从 67B 到 671B 再到 1.6T：DeepSeek 近三年换了五种结构，那道没变过的判断标准

2024 年的 DeepSeek-LLM 是 67B；2026 年 4 月的 DeepSeek-V4-Pro 是 1.6T（49B 激活）。到 2026 年 9 月的 V4.1-Flash，backbone 552B（另有 196B Engram），每 token 的 KV 足迹 890 字节。两年八个月，结构换了五次。

2026-10-17 的第十次更新（V4.1-Flash-1017）连结构都没换——它换的是后训练，也是三年来第一次「省资源」和「不掉点」同时发生（见 §13）。

每一次换结构都只做一件事：拆掉上一代最贵的那根成本项。

成本不会消失，只会换一个位置。贯穿五代的判据只有一条：省资源，但不掉点。

1. 一条规律：五次换结构，都在拆上一代最贵的成本

结构换了五次，指的是：潜向量 → 先压缩再稀疏 → 条目共享 → 量化（把权重或 KV 压成更低比特，用精度换带宽）→ 编码器-解码器。每一次都是换结构，而不是省着用。

按成本项走，每一代只回答一个问题——它拆掉哪根成本、付出什么、把问题推到哪。

拆掉的位置决定下一代的问题。V2 把 KV 压下去，占用就从”存不下”变成”搬不动”，于是才有 V3.2 之后的稀疏化；当 KV 便宜到可以忽略，成本又转到”思考”上，V4.1-Flash 真正的产品设计因此成了一个 effort 旋钮。

主线第 0–7 代对应 V 系列（LLM → MoE → V2 → V3 → V3.1 → V3.2 → V4 → V4.1-Flash）；R1 是自第 3 代分出的旁支——它基于 V3-Base 训练，能力又蒸馏回主线（V3-0324 / R1-0528）。代际编号是一种呈现方式，不是官方分类；日期取论文 arXiv 提交日或模型卡上线日。

这条线是一条成本拆解线：DeepSeekMoE 拆预训练 FLOPs；V2 用 MLA 拆推理期的 KV cache（KV cache 是把每一步算过的中间状态存下来、免得重算的缓存，MLA 把它压成远小于逐头 K/V 的潜向量）；V3 在 671B 规模上验证前两项仍成立；R1 拆”获得能力要花多少人工监督”；V3.2 拆长上下文里随长度线性增长的那部分；V4 把”先变小、再看着办”做成结构；V4.1-Flash 把每 token 的 KV 足迹压到 890 字节。

把这条规律说全：每一次成功的成本优化都不会结束问题，它只是把问题推到下一个更值钱的地方。

读者是想做技术选型、容量规划或成本判断的人；只想看模型强弱排名的话，这里不提供座次，只拆成本项。

图 1：DeepSeek 演进主线（第 0–7 代 + R1 旁支）。据论文与模型卡整理，各代机制与日期见后文与参考文献。

2. 九次发布一张表：每次拆的是哪根成本，代价又落在哪

下表铺开覆盖范围（至 2026-09-10 的 DeepSeek-V4.1-Flash）。「自述继承」列引论文原文或模型卡；第 0、1 两代该列在论文与卡片中无对应措辞，为归纳结果。

主线之外还有一批版本迭代，它们都建立在同一架构上，只做数据与解码增强，因此不单列世代：

• V3-0324 / R1-0528（2025 春）——R1 的能力蒸馏回主线，见 §7.1；
• V4-Pro-0813 / V4-Flash-0731（2026-07/08）——正式版，见 §11；
• V4-Pro-DSpark（2026-06-27）——投机解码轨件，见 §11；
• V4-Flash-Vision-Exp（2026-08-31）——首个多模态实验版，见 §11。
• V4.1-Flash-1017（2026-10-17）——同架构的后训练更新，首次同时缩短运行时间与输出长度，见 §13。

3. DeepSeek-LLM（2024-01）：先量清「多少数据配多少参数」，再定训练量

这代没有新架构，立的是预算纪律。

论文里的动机很直接：以往文献对「多少数据配多少参数」给出的结论各不相同，所以团队干脆把 7B 和 67B 两个开源配置的扩展规律自己研究了一遍，再按研究结果决定训练量；配套 2T tokens 语料与 SFT + DPO^[1]。

它的意义要到后面才显出来：后面每一代的「省」，都是相对一条算得清的学习曲线在省。没有这条曲线，「省」就没有参照系——你不知道自己省掉的是浪费还是能力。

4. DeepSeekMoE（2024-01）：参数总量做大，每 token 只算其中一小部分

继承：67B 稠密基座与 scaling law 预算纪律^[1]。拆解：预训练 FLOPs。

稠密模型的问题是：参数越大，训练越贵，而推理时每次前向都要把全部参数算一遍。MoE（混合专家）的思路是把参数总量和每 token 实际用到的参数分开——总参数做大，但每个 token 只激活其中几个专家。DeepSeekMoE 在此之上做了两个改动。

改动一：细粒度专家分割。传统 MoE 把专家做大做粗；DeepSeekMoE 把专家切成更细的粒度。总参数不变时，专家更小更多，每个专家被迫更专门化，可组合的专家对也更多。论文摘要把 fine-grained expert segmentation 与 shared expert isolation 列为两大核心创新^[2]。

改动二：共享专家隔离。每层特设 2 个恒激活的共享专家，吸收所有 token 都要学的通用知识。这样路由专家不必被迫「什么都学一点」，可以专心做专长。路由的打分与 top-k 选择（V2 沿用此方案）^[3]：

$$s_{i,t} = \mathrm{Softmax}_i\!\left( u_t \cdot e_i \right) \cdot \mathbf{1}\!\left[ s_{i,t} \in \mathrm{TopK}_r\!\left( \{ u_t \cdot e_j \} \right) \right]$$

读法：每个专家 $i$ 有一个门控向量 $e_i$。拿当前 token 的隐状态 $u_t$ 和它做内积，就得到这个专家的匹配分。归一化之后，只保留排名最前的 $K_r$ 个（V2 配置 6 个），其余专家在这一层完全不算。

总参数远大于激活参数，就是这么来的。

图 2：DeepSeekMoE 结构——共享专家恒激活，路由专家细粒度 top-k 选择。

配置（V2 论文超参一节，可直接核对的硬数字）^[3]：

证据（arXiv 摘要 + V2 §3.2.3）^[2][3]：同样性能下省了多少——

这一路继承了多少代？ 「共享专家 + 细粒度路由」这八个字从 2024-01 到 V4.1-Flash 几乎没变，变的只是规模：V3 每层 1 共享 + 256 路由、激活 8；V4-Pro 专家中间维 3072、V4-Flash 2048，均激活 6；V4.1-Flash 是 1 共享 + 384 路由、激活 6^[4][9][19]。V3 论文对 DeepSeekMoE 的评价是它已在 V2 上「thoroughly validated」，所以直接原样继承并放大。

