全網最強萬字解讀：DeepSeek-V4 掀翻了誰的桌子？ | GAIR live 030

370倍的鴻溝，不只是限時促銷。

作者丨岑峰

GPT-5.5 “大杯版”的輸出價格是 130 美元/百萬 Token，而 DeepSeek-V4 只要 2.5 元人民幣。在同樣的智能水位下，兩者的成本差了整整 370 倍。

這絕非一場互聯網式的“補貼大戰”或限時促銷，而是一場已經持續了四年的中國特色“效率革命”。在 Agent 時代，當長程任務的一致性需求迫使 Token 消耗量呈指數級增加時，DeepSeek-V4 延續了其“用更少的資源做更多的事”的硬核傳統，再一次以極致的壓縮方案，將百萬上下文的門檻從“奢侈品”變成了“日用品”。

但省錢從來不是免費的午餐。每一次效率的跨代領先，都在系統復雜度、生態鎖定和能力邊界上埋下了伏筆。為什么 OpenAI、Anthropic 始終堅守稠密模型與原生長窗？DeepSeek 與昇騰芯片的深度軟硬綁定，究竟是國產替代的曙光，還是構建了新的技術孤島？當大模型競賽進入“系統戰爭”的深水區，誰能定義下一個十年的 AI 基礎設施？

在Deepseek V4發布當天的GAIR Live圓桌上，雷峰網聯合創始人岑峰對話三位行業專家：

• 數勢科技創始人兼CEO黎科峰

• 智源系統智能研究組研究員劉廣

• 清昴智能技術負責人楊澤乾

從產業競爭、系統生態和技術架構三個維度，拆解DeepSeek-V4的效率賬本。

01

四次"掀桌子"，掀的是不同的桌子

DeepSeek的"掀桌子"不是一生只有一次的事件，而是一場分階段、分維度的系統性進攻。黎科峰將V2到V4的四次發布拆解為四個不同的戰場：

?V2掀的是"價格桌"：KV Cache壓縮90%以上，API價格打到GPT-4的1%；

?V3掀的是"訓練桌"：不到600萬美元訓練出GPT-4o級模型，證明了中國團隊可以用極低成本做出世界一流基座；

?R1掀的是"推理桌"：30萬美元純強化學習涌現出CoT能力，讓全球看到推理模型不必依賴天價算力。

?而V4掀的，是"系統桌"：在 GLM、Kimi、Qwen、Gemini 等強手環伺下，V4 不僅補齊了 Coding、數學與長上下文的短板，更完成了對昇騰 910B 算力的徹底適配與 FP4 量化支持。

黎科峰指出，V4 的真正不同在于：它不再是“從 0 到 1”的驚喜，而是在“從 1 到 100”的正面戰場上，用工程能力和系統效率硬碰硬地贏了。

這種進化軌跡如同喬布斯提到的“連點成畫”（connecting the dots）：分散的效率突破，最終拼出了一幅完整的、獨立于 CUDA 生態之外的 AI 基礎設施圖景。

02

2%的算法暴力美學

在 DeepSeek-V4 的技術報告中，最令業界震撼的數字莫過于“2%”。在 Transformer 架構統治大模型的今天，長序列處理產生的 KV Cache 始終是顯存消耗的“黑洞”。

楊澤乾指出，DeepSeek 的進化本質上是一場“存量空間的戰爭”。V2 引入 MLA 壓縮了 90% 的緩存空間；而 V4 進一步祭出了 CSA（壓縮稀疏注意力）與 HCA（混合注意力） 的組合拳。這不僅是數學上的奇跡，更是工程上的大膽取舍。

楊澤乾認為，DeepSeek 將計算復雜度從傳統的 O(n2) 壓向了接近線性。這意味著，百萬級長文本從此前的“奢侈品”變成了“日用品”。這種“極致壓縮”路徑，雖然在極端長度下可能存在檢索性能的衰減，但它解決了“能用”和“好用”的門檻問題。

