DeepSeek V4：1.6万亿参数+100万上下文，开源模型的新天花板
1.6万亿参数听着吓人，但每次推理只激活49B。100万token上下文不是PPT数字，是默认值。DeepSeek V4来了，开源模型的天花板又被顶高了一截。
2026年4月24日，DeepSeek在官网低调上线了V4 Preview。没有发布会，没有Sam Altman式的直播，就一个API文档页面和HuggingFace上的权重文件。但就是这个安静的发布，在接下来的72小时里炸翻了整个AI社区——CNBC、Forbes争相报道，Reddit上讨论帖刷屏，HuggingFace模型下载量直接拉爆。
为什么？因为DeepSeek V4不仅把开源模型的参数量推到了1.6万亿，更重要的是：它让100万token上下文成为了默认配置，而不是昂贵的可选增值。
一、DeepSeek V4：1.6万亿参数，但49B在干活
先说最核心的架构。DeepSeek V4延续了MoE（Mixture-of-Experts）路线，但规模比V3翻了一倍不止：
| 指标 | DeepSeek V3 | DeepSeek V4 Pro |
|---|---|---|
| 总参数量 | 671B | 1.6T（2.4倍） |
| 每token激活参数 | 37B | 49B（1.3倍） |
| 上下文窗口 | 128K | 1M（8倍） |
| 最大输出 | 8K | 384K |
| 注意力机制 | MLA | Token-wise压缩 + DSA |
| API兼容 | OpenAI格式 | OpenAI + Anthropic双格式 |
1.6万亿参数，这个数字确实唬人。但MoE模型的精髓就在于：不是所有参数都同时工作。V4 Pro每次推理只激活49B参数，占总参数的3%左右。换句话说，这1.6万亿参数像是一个超级庞大的专家库，每次只请出最相关的几位”专家”来处理当前任务。
这种设计带来的好处是显而易见的：
- 推理成本可控：49B激活参数意味着推理算力需求远低于1.6T参数的”全量模型”
- 专家多样性：1.6万亿参数分布在更多专家中，模型能覆盖更广的知识域
- 长尾能力提升：罕见任务能找到更对口的专家，而不是靠通用能力硬扛
和V3相比，V4最大的架构变化不是参数量，而是注意力机制。V3用的MLA（Multi-head Latent Attention）被替换为Token-wise压缩 + DSA（DeepSeek Sparse Attention）。简单来说，V4不再把过去所有token当成一个扁平列表来处理，而是把历史信息压缩成摘要，按需检索，同时保留一个小的精确局部窗口。这正是100万上下文能”跑起来”的关键——没有这个压缩策略，1M上下文的KV Cache能把任何GPU的显存吃干。
二、100万上下文：到底能塞多少东西
100万token是什么概念？我来算一笔账：
- 英文文本：约750万字，大概相当于7-8本《哈利波特》
- 中文文本：约150-200万字，约等于10-15本中等长度的小说
- 代码：一个中等规模的完整代码库（含所有依赖和注释）
- 学术论文：约200-300篇arXiv论文的全文
而且这100万不是某个”长上下文模式”需要特殊开关才能开启的——它是V4所有官方服务的默认值。Pro和Flash都一样，开箱即用。
更关键的是V4的缓存命中价格。Pro的缓存命中输入价格是$0.003625/百万token，比缓存未命中的$0.435便宜了120倍。这意味着什么？Agent工作流中反复重发相同的系统提示和文件上下文，成本几乎可以忽略。相比之下，Claude Opus 4.8的缓存命中价格是$0.50/百万token——两者差了138倍。
384K的最大输出同样值得关注。之前大多数模型的输出上限在4K-8K，V4直接拉到384K。这意味着你可以让模型一次性生成一整本小说、一份完整的技术文档、或者一次性重构整个代码模块，不用分段拼接。
三、Pro vs Flash：旗舰和省钱的怎么选
DeepSeek V4是DeepSeek第一次采用双型号发布策略，这也反映了一个现实：不是所有场景都需要旗舰模型。
| 规格 | V4 Pro | V4 Flash |
|---|---|---|
| 总参数 | 1.6T | 284B |
| 激活参数 | 49B | 13B |
| 上下文/最大输出 | 1M / 384K | 1M / 384K |
| 输入价格（缓存未命中）/百万token | $0.435 | $0.14 |