留下的成本：训练省了，推理没省——自回归解码的 KV cache 还完整挂着。这正是 V2 要拆的那一根。

5. V2（2024-05）：KV 从 32768 维压到 576 维，推理成本第一次成为一等公民

问题定义。 自回归解码每生成一个 token，都要读一遍全部历史 KV。MHA 把每个头的 K/V 都缓存起来，头数越多、上下文越长，显存和带宽压力越大——长上下文的吞吐是被 KV 读取卡死的，不是被算力卡死的。

MLA 的做法是：不再缓存每个头的 K/V，只缓存一个低秩联合压缩后的「潜向量」，推理时再用可学习上投影还原各头的 K/V。这是一笔清楚的交换：用一点计算换一大截显存。而且上投影矩阵可以被吸收进 Q、O 的投影里，所以解码阶段根本不做还原，压缩只发生在缓存这一侧。

位置编码上额外保留一路解耦的 RoPE 键（64 维，不参与压缩）：因为 RoPE 对 key 是位置敏感的，与低秩压缩在数学上不相容，只能拆开。V2 论文 §2.1.3 明写「RoPE is incompatible with low-rank KV compression」^[3]。

图 3：DeepSeek-V2 整体架构（DeepSeekMoE + MLA 注意力）。来源：论文^[3] Figure 2。

图 4：MHA、GQA、MQA、MLA 四种注意力方案的 KV cache 结构对比。来源：论文^[3] Figure 3。

省了多少——按配置直接算（V2/V3 两代配置一致^[3][4]）：

$$\begin{aligned} \text{MHA}: \quad \mathrm{KV/token} &= 2 \times n_h d_h = 2 \times 128 \times 128 = 32768 \text{ 维} \\ \text{MLA}: \quad \mathrm{KV/token} &= d_c + d_h^{R} = 512 + 64 = 576 \text{ 维} \end{aligned}$$

32768 → 576，按 pure-KV-slot 口径是 1/56.9——这里的「槽位」只算每 token 存下来的 KV 维数本身，不含 per-head 的额外存储与元数据，所以它不是端到端的显存降幅；但论文自报的 −93.3% 是相对 DeepSeek 67B 的整体口径（层数与注意力配置都不同），不能和这里的 1/56.9 直接相减或互相换算^[3]。两个数各自都对，前提是别把它们放在同一个基准上。

长上下文侧，V2 用 YaRN 把窗口从 4K 扩到 128K（scale s=40、α=1、β=32，目标上限 160K），并按自家注意力调整了长度缩放因子^[3]。

证据。 −93.3% KV 之后，128K 上下文第一次在开源档位可用；吞吐 5.76×。更值得注意的是论文对注意力的定位——MQA/GQA 的消融（Appendix D.1）证明它们省了 KV 但性能不如 MHA，而 MLA 论文原话是「achieves better performance than MHA, but requires a significantly smaller amount of KV cache」^[3]。这是全篇第一次出现「省资源不掉点」的严格口径，之后每一代都在重复它。

留下的成本。 MLA 一路被继承到 V3.1-Terminus（V3.2 论文明确写它从 V3.1-Terminus 的 128K checkpoint 续训^[8]），但V4 换掉了注意力这条线：V4 的 core attention 是 Shared Key-Value MQA，每条（压缩后的）KV 条目既当 key 又当 value，不再给每个头还原 K/V。这是整条线上唯一一次「注意力模块整体重做」^[9]。

6. V3（2024-12）：671B 上 MLA + MoE 仍成立，但规模放大带来三笔新账

V3 的定位很明确：把 MLA + DeepSeekMoE 原样搬上 671B，然后处理规模放大后才出现的三个新问题。论文原话是架构基于 V2 已验证的 MLA + DeepSeekMoE，它的贡献在 FP8、无辅助损失均衡、MTP^[4]。

图 5：DeepSeek-V3 整体架构——看点是 MLA 注意力与 DeepSeekMoE 同处一个 block：右侧 Router 先选 Top-Kr 个路由专家，再与恒激活的共享专家相加。来源：论文^[4] Figure 2。

规模与成本（论文 Table 1 + §3.6）^[4]：

新问题一：精度不够用。 671B 参数全精度训练太贵，V3 用 FP8 混合精度——GEMM 输入 FP8、累加 FP32，细粒度缩放（1×128 tile 的 group-wise scale 因子），反向也 FP8 化省带宽。缩放形式（§3.3）：

$$x_{\mathrm{FP8}} = \mathrm{Round}\!\left( \frac{x}{\sigma(x)} \cdot \mathrm{clip}(\,\cdot\,,\, \pm 448) \right)$$

$\sigma(x)$ 是该 tile 的缩放因子，除完再裁到 FP8 可表示的 ±448。权重与激活都走 tile/block 级缩放，让 FP8 只有约 2 位指数位也不炸^[4]。

新问题二：专家负载不均。 MoE 天生有专家被抢、被闲的问题。传统做法是加一个辅助 loss 硬压负载，但那会伤模型。V3 改成用偏置动态调路由（§4.2）：

$$b_i \leftarrow b_i + \gamma \cdot \mathrm{sign}\!\left( l_i - \bar{a} \right)$$

意思是：某个专家这一轮负载 $l_i$ 高于平均负载 $\bar{a}$，就把它的门控偏置 $b_i$ 往上调一点，让它少被选；欠载的往下调。$\gamma$ 是更新速度（V3 取 0.001，到 14.3T tokens 后归零），另有序列级 balance loss 权重 10⁻⁴ 兜底^[4]。用一条符号更新代替一个 loss 项——这是「不加辅助损失」的字面含义。

新问题三：训练信号太稀疏。多 token 预测（MTP）：一次前向预测未来多个 token，训练目标额外加一项。V3 的 MTP 深度设为 1（V4 同为 1，说明三代没变）。收益有两层：训练信号更密；部署时可当 speculative 目标准备解码加速——这是 V4 时代 DSpark 的思想源头之一^[4]。

图 6：多 token 预测（MTP）机制——看点是主模型与各 MTP 模块共享 embedding 与输出头，分别预测第 1/2/3 个后续 token，并各自算一份损失（L_main、L_MTP¹、L_MTP²）。来源：论文^[4] Figure 3。