這種架構的復雜性，被嘉賓們稱為“算法的暴力美學”。它反映了這樣一種技術之美：在算力極度稀缺的背景下，中國工程師選擇用更復雜的系統邏輯，去對沖硬件資源的匱乏。當百萬級長文本不再是需要慎重使用的“昂貴資源”，Agent 的長程思考才真正具備了大規模落地的經濟性基礎。

03

效率革命的隱性代價：選擇即取舍

極致的省錢往往伴隨著復雜度的代價。楊澤乾直言，DeepSeek 的每一筆效率收益，都在其他地方留下了賬單：

1. 性能的衰減：CSA 和 HCA 的極致壓縮，導致在 128K 之后的長序列檢索性能出現不可避免的衰減。這種“遺忘的藝術”意味著在處理極端長度的邏輯推理時，模型可能出現邏輯斷層，這與 Claude 追求的“完美檢索”是截然不同的路線。

2. 架構的債：為了省錢，整體架構變得極其精巧且復雜。這雖然在訓練側省下了真金白銀，但在后續的跨平臺遷移、不同芯片的算子適配上，會帶來極高的工程難度。

3. MoE 的連貫性瓶頸：作為 MoE（混合專家模型）的極致信徒，DeepSeek V4 總參數 1.6T 卻只激活 49B，這種“細粒度路由”雖然效率驚人，但在需要高度全局一致性的長程 Agent 任務中，表現仍遜于昂貴的稠密模型。

這些賬單不是缺陷，而是深思熟慮后的選擇。DeepSeek 這種聰明之處在于：它清楚地知道自己在放棄什么，并且成功地將這些“放棄”轉化為了極具殺傷力的商業優勢。

04

長上下文的真相：我們只走了一半的路

雖然百萬上下文已成標配，但劉廣拋出了一個更尖銳的判斷：“現在的技術只解決了一半問題——能記住，但學不會。”

目前大廠的長文本策略各具特色：DeepSeek 走實用主義壓縮路線，成本極低；Gemini 走原生架構路線，全局一致性好但擴展性受限；Claude 追求高精度檢索，是法務和醫療場景的首選；OpenAI 則利用推理模型優化邏輯深度。

但這些策略本質上都是“記憶”而非“學習”。模型可以一次性吞下整本《三體》做總結，但無法在與用戶的長期交互中持續更新權重、沉淀個性化的知識。人一輩子讀的書可能遠超百萬 Token，卻能將其內化為智慧。大模型的長文本技術如果不能跨越從“臨時緩存”到“權重更新”的鴻溝，長上下文就依然只是一個更寬的、容易被溢出的漏斗。

這意味著，我們還在長上下文這條路上走了一半，剩下的那一半，是如何讓模型在交互中真正"成長"。

05

MoE vs 稠密，不是技術優劣，是生存策略

一個有趣的地理發現是：國內“開源御三家”（DeepSeek、千問、Kimi）不約而同選擇了 MoE 路徑，而 OpenAI、Anthropic 等美國巨頭仍傾向于稠密模型。黎科峰認為，這折射出的是中美兩國在資源約束下的必然選擇：

? 美國路線：核心邏輯是資本驅動的“大力出奇跡”，通過堆疊芯片和電力維持絕對領先。

? 中國路線：核心邏輯是約束驅動的“極致性價比”，在算力封鎖和預算受限的環境下，通過 MoE 實現“降維打擊”。

他用一個比喻道出了本質："家里有肉吃，為什么要去吃粗糧？"DeepSeek的MoE+FP4+昇騰綁定，不是"最優技術路線"，而是"受限環境下的最優解"。

但正是這條"粗糧路線"正在展現出驚人的競爭力。DeepSeek的API定價僅為海外大廠的1/10，讓中國模型在 API 定價上展現出了顛覆性的優勢。當性能接近、成本差一個量級時，商業化天平就會發生傾斜，迫使全球大模型產業重新思考成本紅線。