| 输入价格（缓存命中）/百万token | $0.003625 | $0.0028 |
| 输出价格/百万token | $0.87 | $0.28 |
| 并发限制 | 500 | 2500 |
| SWE-bench Verified | 80.6% | 暂无独立评测 |
选Pro的场景：复杂推理、代码生成、知识密集型任务、需要最高质量的Agent工作流。Pro在SWE-bench Verified上拿到80.6%，和Gemini 3.1 Pro并列开源模型最高分，但价格只有后者的1/14。
选Flash的场景：大规模批量处理、简单对话、快速分类、作为Agent的子任务模型。Flash的输出价格只有Pro的1/3，并发限制是Pro的5倍，吞吐量碾压。
一个实战中非常实用的策略：Pro做主控，Flash做子任务。DeepSeek官方的Claude Code集成方案就是这个思路——主模型用V4 Pro，子代理（subagent）用V4 Flash。复杂决策走Pro，简单操作走Flash，整体成本可以压到纯Pro方案的30-40%。
而且Flash还有一个隐藏优势：它可以本地部署。284B总参数/13B激活，量化后能跑在单张80GB GPU（如H100）上，两张48GB显卡也能搞定。这是开源模型第一次让”前沿级能力 + 可本地运行”成为现实。
四、Agent优化：为什么说它是给Claude Code准备的
DeepSeek V4发布时，有一个细节被很多人忽略了：官方专门开了一个Agent集成指南页面，详细说明如何将V4接入Claude Code、OpenCode和OpenClaw。这不是随口提提的——DeepSeek甚至专门发布了一个GitHub仓库deepseek-ai/awesome-deepseek-agent，收录了20种编码工具的集成配置。
以Claude Code为例，配置简单到令人发指：
export ANTHROPIC_BASE_URL="https://api.deepseek.com/anthropic"
export ANTHROPIC_AUTH_TOKEN="sk-your-deepseek-key"
export ANTHROPIC_MODEL="deepseek-v4-pro"
export ANTHROPIC_SMALL_FAST_MODEL="deepseek-v4-flash"
claude四行环境变量，就把Claude Code从Anthropic的API切换到了DeepSeek V4。不需要代理，不需要中间件，因为DeepSeek V4原生支持Anthropic API格式。这在V3时代是没有的——V3只支持OpenAI格式，要用Claude Code还得自己搭转换层。
为什么DeepSeek要专门为Agent场景做优化？因为Agent是2026年大模型最核心的应用场景。一个典型的Agent工作流，一次任务可能涉及几十次API调用，每次都要带上大量上下文（系统提示、文件内容、对话历史）。这时候两个因素决定了体验：
- 上下文长度：100万token意味着可以把整个代码库塞进去，不用精心裁剪上下文
- 缓存命中成本：Agent反复重发相同上下文，缓存命中价格$0.003625/百万token，几乎是白送
DeepSeek自己的内部编码已经在用V4驱动的Agent工作流了。官方原话：”Already driving DeepSeek’s in-house agentic coding。” 吃自己的狗粮，这才是真的有信心。
如果你想在Agent场景中进一步省钱，可以看看我们之前的多模型路由免费API方案，把不同任务路由到不同模型上，Pro和Flash灵活切换。
五、本地跑V4？别想了，但API真香
先说结论：V4 Pro基本不可能在个人硬件上本地运行。1.6万亿参数，即使FP8混合量化，也需要多节点GPU集群。vLLM官方文档给出的是”单节点部署用于测试”，前提是你有一台装满H100的机器。
V4 Flash则是另一回事。284B总参数，量化后可以跑在：
- 单张H100（80GB）
- 2×RTX 4090（48GB×2，使用Unsloth GGUF构建）
- 等效的多卡消费级方案
Flash是开源社区第一次拥有一个”前沿级能力 + 个人可部署”的模型。13B激活参数的性能接近V4 Pro，这在小参数量模型中前所未有。
但说实话，对大多数人来说，本地部署V4 Flash的意义更多在于数据隐私和离线可用，而不是性价比。DeepSeek的API价格已经低到让人怀疑人生：