证据（§4.1/§5）^[4]：

• 训练稳定性：论文原话「we did not encounter any irrecoverable loss spikes or have to roll back」——14.8T tokens 全程无不可恢复尖峰、无回滚；
• 两阶段上下文扩展：32K → 128K；
• 在 MMLU、MATH、Codeforces 等基准上与 Llama-3.1-405B、Claude-3.5-Sonnet 同期对比取得头部成绩。

这条继承是全篇最硬的演进证据之一。 V4 论文逐项核对了 V3 的这三项。首先，它保留了 DeepSeekMoE 框架与 MTP（论文自述「retain the DeepSeekMoE framework and Multi-Token Prediction strategy」）。其次，无辅助损失均衡的两个超参完全相同：更新速度同为 0.001、balance loss 权重同为 10⁻⁴。唯一的改动是亲和度激活从 Sigmoid 换成 Sqrt(Softplus)，并移除了「每 token 最多发 4 个节点」的限制^[9]。

留下的成本：架构与训练都省了，能力怎么来？当时主流答案还是大规模 SFT 长思维链。R1 要拆的就是这根。

7. R1（2025-01）：不教过程，用规则奖励让长思维链自己长出来

R1 不在 V 系列编号里，它是自 V3-Base 分出的旁支：前几代拆的是钱，R1 拆的是监督。

问题在于 SFT——它依赖大量人工或机器造的长思维链，过度依赖监督会鼓励模型「照背」。R1 论文的原文表述是：对人工标注推理轨迹的依赖会「hinders scalability」^[5]。

范式（R1 论文 §1–§2）^[5]：

• R1-Zero：直接基于 V3-Base 做大规模 RL，不用 SFT 冷启动；
• 奖励只看最终答案正确性（规则奖励），不对推理过程施加约束；
• RL 框架是 GRPO。

GRPO 相对 PPO 的差别其实只有一处，但很关键：同一个问题采样 G 个回答，用组内奖励的标准化值当作「优势」估计。

为什么这样就够？因为同组答案难度相当、奖励均值相近，组内标准化本身就已经消掉了 baseline 的作用。于是整个价值网络（value model）可以省掉。目标里再加一项对参考模型的 KL 惩罚，防止策略跑偏太远。机制见论文 Figure 3 与 Eq.2–3^[5]。

图 7：R1-Zero 的 RL 训练曲线——AIME 2024 pass@1 从 15.6% 升到 71.0%（论文正文按 16 次采样取均值的口径；Figure 1a 曲线末点约 77.9%）。来源：论文^[5] Figure 1a。

图 8：DeepSeek-R1 完整训练管线（R1-Zero → 冷启动数据 → 大规模 RL → SFT 与拒绝采样）。来源：论文^[5] Figure 2。

证据（§4–§5）^[5]：

• 涌现证据：R1-Zero 在 AIME 2024 上 pass@1 从 15.6% → 71.0%（论文正文口径；Figure 1a 的全程曲线末点约 77.9%）；长 CoT、自我反思、策略自适应自发出现；
• 完整管线的主表：AIME 2024 79.8、MATH-500 97.3、LiveCodeBench 65.9、Codeforces percentile 96.3（rating 2029）；
• 蒸馏：Qwen/Llama 多个 1.5B–70B 小模型用 R1 的 80 万条样本蒸馏，小模型反超自家 Instruct 版；
• 学术共同体验证：Nature 2025（DOI 10.1038/s41586-025-09422-z）^[6]——一个工业 RL 训练产物走完同行评审，整除名与实现均公开。

7.1 R1 的能力怎么回到主线：蒸馏进 V3-0324，再回到 R1-0528

R1 的推理能力没有停在「一个」模型上，而是被蒸馏回主力线，形成两条并行^[11][12]：

• V3-0324：卡片自述 MMLU-Pro 75.9→81.2、GPQA 59.1→68.4、AIME 39.6→59.4、LiveCodeBench 39.2→49.2，并称写作风格向 R1 对齐、代码可用性增强；
• R1-0528：推理深度与幻觉治理全面加强。

这步的意义：「专用强模型」变成了「通用主力模型的能力来源」。这和后来 V4 把能力来源扩展成「十多个教师」^[9]，是同一条方法论的两个版本。

7.2 Math-V2：奖励从「答案对不对」改成「过程可不可验证」

DeepSeekMath-V2 把目标从「答案对」推进到「过程可验证」：训练一个 faithful 的 LLM 定理证明验证器，自述在 IMO 2025 与 CMO 2024 达到 gold 水平、Putnam 2024 得 118/120（scaled test-time compute）^[20]。

它不改主线的成本结构，但定义了 R1 之后「能力」怎么继续扩——从奖励答案，到奖励可验证的过程。

7.3 规则奖励 + GRPO：后训练底座从此换了

R1 之后，DeepSeek 的后训练长期沿用「规则奖励 + GRPO」：V3.2 的 Scalable RL 段仍是 GRPO 目标（加上 KeepRouting、Keep Sampling Mask、Off-Policy Sequence Masking 三个训练-推理一致性手段）^[8]；V4 的后训练两阶段里 RL 仍是域内强化手段，然后合并^[9]。

8. V3.1（2025-08）：一个模型两种模式，「想多久」变成一个开关

继承：V3 谱系。V3.1-Terminus 的 128K 权重是 V3.2 的起训 checkpoint^[8]——这代基本不动架构，动的是能力与数据。

技术点一：混合思维（hybrid thinking）。一个模型通过 chat template 切换 thinking / non-thinking 两种模式，用户不需要在两个模型之间选。卡片自述 V3.1-Think 达到「与 R1-0528 相当的答案质量但更快」^[10]。

技术点二：UE8M0 FP8 缩放格式。权重与激活的 FP8 scale 用 UE8M0（无尾数 8 位指数）格式，为后续 MX 类微缩格式打前站^[10]。这是「训练硬件协同设计」的直接体现——和 V4 后面把 FP4 塞进 KV cache 是同一条线。

技术点三：长上下文数据扩容。卡片自述在 V3-Base 之上做两阶段扩展：32K 段数据量 ×10 到 630B tokens、128K 段 ×3.3 到 209B tokens^[10]。注意：V3 时代长上下文靠的是「加数据」。

