文 | 世界模型工场

DeepSeek V4，又一次让全中国震动了。

参数规模、上下文长度、基准分数……这些技术指标已经被各种报道反复对比。

但如果只停留在表面数据，就错过了这次发布最具战略意义的核心。

过去三年，中国大模型始终困在一个尴尬的现实里：训练靠英伟达，推理也靠英伟达，国产芯片只算备份选项。

英伟达一断供，整个中国模型圈都要为之焦虑。

但今天，DeepSeek V4 用实力证明：

一个前沿的万亿参数级大模型，也可以在国产算力上稳定高效地跑起来。

这件事的意义，已经超过了模型技术指标本身。

国产化的突围

要真正理解这次国产化适配的难度，就得先明白英伟达的芯片帝国。

英伟达拥有的不只是芯片，而是一个高度闭环的完整生态：

硬件上，有 GPU 芯片家族，加上 NVLink、NVSwitch 实现芯片间互联的高速网络；

软件上，CUDA 是英伟达十几年精心打造的 AI 操作系统。

它像一座高度优化的工厂，从最底层的算子（模型计算的基本单元），到并行计算、内存管理、分布式通信，全链路都为英伟达 GPU 量身定制。

换句话说，英伟达不只卖发动机，它还把道路、加油站、维修厂、导航系统都修好了。

全球顶级大模型几乎都生长在这片生态上。

切换到国产算力，面临的却是完全不同的情形。

硬件架构不同、互联方式不同、软件栈成熟度不同、工具生态仍在快速追赶。

DeepSeek 想要适配国产芯片，根本不是简单的换个引擎，而是给一辆已经在高速公路上高速行驶的赛车，切换到一条仍在铺设中的山路。

稍有不慎，就会出现抖动、失速，甚至整车无法前行。

这一次，DeepSeek V4 没有选择只沿着 CUDA 路径继续优化，而是开始同时进入国产算力的软件栈适配链路。

从公开信息看，V4 在基于国产推理芯片已实现了突破，深度适配华为昇腾 950 芯片，寒武纪在模型发布当日也可稳定运行，真正实现 Day 0 适配。

这意味着，前沿模型开始具备在国产芯片体系内落地的可能性。

DeepSeek V4 是如何做到的？

第一步，发生在模型架构层。

V4 没有选择让国产芯片硬扛 1M 上下文，而是先把模型自身变得更省。

官方技术报告里最关键的设计，是 CSA + HCA 混合注意力机制，以及 KV Cache 压缩等长上下文优化。

简单说，传统的长上下文推理，是让模型每次回答问题，都把一整座图书馆摊开来翻，显存、带宽和算力都会被迅速吃满。

V4 的做法，是先把图书馆里的资料重新索引、压缩和筛选，只把最关键的信息送进计算链路。

这样一来，1M 上下文不再完全依赖硬件蛮力，而是先通过算法把计算账和显存账做小。

这对国产芯片非常关键。

如果模型仍然高度依赖显存带宽和成熟 CUDA 库，国产芯片即使能跑，也很难跑得便宜、跑得稳。

V4 先降低推理负担，本质上是在给国产算力减压。

第二步，发生在 MoE 架构和激活参数层。

V4-Pro 虽然总参数达到 1.6 万亿，但每次推理只激活约 490 亿参数；V4-Flash 总参数 2840 亿，每次激活约 130 亿参数。

这意味着它不是每次调用都把全部参数拉出来计算，而是像一个大型专家团队，任务来了只叫相关专家上场。

对国产芯片来说，这同样重要。

它减少了每次推理必须承受的计算压力，也让长上下文和 Agent 场景更容易被推理卡承接。

第三步，是算子和 Kernel 层的适配。

CUDA 生态最强的地方，是大量底层计算已经被英伟达打磨成熟，很多高性能计算可以直接调用。

V4 的意义在于，它部分关键计算从英伟达黑盒里抽出来，变成更可迁移、可适配的自定义计算路径。

通俗一点说，V4 像是把发动机里最关键的零件拆开，让华为昇腾、寒武纪等厂商可以按自己的芯片结构重新调校。

第四步，是推理框架和服务层。

国产芯片适配如果只停留在 " 跑 Demo"，产业意义并不大。真正值得关注的，是它能否进入可调用、可计费的服务体系。

据内部测试，在昇腾 950PR 上，V4 推理速度较早期版本获得显著提升，能耗也有明显下降，单卡性能在特定低精度场景下达到英伟达特供 H20 的 2 倍以上。

DeepSeek 官方提到，当前 V4-Pro 受限于高端算力，服务吞吐有限，预计下半年昇腾 950 超节点批量上市后，价格会大幅下调。

这表明，随着昇腾等国产硬件批量量产，V4 未来吞吐量和性价比还将进一步优化。