- V4 Flash：$0.14/百万输入，$0.28/百万输出
- 每天花20次请求，每次50K输入+10K输出，一个月大约$6
- 同样的用量，Claude Opus 4.8大约$300/月，GPT-5.5大约$330/月
1美元能买多少输出token？
| 模型 | 输出token/美元 |
|---|---|
| V4 Flash | 357万 |
| V4 Pro | 115万 |
| Gemini 3.1 Pro | 8.3万 |
| GPT-5.4 / Sonnet 4.6 | 6.7万 |
| Opus 4.8 | 4万 |
| GPT-5.5 | 3.3万 |
| Claude Fable 5 | 2万 |
这个价格差距已经不是”便宜一点”了，是量级上的碾压。如果你还在为API账单发愁，可以看看我们的API中转站省钱方案，统一入口管理多个模型API，还能享受缓存优惠。
想了解各种本地推理方案的横向对比？参考我们的本地推理对比评测，从llama.cpp到vLLM，哪个方案适合你一目了然。
六、省钱实战：Flash路由到Agent工作流
理论说完了，来点实战。下面是一个真实的Agent工作流省钱方案，基于Claude Code + DeepSeek V4：
方案架构
用户请求
↓
Claude Code（主控）
├→ 复杂推理/代码生成 → V4 Pro
├→ 文件搜索/简单修改 → V4 Flash
├→ 上下文理解/总结 → V4 Flash
└→ 最终决策/审查 → V4 Pro关键配置
# 主模型：V4 Pro，处理复杂任务
export ANTHROPIC_MODEL="deepseek-v4-pro"
# 快速模型：V4 Flash，处理子任务
export ANTHROPIC_DEFAULT_HAIKU_MODEL="deepseek-v4-flash"
# 子代理：V4 Flash，并行小任务
export CLAUDE_CODE_SUBAGENT_MODEL="deepseek-v4-flash"
# 推理强度拉满
export CLAUDE_CODE_EFFORT_LEVEL="max"成本估算
以一个典型的编码Agent工作流为例：
- 每次任务平均15轮API调用
- 每轮平均50K输入token（含系统提示+文件上下文）
- 其中约80%的输入是重复的（缓存命中）
- 主模型输出约2K，子任务输出约8K
纯Pro方案：
- 缓存命中输入：15 × 40K × $0.003625/M ≈ $0.002
- 缓存未命中输入：15 × 10K × $0.435/M ≈ $0.065
- 输出：15 × 10K × $0.87/M ≈ $0.13
- 单次任务约$0.20
Pro+Flash混合方案：
- Pro调用5次，Flash调用10次
- Pro部分：约$0.08
- Flash部分：约$0.03
- 单次任务约$0.11
对比纯Claude Opus 4.8方案，同样任务大约$1.5-2.0。省钱90%以上，质量差距在多数编码场景中可以接受。
避坑提醒
- Flash不适合复杂推理：虽然Flash的简单Agent任务接近Pro水平，但多步推理、复杂数学、深层代码理解还是Pro更靠谱
- 注意缓存策略：DeepSeek的缓存命中有120倍的价格差，确保你的Agent框架不会每次都重新发送完整上下文
- API格式选择：如果你用Claude Code，选Anthropic格式；如果用OpenCode，选OpenAI格式。别混用
- 并发限制：Pro只有500并发，Flash有2500。高并发场景优先考虑Flash
- 旧模型退役：
deepseek-chat和deepseek-reasoner将在2026年7月24日15:59 UTC后完全停用，届时会自动路由到V4 Flash。如果你的代码里还用旧模型名，尽快更新
写在最后
DeepSeek V4的意义不只是”又一个大模型”。
它证明了几件事：MoE架构在1.6T参数规模上依然work，而且激活参数可以控制在49B；100万上下文不需要天价硬件，Token-wise压缩+DSA是可行的工程方案；开源模型可以在编码Agent场景中和闭源模型正面对抗，而成本只有后者的1/30。
当然，V4也不是没有短板。创意写作和UI生成方面，它和Claude系列、GPT系列还有差距。但如果你主要用的是推理、知识检索、代码生成这些场景——特别是Agent工作流——DeepSeek V4目前就是性价比之王。
没有之一。
by 数码罗记·godsun.pro