基准表（V3.1 卡片 Evaluation 段，四列列序已核对）^[10][11][12]：

混合思维可行且几乎不掉点（Thinking 列全面高于 NonThinking，且不逊于 R1-0528）。V4 系列把 effort 离散成三档（§10.4），V4.1-Flash 再把它做成 1–100 连续旋钮（§12）——「思考多少」这件事，从这代开始变成一个可编程的旋钮。

留下的成本：128K 窗口的 prefill 仍是 O(L²) FLOPs——注意力计算本身没变便宜，只是数据变多了。下一代要拆的就是「随长度增长项」本身。

9. V3.2（2025-12）：长上下文的成本，第一次不随长度线性增长

从 V2 到 V3.1，长上下文成本一路靠 MLA + 加数据压；但注意力本身仍是 O(L²) FLOPs + O(L) 的 full-attention 计算：context 越长，prefill 越贵。这一代第一次让「算力随 token 位置增长」这件事趋平^[8]。

9.1 NSA：把「看哪些 token」做成可学习的稀疏选择

NSA 论文提出可原生训练的稀疏注意力：动态层次稀疏 = 压缩分支（粗粒度 token 压缩）+ 选择分支（细粒度 top 块）+ 滑窗分支。两个关键点是算法侧算术强度均衡、实现侧与硬件对齐；64k 长度序列上解码、前向、反向均有加速（论文摘要口径）^[7]。

NSA 当时没有进主干模型，但约 10 个月后 V3.2 的 DSA 与 V4 的 CSA 都是它的直系后代：

图 9：稀疏注意力演进链——NSA（研究先手）→ DSA（V3.2）→ CSA/HCA（V4）→ CSA2（V4.1-Flash）。

9.2 DSA 落进主干：V3.2-Exp 只改了这一处架构

V3.2 论文对架构改动的口径非常克制：唯一架构改动就是引入 DSA（DeepSeek Sparse Attention）^[8]。

DSA 仍基于 MLA，但做了两件事。第一，给每个 query 加一个 lightning indexer：只用极少的头（论文口径：少量头、FP8 计算，索引开销接近零）算出一个索引分数，对每个历史 token 打分，然后按分数取 top-k 个 KV 位置——真正计算注意力时，只算被选中的那 k 个 KV。这就把 O(L²) 变成 O(L·k)。第二，索引器独立于主注意力单独训练，用一个 KL 损失让它「学得像主注意力怎么分布」，然后才放开全参数训练。

图 10：DSA 机制——MLA 潜向量之上加 lightning indexer 与 top-k 选择。来源：论文^[8] Figure 2。

两阶段 continued pre-training 表（V3.2 论文 §2.3）^[8]：

warm-up 阶段先让索引器学会「像主注意力一样看」，再放开全参数训练——这是让稀疏不塌精度的关键工程。

证据（V3.2 论文 §3、Figure 3、Table 1）^[8]：

• 论文在 H800（$2/GPU-hour 租金假设）上测 token cost vs token position：128K 之后 V3.2 的成本曲线明显低于 V3.1-Terminus（短序列前向用 masked MHA 模式）；
• 质量口径：论文 Table 1 给出 V3.2-Thinking 与 V3.1-Terminus 的逐项对比，结论是 sparse attention 未显著掉点（HLE 等少数项持平，多数项 V3.2 略优）；
• 论文自述定位：「DeepSeek-V3.2 achieves similar performance with Kimi-k2-thinking and GPT-5 across multiple reasoning benchmarks」——开源档第一次与闭源前沿在这组基准上同档。

图 11：单 token 成本随上下文位置的变化——横轴至 128K，V3.2 的成本曲线在同等位置上低于 V3.1-Terminus。来源：论文^[8] Figure 3。

9.3 后训练的三条线：RL 可扩展、agentic 数据、上下文管理

正式版 V3.2 在 DSA 之外主要是后训练升级，三条线都有论文口径^[8]：

1. Scalable RL：更多 GRPO 计算换更高上限，配套 KeepRouting / Keep Sampling Mask / Off-Policy Sequence Masking 三个训练-推理一致性手段；
2. Agentic 任务合成：先做统一「推理 + 工具调用」单一轨迹的冷启动（沿用 V3 方法），再放大——论文口径「we generate over 1,800 distinct environments and 85,000 complex prompts」，用这批合成数据驱动 RL，显著增强复杂交互环境下的泛化与指令遵循；
3. 通用任务的上下文管理：即便 128K 窗口，search 类 agent 仍会频繁顶到长度上限、让 test-time compute 提前截断。论文的解法是 prompt 侧的简单策略（token 用量超过窗口 80% 时触发）：Summary（摘要后重启 rollout）、Discard-75%（丢掉前 75% 工具调用历史）、Discard-all（仿 Anthropic 的 new context 工具）。实测（BrowseComp）：各策略在不同计算预算下都带来显著提升。

V3.2-Thinking 基准表（论文 §4.1 主表，列序已核对）^[8]：

思考预算量表（论文 §4.2，模型与产出 token 数）^[8]：

Speciale 用约 1.4 倍产出 token 换来 AIME +2.9、HLE +5.5、Codeforces +315：「给更多思考预算换更高上限」这条可量化的链，一路通到 V4 的三档模式和 V4.1-Flash 的 reasoning effort 1–100 连续参数。

继承关系（本节最重要）：V3.2 用 DSA 验证了「索引 + top-k 稀疏」可以在不伤质量的前提下让成本不随 linear context 线性涨；V4 论文开篇即自述 V4 的注意力建立在 DSA 之上（保留其 lightning indexer + top-k 稀疏选择），但把「选谁」的对象从完整 KV 改成了压缩后的 KV——问题从「不要全部看」变成「先变小、再看着办」^[9]。

留下的成本：稀疏省的是「看谁」，被看的 KV 条目本身还是全精度——条目本身还能再压。

10. V4（2026-04）：注意力拆成压缩、稀疏、远看三条路，1M 上下文变便宜

V4 的模型卡副标题就是 One-Million-Token Context Intelligence。两件事：1M 上下文常规可用，而且方式是「结构性便宜」，不是「省着用」^[9]。

主表（V4 论文摘要与 §4 配置）^[9]，V4-Flash 一列另可对官方模型卡^[14]：

其余共享配置（两代相同，§4.2）：CSA 压缩率 m=4、indexer query 头数 64、CSA top-k（Pro 1024 / Flash 512）、HCA 压缩率 m′=128、滑窗宽 128。

另有几项：所有块都是 MoE，但前 3 个 MoE 层用 Hash routing；MTP loss 权重 0.3，LR 衰减期起改为 0.1；偏置更新速度 0.001，balance loss 权重 10⁻⁴^[9]。