但值得注意的是，V4 并没有全面替代英伟达的 GPU 和 CUDA。模型训练可能还离不开英伟达，但推理已经可以逐步国产化。

这其实是非常现实的商业路径。

训练是阶段性投入，训练一次、调一次、迭代一次。推理是持续性成本，每天千万、亿级用户调用，每次都要花算力。

模型公司真正烧钱的大头，长期会越来越偏向推理。谁能更便宜、更稳定地承接推理需求，谁就能在产业应用里获得真实优势。

DeepSeek V4 第一次让中国前沿模型的推理部署，出现了一条不以英伟达 CUDA 为默认前提的路线。

这一步已经足够有分量。

V4 对产业应用的冲击

如果说国产芯片适配回答的是能不能跑起来，那么价格回答的就是另一个更现实的问题：

企业用不用得起？

过去 DeepSeek 最厉害的地方，正是它能把接近前沿模型的能力，压到极低价格。

V3、R1 时代如此，V4 依然如此。

区别在于，这一次它不是在普通上下文窗口里打价格战，而是在 1M 上下文 +Agent 能力的前提下继续压价。

按照 DeepSeek 官方价格：

V4-Flash 的缓存命中输入 0.2 元 / 百万 tokens，缓存未命中输入 1 元 / 百万 tokens，输出 2 元 / 百万 tokens；

V4-Pro 的缓存命中输入 1 元 / 百万 tokens，缓存未命中输入 12 元 / 百万 tokens，输出 24 元 / 百万 tokens。

把它放进同类国产模型里看：

与阿里 Qwen3.6-Plus 在 256K-1M 档位相比，V4-Pro 输出价约为其一半，V4-Flash 更低。

与小米 MiMo Pro Series 在 256K-1M 档位相比，V4-Flash 和 V4-Pro 都明显更便宜。

Kimi K2.6 的上下文为 256K，相比之下，V4-Pro 上下文更长、价格更低；V4-Flash 则直接把高频调用成本压到另一个量级。

这对企业应用意义极大。

因为 1M 上下文，意味着模型可以一次读完整代码仓、厚厚的合同包、几百页招股书、长期会议纪要，或者一个 Agent 连续执行任务时积累下来的历史状态。

过去很多企业应用卡在这里，模型能力够，但上下文不够；上下文够，价格又太贵；价格能接受，模型能力又不够稳。

比如，一个企业做投研 Agent，要让模型同时读公司年报、财报电话会、行业报告、竞品新闻和内部纪要。

上下文只有 128K 或 256K 时，系统往往要不断切片、检索、摘要，信息在多次压缩中丢失。

1M 上下文可以让模型保留更多原始材料，减少看漏和断片。

再比如代码 Agent。

它不是一次性写几行代码，而是要读仓库、理解依赖、修改文件、运行测试、根据报错再修复。这个过程会反复消耗 tokens。

如果每一步都很贵，Agent 就只能做演示，但如果 tokens 足够便宜，它才可能进入真实研发流程。

这也是 V4 的产业价值。

它未必是最强模型，但可能成为企业最高频的模型。

DeepSeek 再次让 AI 从少数大厂的专属玩具，变成千行百业都能规模化部署的生产力工具。

V4 的真正价值

当 1M 上下文以极低价格走向产业一线时，DeepSeek V4 的真正分量才显露出来。

这一切，是建立在国产算力尚不成熟的底座之上。

面对国产芯片生态的系统性差距，DeepSeek 团队没有选择等生态成熟再上线。

他们把发布窗口一再推迟，投入数月时间，与华为等伙伴展开深度联合调试，这样的工程难度，远超外界想象。

正因如此，V4 在国产算力上实现接近顶级闭源模型的推理与 Agent 能力，才显得格外不易。

V4 用自身证明，即使面对硬件生态的阶段性差距，中国团队依然可以通过极致的工程投入和软硬件协同创新，跑出有竞争力的性能。

当然，距离完全成熟仍有差距。

昇腾平台的工具链完善度、超大规模集群的稳定性、以及更多垂直场景的深度优化，都需要产业各方继续共同努力。

但 V4 的成功，已为后续模型铺设了一条可借鉴的路径。

它为整个 AI 供应链的自主可控，注入了一剂强心针。

在外部环境充满不确定性的当下，这份在限制中仍能突破的韧性，比单纯的参数指标更值得尊重。

" 不诱于誉，不恐于诽，率道而行，端然正己 "。

这句来自 DeepSeek 官方的文字，正是它最好的注脚。