06

從模型競賽到系統戰爭

在圓桌的尾聲，三位專家達成了共識：大模型產業正從單純的“算力競賽”轉向全棧的“系統戰爭”。

黎科峰指出，對于擁有數萬名員工的科技巨頭，如果全員使用 AI 輔助編程或辦公，Token 成本將是天文數字。“用得起”本身就是最大的競爭壁壘。DeepSeek 的護城河，并不在于它比對手聰明多少，而是在于它成功地將 AI 從“少數人玩得起的奢侈品”，變成了“成千上萬家企業工具箱里的日用品”。

劉廣分享的案例更令人震撼：在國產算力生態中，以前編寫一個底層算子需要專家手寫一兩周，現在利用 Agent 輔助只需 10 分鐘。這種效能提升帶來的價值，正反向驅動著整個國產系統生態的進化。

DeepSeek-V4 的意義在于，它打破了 Scaling Law 只能靠“堆算力、堆參數”的增長慣性。它證明了：智能的邊界不僅由芯片定義，更由工程師的想象力和工程能力定義。桌子掀翻之后，最重要的不是誰掀的，而是誰能在廢墟上重建一個更便宜、更可控、更具生命力的 AI 秩序。

以下是此次圓桌討論的精彩分享，雷峰網進行了不改原意的編輯整理：

▎從“打榜”到“落地”，DeepSeek V4技術報告解讀

岑峰：各位嘉賓、朋友，大家晚上好。

昨天這個時候，我主持了一場關于Claw類產品Token焦慮的圓桌。當時我們討論了“記憶是資產還是負債”的命題。緊接著 DeepSeek V4 便震撼發布，它通過 CSA（壓縮稀疏注意力）與HCA（混合注意力）的混合架構，將 1M 上下文的 KV Cache 壓低至傳統方案的 2%。

換言之，當記憶規模爆炸，DeepSeek 選擇了“遺忘的藝術”，并以極高的架構復雜度作為支撐。

回顧其路徑，V2 將 KV Cache 壓縮 90% 以上；V3 以不到 600萬美元訓練出 GPT-4o 級別的模型；如今 V4 更是將上下文推理成本、1M 上下文的 KV Cache大幅降低。這種極致效率的領先，正在系統復雜度、生態鎖定和能力邊界上埋下深遠伏筆。

今天我們邀請到三位嘉賓，從效率與代價的角度進行拆解并分析：DeepSeek的極致效率意味著什么？中國開源御三家的開源 MoE 路線與西方的稠密模型路線將如何分化？下一個十年的AI基礎設施如何演變？

按照慣例，我們先請三位嘉賓分享各自視角下對Deepseek技術報告的深度解讀。

黎科峰：最近很熱鬧，GLM、Kimi、Qwen都發布了最先進的模型，在OpenSource榜單上面輪流坐莊。大家都在等 DeepSeek V4，今天它終于發布，從 Benchmark表現來看，其綜合感知明顯優于此前的開源模型，從股市上來看，DeepSeek概念股今天漲得非常瘋。

這次發布具有“掀桌子”的意義，核心體現在四點：

第一，真開源。DeepSeek 依然堅持最開放的 MIT 協議，不設商業化限制。在其他幾家大模型紛紛加碼開源“枷鎖”的背景下，這種堅持極為不易。

第二，V4 徹底適配了華為昇騰芯片并支持 FP4 精度。這標志著大模型從訓練到推理真正實現了中國自主安全可控的閉環。

第三，價格。隨著 OpenClaw 等 Agent 產品的火爆，Token 消耗量呈十倍級增長。海外閉源模型的高昂價格讓開發者難以承受，而DeepSeek 將價格壓到了 25 元人民幣/百萬 Token， Flash 版本更便宜，十倍量級。這極大促進了多 Agent 生態的落地。

最后，在關鍵能力上也有不俗表現， V4的亮點不僅在于降本，更在長上下文、數學及代碼能力上部分反超了海外領先的閉源模型。尤其是編程能力的提升，為大模型的應用生態拓展了巨大的空間。