10.1 CSA + HCA：压缩后精读，远距离粗看

V4 的注意力从「MLA 的逐头 K/V」改成 CSA（压缩稀疏）与 HCA（重度压缩）交替堆叠^[9]：

图 12：DeepSeek-V4 整体架构——看点是同一个 block 内 CSA 与 HCA 交替，输出端再分成 Prediction Head（LM Loss）与 MTP 模块两条支路。来源：论文^[9] Figure 2。

• CSA（压缩稀疏）：先把 m = 4 个 token 的 KV 压成一条条目，再跑 DSA 的 lightning indexer + top-k 选择（Pro 选 1024 条、Flash 选 512 条），最后附一小段 sliding-window KV（宽 128）保局部细节；core attention 是 Shared Key-Value MQA——每条压缩条目同时当 key 和 value。
• HCA（重度压缩）：把 m′ = 128 个 token 压成一条 KV，不做 indexer/top-k，直接 dense attention。
• Shared KV 与消重边界：core attention 里每条压缩条目同时充当 key 与 value（shared KV MQA）；论文同时写明两层障碍，使 KV cache 不能跨所有层合并。在此前提下叠加 query 侧稀疏，论文算出 V4-Pro 单 token KV ≈ GQA8 基线的 2%（1M 上下文设定）。
• partial RoPE：只对每 chunk 的最后 64 维加位置编码，输出侧按位置反向涂抹，让 core attention 输出携带相对位置。这是继 MLA 解耦 RoPE 之后的第二代位置编码工程。

图 13：CSA/HCA 的压缩-稀疏注意力结构——看点是两条路径的分工：lightning indexer 只用少量压缩索引键算出 index scores，主路径据此 top-k 选出压缩 KV 条目，再拼一小段滑窗 KV 保局部细节；HCA 则省掉 indexer/top-k 直接 dense。来源：论文^[9] Figure 3。

为什么这是演进而不是推倒重来：DSA 在 V4 论文里被公式级复用（Eq.15–17 与 V3.2 的 Eq.1–3 同形），V4 只是在它前面多压一层、把「看谁」的对象从完整 KV 改成压缩条目。论文 §2.3.1 自己写明了 CSA = DSA + KV 压缩的关系^[9]。

V4 还刻意让压缩窗口「不含段边界」（取 m′ − 1 个中间块），以降低训练/推理不一致^[9]。

10.2 mHC、Muon、Hash routing：训练侧换了三件，V4 自己也不稳

mHC（流形约束超连接）：把残差连接升级为多路映射，并把残差映射矩阵约束在 Birkhoff 多面体上。这个多面体由「每行、每列的和都为 1 且元素非负」的矩阵组成，效果是把各层信号按比例重新分配（没有哪一路被放大），所以信号跨层的增益不会超过 1、不炸^[9]。直觉上这是给深层残差流装一个「音量旋钮的上限」。

工程代价被论文量化：mHC 额外壁钟时间被压到「只有重叠 1F1B 流水线阶段的 6.7%」^[9]。

Muon：大部分矩阵权重交给 Muon 优化器（动量 0.95、Nesterov、hybrid Newton-Schulz 迭代），AdamW 只留给 embeddings、prediction head、RMSNorm 与 mHC 偏置^[9]。

Hash routing：前几层的 dense FFN 换成「按输入 token ID 预定义 hash 目标专家」的 MoE 层，把最不稳定的早期层路由变成确定性函数^[9]。

「V4 也不稳」是这条线上最重要的一条证据。 V4 论文明写他们遇到了「notable instability challenges」——回滚只能暂缓、不能阻止 loss spike 复发；实证结论是 spike 与 MoE 层离群值一致出现，且路由机制本身会放大离群值。对策两招^[9]：

1. Anticipatory Routing：第 t 步用当前参数算特征、用历史参数计算并缓存路由索引，把 backbone 与路由网络的同步更新解耦。工程上在历史步预取数据、预计算并缓存索引，与 EP 通信流水化后，额外壁钟开销约 20%；
2. SwiGLU Clamping：linear 分量 clamp 到 [−10, 10]，gate 分量上界 10，直接压离群值。

对照看：V3 论文的「no irrecoverable loss spikes」在 1.6T 规模上失效了，V4 论文自己给出了成因、两条对策与可复现条件。规模换来的不只是能力，还有新的失效模式——这是全篇最诚实的一段。

10.3 基础设施：把 1M 上下文的显存账算平

出自 V4 论文 §3.3–3.5 与 §4.2^[9]。主题一句话：用编译器与形式化手段，把「新架构能不能稳定跑大规模」变成可证明、可复现的工程问题。

10.4 OPD 取代混合 RL：后训练只剩一条主线

V4 论文 §5 的后训练是两段：domain-specific post-training（SFT + GRPO）→ unified model consolidation。第二阶段用 On-Policy Distillation（OPD） 把多个域专家的能力合并成一个模型^[9]。

机制用一句话说清：学生模型自己采样轨迹，十多个教师在这同一条轨迹上逐 token 给出自己的分布，用加权 KL 距离（reverse KL）把学生拉向教师群的加权中心。相比 V3.2 时代的「specialist distillation + mixed RL」，整段被替换^[9]。

派生件：Quick Instruction tokens（短文快速指令格式）、DSec 沙箱（Rust 组件组成的生产级执行/评测沙箱）、三种 reasoning 模式（Non-Think / Think High / Think Max，见 V4-Pro 模型卡）^[13]。

10.5 V4 基准：哪些数字可信，哪些只是官方自比

Base Model（V4-Pro 模型卡，三列同设置）^[13]：

Instruct（V4-Pro-Max vs 前沿，max effort，节选；六列列序与卡片一致）^[13]：

论文与卡片对 V4-Pro-Max 的自我口径是「redefines the state-of-the-art for open models」；同时表里 Opus / GPT-5.4 / Gemini 在若干项（MMLU-Pro、HLE、MRCR、Terminal Bench 2.0）仍领先。

但更有价值的是 V4 论文对自己位置的判断——原文写在结论里^[9]：

its performance falls marginally short of GPT-5.4 and Gemini-3.1-Pro, suggesting a developmental trajectory that trails state-of-the-art frontier models by approximately 3 to 6 months

这句话比任何形容词都更能定位 V4 系列：在知识与推理基准上，DeepSeek 自评落后闭源前沿约 3–6 个月；而在 LiveCodeBench（93.5）、Codeforces（3206）等代码/竞赛项上它反而是当期最高。 一边是最性价，一边还差半年——这条张力一直延续到 V4.1-Flash。

