从而没办法对于庞大的项目进行修改。

V4 极有可能是一个为 "Agent 时代 " 量身定制的模型。

一年前，DeepSeek-R1 的发布确实在行业内引起了不小的波动。那款主打推理能力的模型证明了低成本研发路径的可行性。

然而一年后的今天，人工智能行业的关注焦点已经发生了显著转移。单纯的文本生成或逻辑推理已不再是唯一的竞争高地，代码生成正在演变为大模型能力的 " 试金石 "。

在当前的开发环境中，"Vibe Coding" 成为新趋势，要求 AI 不仅能补全代码，更能理解开发者的意图流（Flow），实现从自然语言到复杂工程逻辑的无缝转化。

DeepSeek 似乎已经准备好在新赛道上狂飙了。

02

如果深入梳理 DeepSeek 团队以及核心人物梁文锋在 R1 发布之后这一年里的学术轨迹，我们会发现一条清晰且扎实的技术演进路线。

这些公开发表的论文与技术报告，不仅是对过去成果的总结，更是 V4 强大能力的注脚与预演。

2025 年 9 月，DeepSeek-R1 的相关论文成功登上了顶级学术期刊《Nature》的封面，梁文锋署名通讯作者。

面对审稿人关于是否使用了 OpenAI 模型输出进行蒸馏训练的尖锐质疑，DeepSeek 团队在回应中给出了明确的否认，并首次公开了令人咋舌的低成本数据：从 V3-Base 训练到 R1，仅花费了 29.4 万美元。

当然，这个成本仅指 R1 的后训练阶段成本，不包含 V3-Base 基础模型本身约 600 万美元的训练投入。

数据公开后，以及《Nature》为此专门撰写的社论，标志着 DeepSeek 在学术严谨性和技术原创性上获得了国际最高认可，彻底洗刷了外界对于中国大模型 " 套壳 " 或 " 跟随 " 的刻板印象。

不过，真正能佐证 DeepSeek-V4 在代码方面有大幅突破的证据，是 2025 年最后一天，DeepSeek 团队发表的论文《mHC：流形约束超连接》。

代码生成任务对模型的逻辑深度和上下文跨度有着极高的要求，这通常需要更大规模的模型参数和更深的网络结构。

然而，传统的超连接（Hyper-Connections）架构在模型规模扩大时，会面临严重的信号增益问题，最终导致训练过程极不稳定甚至崩溃。

为了解决这一阻碍模型扩容的根本性物理难题，DeepSeek 团队在这篇论文中提出了一种全新的架构 mHC。

简单来说，它给狂奔的信号加了一道精密的阀门，将信号增益严格控制在 1.6 倍左右。

论文数据显示，在 3B、9B 乃至 18B 参数规模的模型测试中，应用了 mHC 架构的模型在 BIG-BenchHard 推理基准上提升了 2.1%。

这项由梁文锋联合署名的研究成果，实际上解决了大模型在 " 做大 " 和 " 做复杂 " 过程中的稳定性难题。

这意味着 V4 模型极有可能采用了这种全新的架构，从而在拥有更庞大参数量和更深层推理能力的同时，依然保持了高效的训练效率和极高的稳定性。

不仅如此，在 2026 年 1 月初，DeepSeek 悄无声息地将 arXiV 上的 R1 论文从原本的 22 页大幅扩充至 86 页。

这多出来的 60 多页内容，详尽地披露了 R1 的完整训练管线，包括冷启动、推理导向的强化学习（RL）、拒绝采样与再微调、以及对齐导向的强化学习这四个关键步骤。

业界普遍推测，这种在春节前夕 " 清库存 " 式的技术披露，往往预示着下一代更强大的技术已经成熟。

既然 R1 的技术细节已经不再是核心壁垒，那么即将到来的 V4 必然拥有了更高维度的护城河。

03

就在 2026 年的元旦，另一股来自量化界的力量也加入了战局。

由九坤投资创始团队发起成立的至知创新研究院（IQuestResearch），发布了名为 IQuest-Coder-V1 的开源代码大模型。我们曾在文章《又是量化基金，第二个 DeepSeek 时刻到来了？》中对其进行了报道。

这支同样出身于量化背景的团队，他们仅有 40B 参数的模型，在 SWE-benchVerified 测试中斩获了 81.4% 的高分，一举达到了 Claude 和 ChatGPT 的水平。

而在 Vibe Coding 的战场上，国内互联网大厂的动作同样不容小觑。

字节跳动的豆包在 2025 年初就推出了 Trae 编程工具，并在 AI 编程功能上实现了 HTML 预览、Python 运行和完整项目生成等能力，让开发者可以在一个界面内完成从构思到部署的全流程。

阿里的通义千问则在 12 月 26 日更新到了 Qwen Code v0.5.0 版本。

此次更新的最大亮点就是支持在终端窗口中同时运行四个 Qwen Code 实例，可并行处理智能问答、实时翻译、原型设计、创意绘图等不同任务，实现了 AI 编程 " 跳出命令行 " 的突破。

不过，真正引发行业震动的，是豆包在硬件终端上的突破性尝试。

2025 年 12 月 1 日，字节跳动与中兴通讯合作推出了搭载豆包手机助手的努比亚 M153 工程样机，售价 3499 元，首批约 3 万台在当天迅速售罄，甚至在二手市场炒出了高价。

这款手机助手的核心能力在于跨应用操作。用户只需用自然语言下达指令，AI 就能自动跳转多个应用完成点外卖、订机票、比价购物等复杂任务。

这一系列动作背后，折射出的是 AI 大模型从云端走向终端、从工具走向入口的战略转型。

说不定 DeepSeek 手机也不远了。

与此同时，资本市场也迎来了大模型行业的收获季。

曾经历过 " 百模大战 " 喧嚣的中国 AI 行业，正在加速向头部收敛。智谱 AI 和 MiniMax 这两家公司均已成功上市。

智谱是 1 月 8 日在港交所敲的钟，发行价定在 116.2 港元 / 股，上市第一天就给了市场一个惊喜 —— 开盘 120 港元，收盘 131.5 港元，第一天就涨了 13.17%，市值一下子冲到 578.9 亿港元，成了 " 全球大模型第一股 "。

第二天开盘直接 137.2 港元起，收盘 158.6 港元，较首日收盘价又涨了 20.6%，市值也跟着涨到 698.21 亿港元，两天下来从发行价算已经涨了快 37%，完全没给空头机会。

MiniMax 比智谱晚一天，但风头更劲。发行价 165 港元 / 股，而且是顶格定价，上市前一天的暗盘就已经涨了 25%-29%，报 205.60-212.60 港元。

上市当天开盘 235.4 港元，涨了 42.7%，之后一路飙升，盘中最高到 351.8 港元，最终收盘 345 港元，较发行价暴涨 109.09%，市值来到 1054 亿港元，成了千亿市值俱乐部新成员。

虽然高额的研发投入使得两家公司目前仍处于亏损状态，但强劲的增长曲线证明了市场对于高质量 AI 模型的付费意愿正在形成。

中国 AI 方兴未艾，但当全球目光已经再次聚焦到 DeepSeek 身上。一年前那个用低成本路径颠覆行业认知的团队，即将在春节期间交出新的答卷。

DeepSeek 能否第二次 " 震惊全世界 "，只要再等几天就会知晓。