完全開源、低成本、接近世界領先、完整國產化軟硬件生態，這四個核心點放在一起，既好又有用，而且還便宜。

劉廣：DeepSeek V4 的發布正值大模型從“打榜”轉向“落地”的范式拐點。當前 Agent 架構盛行，產業界最核心的關切已聚焦于長上下文的處理能力與綜合推理成本。

在技術架構上，V4 展現了極致的效率優化。其最顯著的突破在于實現了混合精度訓練：在專家層（Expert）使用 FP4 精度，其余部分采用 FP8。這種精度的跨越不僅大幅提升了訓練效能，在推理側也通過顯著壓縮 KV Cache 開銷，極大地降低了計算量與延遲。以往這類低精度支持高度依賴英偉達生態，但 V4 證明了國產芯片已能逐步適配混合精度量化的訓練與推理。這預示著國產算力將真正具備支撐超低成本推理場景的能力。

當然，國產生態在先進算法適配上仍存挑戰。DeepSeek 同步發布的 Tylan 庫，以及智源支持 8 款國產芯片的 FlagOpen 平臺，都在致力于打破這一瓶頸。我們關注的重點是“系統智能”——即利用 AI 能力反哺底層基礎設施。

在國產芯片的算子適配中，我們已開始利用 Agent 自動化工具完成復雜算子的精度對齊與調優。這種“模型能力提升帶動底層系統優化”的加速循環，將是未來的主流方向。DeepSeek V4 通過開源方案大幅壓低 Token 成本，為整個國產算力生態向極致效能演進提供了關鍵牽引。

楊澤乾：DeepSeek V4 技術報告中最令人震撼的突破，首先在于其對注意力機制的革命性優化。長期以來，Transformer 架構 O(n^2)的計算復雜度始終是長序列處理的瓶頸。雖然業內在探索 Mamba 等新架構，但其成熟度尚不及“MoE + Transformer”組合。此次V4 通過 CSA（壓縮稀疏注意力）與 HCA（重度壓縮注意力）的交替式設計，將 KV Cache 極致壓縮至傳統方案的 2%，使計算復雜度從O(n^2) 降至接近線性。這標志著百萬級長文本從此前的“高門檻消耗”轉變為低成本的“日用品”。

其次是異構算力環境下的訓練穩定性。針對在華為昇騰、華虹等國產算力底座上進行大規模預訓練的挑戰，V4 引入了 Break-off 投影與 ThinkingHorn迭代方案，實現了國產算力底座上的不停機穩定預訓練。同時，針對 MoE 架構，V4 利用 Ingram 機制有效解決了“模型越大、推理越慢”的行業悖論。

當然，追求極致效率必然帶來技術取舍。報告中提到了長文本的遺忘性，不會像Claude或Gemini的超長文本準確性那么強，一定長度之后存在邏輯斷層和精度損失，這是對極致效率追求的取舍。

此外，為了壓低成本，V4的架構變得極其復雜，這在后續的推理極致優化以及跨平臺遷移上，增加了額外的工程成本。但總體而言，這些取舍并未掩蓋DeepSeek V4 在國產算力約束下所展現出的卓越技術含金量。

▎掀桌子、RL 暴力涌現、OPD 工程權衡，Deepseek技術哲學的進化

岑峰：剛才三位老師從不同視角分享了 DeepSeek V4 的架構演進。楊老師最后提到的“取舍”非常關鍵。從 V2 到 V4，DeepSeek不斷證明用更少的資源可以實現更強的性能。但正如業界所言，極致的省錢往往伴隨著系統復雜度的代價。接下來的核心討論，我們將聚焦 DeepSeek 這種效率優先的技術路線。

請教黎科峰老師：DeepSeek 的歷次發布常被評價為“掀桌子”。從V2、V3、R1 到現在的 V4，您認為每一次“掀桌子”有什么不同？它們掀翻的是同一張桌子，還是開啟了不同的秩序？