11. 2026 年中期三次小版本：只调数据与解码，不动结构

预览版到正式版，架构没变，变的是数据与解码：

• V4-Pro-0813 / V4-Flash-0731：官方正式版，结构、上下文、精度全部不变，增强点在 agentic 后训练数据。同一张官方对比表内的跃升非常说明问题^[15][16]：

  版本跃升（同表同框架）	预览	正式版
  DeepSWE：V4-Pro	12.8	62.7（0813）
  DeepSWE：V4-Flash	7.3	54.4（0731）
  Terminal-Bench 2.1：V4-Pro	72.1	87.9（0813）
  Terminal-Bench 2.1：V4-Flash	61.8	82.7（0731）

  这些数字同表、同框架（DeepSeek Harness minimal 模式、max effort、temperature=1.0）；预览版与正式版的差距既有后训练因素，也有 agent scaffold 成熟度因素，只认「表内可比」，不做归因断言。

• DSpark：不是新模型，是附加在同一 checkpoint 上的投机解码模块——半自回归草稿生成 + 置信度调度校验。V4-Flash-0731 模型结构自述「与 V4-Flash-DSpark 相同」，实现开源在 github.com/deepseek-ai/DeepSpec^[16][17][21]。这是 MTP 思想的部署级延伸：V3 用 MTP 做训练/推理加速，V4 时代固化成可插拔轨件。

• V4-Flash-Vision-Exp：首个多模态实验版，在 V4-Flash 上加视觉模块续训；卡片自述对纯文本 agent 任务影响 comparable^[18]。

12. V4.1-Flash（2026-09）：每 token 的 KV 只剩 890 字节，成本从「记忆」转到「思考」

V4.1-Flash 模型卡的小标题就是「Pushing the Limits of KV Cache Compression」^[19]。到这一步，核心矛盾已经换了：agent 负载输入远重于输出，KV 从「推理副产物」变成「主要成本项」。

这一代五件事^[19]：

图 14：V4.1-Flash 结构——CED 编码器-解码器、CSA2 三种模式、FP4 main KV。

训练/后训练口径：从头训练 45T tokens，视觉（DeepSeek-ViT，2D-RoPE + 3×3 pixel-unshuffle）从预训练第一刻与文本同流；后训练沿用 SFT → RL → OPD，无算法改动，实质变化在数据管道；每层 1 共享 + 384 路由专家、每 token 激活 6 个^[19]。

把 KV 足迹这条线串起来（数字汇总，口径逐条标注）：

$$\begin{aligned} \text{DeepSeek-V3}: \quad & \text{MLA } 576 \text{ 维} \times 61 \text{ 层} \times 2\,\mathrm{B} \approx 70\ \text{KB/token} && \text{（bf16 口径推算；V2 为 60 层，约 69 KB）} \\ \text{DeepSeek-V4-Pro @1M}: \quad & \approx 2\% \text{ of GQA8 baseline} && \text{（论文口径）} \\ \text{DeepSeek-V4-Flash}: \quad & \approx 3.6\ \text{KB/token} && \text{（按模型卡「890 B ≈ 1/4」折算）} \\ \text{DeepSeek-V4.1-Flash}: \quad & 890\ \text{字节/token} && \text{（模型卡口径）} \end{aligned}$$

模型卡自评降幅：相对 DeepSeek-V4-Flash 约 4 倍；相对初代 DeepSeek-V1 约 437 倍（卡片 Figure 1(b) 与图注，两个基准都是卡片自报）^[19]。

基准表（V4.1-Flash 模型卡，max reasoning effort，列序与卡片一致；完整表见卡片）^[19]：

† HLE 仅文本子集。‡ 多模态四项（MMMU-Pro 起）为 V4.1-Flash 独有项，且出自卡片 Base 模型表（4-shot / 0-shot 口径），与本表其余行的 instruct「max reasoning effort」设置不同，不可直接比较。

Reasoning effort 1–100：思考预算成为连续整数旋钮（1–100），显式 trading inference cost for accuracy；表中所有 instruct 数字用 reasoning_effort=100。这是 V3.2-Speciale「更多产出 token 换更高分」和 V4 三模式的统一可编程化^[19]。

scaffold 敏感性（同一个 V4.1-Flash、不同 agent 框架，N=8）^[19]：

换 scaffold 的波动（DSH Minimal 72.6 vs Codex 65.6，7 个点）不小，但仍小于同表内换一代模型的差距（同卡片 DeepSWE v1.1：V4-Pro 62.7 → V4.1-Flash 74.2，11.5 点）。到这一步，「模型演进」已经不是单条曲线，而是模型 × 上下文工程 × agent scaffold 的三元函数。

13. V4.1-Flash-1017（2026-10-17）：结构没动，那条判据第一次不用交换

前九次发布，凡是换结构的，都要在「省资源」和「不掉点」之间做一次交换。第十次没有换结构：模型卡第一句称它是 V4.1-Flash 的 minor update^[22]，官方发布说明的措辞是「更强、更快、输出更短——一次性能与成本的帕累托改进」^[23]。

同结构，两样同时拿到。跑了两年多的判据，第一次不需要做选择。

基准表（V4.1-Flash-1017 模型卡，列序与卡片一致）^[22]：

† 仅 HLE 取文本子集；Terminal-Bench 4.0 用 Claude Code 框架、DeepSWE v1.1 用 Mini-SWE-V2 框架^[22]。

13.1 涨点涨在「任务」，不在「知识」

表里没有 GPQA。涨得最多的是长任务与工程任务：Terminal-Bench 4.0 从 31.2 到 42.3（+11.1）、ProgramBench 20.3→29.1（+8.8）、Apex Bench 64.6→72.1（+7.5）、Automation-Bench 54.8→60.5（+5.7）、HLE 36.8→42.6（+5.8）^[22]。官方把这条增量归给基于自反馈的强化学习——先跑出结果、看结果、再改，能力覆盖到从零建完整项目（游戏、3D 建模）^[23]。

这解释了为什么涨在任务侧：这类基准量的不是「知道多少」，是「能不能把一件事推到最后」；而「自己检查、自己改」正是后训练里新加的那一环。

13.2 省的是输出与墙钟，不是显存

官方同时给了两条下降：任务运行时间与输出长度；DeepSWE 还被画成一张 Pass@1 对「每任务成本」的曲线^[23]。选这条路径有价格上的依据：按 2026-10 的价目表，Flash 的输出 token 单价是缓存命中 token 的 200 倍（$0.6 对 $0.003，每百万 token，低谷价）^[24]。KV 已经压到 890 字节，再压它的边际收益越来越薄；而被省下来的每一个输出 token，值 200 个缓存 token。