黎科峰：“掀桌子”這個詞雖然被多次使用，但 V4 與往屆確實有顯著區別：

去年的 DeepSeek R1 解決的是“從 0到 1”的問題，它首次在開源界大規模實現了思維鏈（CoT）推理，讓全球看到中國團隊能以極低成本做出媲美閉源模型的效果。那是從無到有的驚喜。

而此刻的 V4 面臨的競爭格局截然不同。在 V4 發布前，GPT-5.5、Gemini 1.2 Pro 及國產的 GLM、Kimi、千問等已經輪番“坐莊”，已經有四波了。V4的壓力在于：如果你發布后的表現不如對手，那么“掀桌子”就無從談起。

經過初步測試，我們發現 V4 的表現非常堅挺，尤其在編程能力上， DeepSeek 早期就主打 Coding，但在此之前，大家在嚴肅的工業級場景中仍傾向于使用海外閉源模型。現在V4 的 Coding能力已經達到了可以作為生產力工具直接創造 AI 產品的水平，這是其能力的重大補齊。

另一個重要意義是擺脫 CUDA 生態的限制，智源等機構一直在推動國產算力生態（如 FlagOS 聯盟），但由于模型廠商對 NVIDIA生態的路徑依賴，推進難度極大。DeepSeek 此次通過深度適配昇騰芯片豎起了一面旗幟，在技術框架層面開辟非 CUDA 路徑，這種“掀桌子”是對算力底層壁壘的直接挑戰，也是我最為看重的。

另一個加分項，Deepseek始終堅持開源初心，在友商紛紛收緊開源協議，如將 MIT 改為受限協議時，DeepSeek依然保持全值開放、無商業限制。這種價值觀的穩定性在當前的產業環境下極具殺傷力。

岑峰：桌子掀翻之后重要的不是誰掀的，而是誰能夠在廢墟上面重新建立新的秩序。接下來想請教劉廣老師一個技術問題：R1 曾憑借 30 萬美元的純強化學習（RL）涌現推理能力，震驚全球并登上《Nature》封面。但最新的 V4 技術報告顯示，其后訓練階段已放棄純RL 路徑，轉而采用 OPD（在線策略蒸餾）。這種路線轉變是否意味著純 RL 的泛化邊界已經顯現？

劉廣：您這個問題問得非常好。最近強化學習的路線一直在討論非常多，agent RL構建新的環境腳手架，基于環境結合去做強化學習訓練，認為可以做真實生產環境的問題解決。DeepSeek又走了另外一條路徑。

大模型是由數據、算法、算力這“三駕馬車”驅動的。您剛才問的就是算法改進，但我看到它在數據上也做了很多突破，在硬件上也做了很多突破，主要突破點其實就是效率。DeepSeek一貫的風格就是把整個訓練的效率達到一個非常極致的狀態。

從 Scaling Law來看，DeepSeek 早在早期模型中就通過精確擬合找到了高數據效率的平衡點，從而將更多算力投入到參數規模的擴展上。此次V4 將數據規模從 14.8T 擴展到 30+T，參數規模也從 600B 增加到 1.6T。放棄純 RL 轉向 OPD，實際上是 DeepSeek 在追求極致訓練效率下的必然選擇。這種路徑為國產生態提供了巨大的信心。

智源推出的 FlagOS也是希望通過軟件層面的適配支持多元國產芯片。DeepSeek 的示范作用，能牽引更多人關注國產算力的極致效能優化。在實操中我們發現，這種FP4+FP8 的混合精度訓練對轉換精度非常敏感。如果要在國產算力上用 INT8 或 BF16跑這些權重，轉換過程中的精度損失是當前生態面臨的重要挑戰。我們將開放這些經驗，助力全行業解決國產芯片的適配難題。