「便宜的东西继续变便宜」和「贵的东西变少」在账上不是一个量级。1017 是这条主线里第一次把刀落在后者。

13.3 把「脚手架」写进了发布说明

模型卡注明 Terminal-Bench 4.0 用 Claude Code、DeepSWE 用 Mini-SWE-V2^[22]；官方另点名针对 DeepSeek Harness、腾讯 CodeBuddy、WorkBuddy 做了优化，并给出最低版本号^[23]。§12 里「模型 × 上下文工程 × scaffold」还是观察，到这里成了发布说明的一部分。

对做选型的人还有两条实用信息：deepseek-flash 背后的权重已换成 1017，旧名 deepseek-v4-flash 仍可调用、但由新模型提供服务并按 Flash 价计费；上下文 1M、最大输出 384K 不变^[24]。Search 与 Fetch 两个接口随这版开放，按请求计费（每个接口 $0.75/千次）^[23]——当 KV 便宜到可以忽略，成本就继续往外挪，挪到「调用了几次工具」上。

13.4 九天后，上一版「下一个战场在 effort 旋钮」的预测兑现了一半

10-08 那版在结尾写：「下一步的分水岭是谁能把 effort 旋钮做得更可预期。」1017 给了半个答案，方向却不在「更准的旋钮」：它把运行时间和输出长度一起压短，用户不去碰 effort 也能少付。可预期性那一半还空着——「再多想 20 步，能多换到什么」，今天仍然要自己试。

于是两条线第一次分了岔：结构线停在 890 字节，能力线还在往上走。这也是 1017 最不像「新模型」、又最值得记住的地方——当结构没什么可换的时候，被换掉的就轮到「想」本身的开销了。

14. 两条线：KV 足迹降了约 280 倍，能力从 RL 涌现走到 effort 旋钮

把八代（+旁支）和一次同代更新叠在一起看，是两条线。线本身平滑，但有三个转折点值得单独标出来。

第一次是 V2 的 MLA：它把推理成本从”模型选型的副产物”变成一等公民，此后每一代都要先回答”KV 怎么放”。第二次是 R1 的规则奖励：能力可以不靠人工写过程获得，后训练的底座从此换了。

第三次是 V3.2-Exp 的 DSA：它把”看谁”的成本从随长度线性增长里拆出来，长上下文第一次有了可持续的价格。

图 15：左——每 token KV cache 足迹从约 249 KB（GQA8 基线）降到 890 字节，跨度是 2024-05 的 V2 到 2026-09 的 V4.1-Flash（约两年半）；右——DeepSWE v1.1 能力（官方卡片口径，只画到 V4.1-Flash；1017 的 77.0 见 §13 表）。

KV 足迹线（统一按 bf16、同一 GQA8 基线折算，避免混基准）：GQA8 基线 ≈ 249 KB/token → MLA ≈ 70 KB/token（约 1/3.6）→ V4：1M 上下文 KV 为 GQA8 的约 2%（论文口径）→ V4.1-Flash 890 B/token^[19]。另：V2 论文自报相对 DeepSeek 67B 的 KV cache −93.3%，那是另一套基准，不参与这条折算链^[3]。每一步都不是「省着用」，而是换结构：潜向量 → 先压缩再稀疏 → 条目共享 → 量化 → 编码器-解码器。近三年里换了五种结构，才把这条线压下去约 280 倍（两个多数量级）。

推理范式线：R1 的纯 RL 涌现 → V3-0324 蒸馏 → R1-0528 deep thinking → V3.1 混合思维 → V3.2 scalable RL + Speciale 思考预算 → V4 三模式 + OPD → V4.1-Flash 连续 effort 1–100 → V4.1-Flash-1017 不改结构、只压输出与运行时间；旁线是 Math-V2 把「可验证」引入奖励^{[5][8][9][10][11][12][19][20][22][23]}。

两条线在 1017 这里分岔。结构线停在 890 字节，成本却按旧规律又转移了一次——从「记忆」转到「思考」之后，再转到「输出」。V4.1-Flash 的产品设计是 effort 旋钮，1017 把默认路径压短，等于把旋钮之外那层开销也摆上了台面：用户不拨的时候，模型也不必把话说满。这也是读这条主线最能得到启发的地方：一次成功的成本优化不会结束问题，它会把问题推到下一个更值钱的地方。

15. 下一站：effort 旋钮、过程奖励，以及模型之外的脚手架

读完整条线，好用的不是「DeepSeek 现在多强」，而是它给出的一个可预期的下一步。如果「成本会从便宜的地方转移到更贵的地方」这条规律继续成立，那么接下来最值得盯的是三件事。

一、effort 旋钮剩下的那一半是可预期性。V4.1-Flash 把思考预算做成 1–100 的连续整数，1017 又把默认路径压短了（§13.4）——能省的那一轮已经省过。下一步的分水岭不是把旋钮做得更细，而是让用户事先知道「再多想 20 步，能多换到什么」：一条可查的收益曲线，比一个 1–100 的整数更难做，也更有用。

二、奖励会继续从「答案」走向「过程」。 R1 用规则奖励证明了「不教过程也能涌现过程」；Math-V2 则把可验证性直接写进奖励（训练一个 faithful 的定理证明验证器）。这条线走下去，下一个成本项可能是验证：不是让模型想得更久，而是让它的每一步都能被便宜地检查。

三、「模型」这个词会继续被稀释。 V4.1-Flash 的 scaffold 敏感性说明，最终分数是 模型 × 上下文工程 × agent scaffold 的三元函数——同一个模型换框架，DeepSWE 波动可达 7 个点，与部分代际差距同量级；1017 干脆把 DSH、CodeBuddy、WorkBuddy 写进发布说明，厂商开始按框架调模型（§13.3）。这意味着成本优化的下一个战场未必在模型内部：脚手架与上下文策略里，还压着没被拆过的成本项。

还有一件确定性很高的事：规模会继续带来新的失效模式。 V3 的「无不可恢复尖峰」在 1.6T 上失效，V4 自己给出了成因、两条对策与可复现条件。所以往上再走一层，同类事情大概率还会重演。这也是全篇最值得带走的方法论——先测量，再选对要减的那个量，优化后重测。技术点会过时，这个顺序不会。

口径与边界：哪些数字是官方自报，哪些是折算值

说清可信度边界，便于判断哪些能直接用：所有数字均为论文/模型卡自报口径，未独立复测；表内跨模型对比也是官方自比（同一评测协议下的官方口径），不构成第三方基准。

1017 同此：它是同架构的后训练更新，「输出长度与运行时间缩短」官方只给了方向与曲线，没有给具体百分比；§13 的 200 倍按 2026-10-18 的官方价目表低谷价折算，价格随官方调整^[24]。其余推算是按论文配置折算的——MLA 的 70 KB/token、GQA8 基线的 ≈249 KB/token、V4-Flash 的 ≈3.6 KB/token（由「890 B ≈ 1/4」折得）；模型卡另给的「437 倍」是其 Figure 1(b) 相对初代 DeepSeek-V1 的自报口径。

代际划分与机制谱系归并（NSA→DSA→CSA、V3 无辅助损失→V4 anticipatory routing 等）是一种呈现方式，非官方分类；预览版到正式版的 benchmark 跃升只认同表可比，不做归因断言。

所以读到新版本时，先分清它动的是哪一层：结构、后训练，还是脚手架。三层的性价比不在一个量级，判断顺序也不该一样。

参考文献

[1] DeepSeek-AI. DeepSeek LLM: Scaling Open-Source Language Models with Longtermism. arXiv:2401.02954, 2024. https://arxiv.org/abs/2401.02954

[2] DeepSeek-AI. DeepSeekMoE: Towards Ultimate Expert Specialization in Mixture-of-Experts Language Models. arXiv:2401.06066, 2024. https://arxiv.org/abs/2401.06066

[3] DeepSeek-AI. DeepSeek-V2: A Strong, Economical, and Efficient Mixture-of-Experts Language Model. arXiv:2405.04434, 2024. https://arxiv.org/abs/2405.04434

[4] DeepSeek-AI. DeepSeek-V3 Technical Report. arXiv:2412.19437, 2024. https://arxiv.org/abs/2412.19437

[5] DeepSeek-AI. DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning. arXiv:2501.12948, 2025. https://arxiv.org/abs/2501.12948

[6] DeepSeek-AI. DeepSeek-R1. Nature, 2025. doi:10.1038/s41586-025-09422-z

[7] DeepSeek-AI. Native Sparse Attention: Hardware-Aligned and Natively Trainable Sparse Attention. arXiv:2502.11089, 2025. https://arxiv.org/abs/2502.11089

[8] DeepSeek-AI. DeepSeek-V3.2: Pushing the Frontier of Open Large Language Models. arXiv:2512.02556, 2025. https://arxiv.org/abs/2512.02556

[9] DeepSeek-AI. DeepSeek-V4: Towards Highly Efficient Million-Token Context Intelligence. arXiv:2606.19348, 2026. https://arxiv.org/abs/2606.19348

[10] DeepSeek-AI. DeepSeek-V3.1 官方模型卡. Hugging Face, 2025. https://huggingface.co/deepseek-ai/DeepSeek-V3.1

[11] DeepSeek-AI. DeepSeek-V3-0324 官方模型卡. Hugging Face, 2025. https://huggingface.co/deepseek-ai/DeepSeek-V3-0324

[12] DeepSeek-AI. DeepSeek-R1-0528 官方模型卡. Hugging Face, 2025. https://huggingface.co/deepseek-ai/DeepSeek-R1-0528

[13] DeepSeek-AI. DeepSeek-V4-Pro 官方模型卡. Hugging Face, 2026. https://huggingface.co/deepseek-ai/DeepSeek-V4-Pro

[14] DeepSeek-AI. DeepSeek-V4-Flash 官方模型卡. Hugging Face, 2026. https://huggingface.co/deepseek-ai/DeepSeek-V4-Flash

[15] DeepSeek-AI. DeepSeek-V4-Pro-0813 官方模型卡. Hugging Face, 2026. https://huggingface.co/deepseek-ai/DeepSeek-V4-Pro-0813

[16] DeepSeek-AI. DeepSeek-V4-Flash-0731 官方模型卡. Hugging Face, 2026. https://huggingface.co/deepseek-ai/DeepSeek-V4-Flash-0731

[17] DeepSeek-AI. DeepSeek-V4-Pro-DSpark 官方模型卡. Hugging Face, 2026. https://huggingface.co/deepseek-ai/DeepSeek-V4-Pro-DSpark

[18] DeepSeek-AI. DeepSeek-V4-Flash-Vision-Exp 官方模型卡. Hugging Face, 2026. https://huggingface.co/deepseek-ai/DeepSeek-V4-Flash-Vision-Exp

[19] DeepSeek-AI. DeepSeek-V4.1-Flash 官方模型卡. Hugging Face, 2026. https://huggingface.co/deepseek-ai/DeepSeek-V4.1-Flash

[20] DeepSeek-AI. DeepSeekMath-V2: Towards Self-Verifiable Mathematical Reasoning. Hugging Face, 2025. https://huggingface.co/deepseek-ai/DeepSeek-Math-V2

[21] DeepSeek. DeepSpec: Open-source speculative decoding toolkit. GitHub, 2026. https://github.com/deepseek-ai/DeepSpec

[22] DeepSeek-AI. DeepSeek-V4.1-Flash-1017 官方模型卡. Hugging Face, 2026. https://huggingface.co/deepseek-ai/DeepSeek-V4.1-Flash-1017

[23] DeepSeek. DeepSeek-V4.1-Flash-1017: Wish-Driven Programming Made Real（官方发布说明）. 2026-10-17. https://api-docs.deepseek.com/news/news261017

[24] DeepSeek. Models & Pricing（含 Search & Fetch 定价与 deepseek-flash 版本对应）. 2026. https://api-docs.deepseek.com/quick_start/pricing

评论

填个昵称就能发，不需要注册或登录

继续读

相关文章

优化技术该插在哪一格：一套三层坐标，与一个 KV Cache 推导

§专业洞察

AI Infra模型服务定义成功

2026-10-11

调优中的统计决策：为什么 3% 的阈值不够，以及那 3 次"重复测量"其实不够用

§专业洞察

AI Infra模型服务

2026-10-11

先修量具，再谈性能：一次 8 卡推理调优复盘，和一套带失败路径的调优状态机

§案例复盘

AI Infra模型服务

2026-10-11

让回滚永远可达：把"调崩了怎么办"变成脚本能证明的事

§案例复盘

AI Infra模型服务

2026-10-11

判据必须定义在最终产物上在写

§专业洞察

MethodologyAI Infra定义成功

2026-10-15