岑峰：順著劉老師的回答，我想進一步請教楊澤乾老師：DeepSeek 后訓練哲學的轉變，是否在為早期追求極致效率而產生的架構債“還債”？

楊澤乾：您這個問題問得非常專業且技術。我認為V4 采用 OPD 并非放棄強化學習，而是一種更務實的工程權衡。

R1當時出來證明的是純強化學習方式能夠涌現模型能力的上限，但中間是不可控的，CoT思維鏈以及算力消耗都不可控。V4的OPD方式，也就是在線策略蒸餾，采用的是分布式專家的培養模式：先針對數學、代碼、agent執行這些領域去獨立訓練專家，用SFT和RL的方式訓練，然后再將這些領域的知識蒸餾到統一的學生模型中。

這個方式并不是放棄了RL技術路線，而是把強化學習放到了專家培養的階段，而在整體專家模型的集成階段，選擇了一種更高效、更穩定的蒸餾方式。這樣比較好地解決了DeepSeek V4這種萬億級模型在多任務場景下的性能退化問題。

▎長上下文與檢索，實用主義 vs. 完美主義

岑峰：謝謝楊老師。第一輪討論勾勒出一個清晰的脈絡：DeepSeek的效率至上既是工程能力的勝利，也是特定約束下的生存策略。每一次領先確實都有代價，但每一次里程碑都看到了DeepSeek在不同層面上的嘗試。這有點像喬布斯說的連點成畫，從不同的點進行嘗試，最后形成一幅完整的畫面。

接下來我們將進入第二輪：百萬上下文時代的技術路線之爭。長上下文已從“炫技參數”轉變為“基礎設施”，DeepSeek V4等主流大模型紛紛升級至百萬級（1M）上下文。請教黎科峰老師，為何長上下文會成為當前大模型競爭的焦點？

黎科峰：競爭的核心動力在于應用驅動。過去 DeepSeek 在應用層相對后覺，更關注 AGI 理想，而千問、字節、GLM 及 Minimax 等廠商早已通過APP 和開發者生態搶占灘頭。

這一年的變革極快。Manus 定義了 Agent 的自主規劃與工具調用模式，而 OpenClaw 則像是一個智能體版的 APP Store。這些復雜任務的處理需要長時記憶支撐。當 Agent組合多種能力處理長程任務時，拼出的 Prompt極其復雜，這對長上下文的連接能力提出了硬性要求。

DeepSeek V4的升級是補齊短板的重要一步。雖然它在應用層起步較晚，但這次發布顯示其正反向通過應用需求推動模型演進。大模型不再是舞臺中央的唯一主角，而是“搭臺子”的基礎設施，唱戲的是百花齊放的專家Agent。百萬級上下文是這個“臺子”最關鍵的基石。

岑峰：報告顯示 DeepSeek 在 128K 后的檢索性能有所衰減。請教楊老師，對比 Google Gemini 的原生長窗、OpenAI的o 系列推理加速及 Claude 的可控長文本，DeepSeek 這種極致壓縮路徑的優劣勢是什么？

楊澤乾：這四家目前全球 Token 調用量前四的廠商，在長文本策略上各具特色：DeepSeek V4是實用主義，通過 CSA+HCA 極致壓縮 KVCache，大幅降低顯存壓力。其優勢是極低成本與百萬級長度，適用于大規模代碼重構、架構分析及超長文檔總結。代價是全局高密度檢索性能會有所下降，且MoE 架構在處理跨領域知識融合時，穩定性稍遜于稠密模型。

Claude的路線屬于完美主義，追求最小化壓縮以保持信息完整。優勢是檢索精度和可控性行業頂尖，處理多任務調用能力極強。代價是成本最高，且在需要全局注意力時，速度必然受限。它更適合法律、醫療等高信息密度、對嚴謹性要求極高的場景。

OpenAI則是全面主義， 走漸進擴展+推理模型優化路線。優勢在于跨模態能力強（如 GPT-4.6/5.4），通過 o系列模型專門優化復雜邏輯推理。然而，其成本極其昂貴，如剛發布的 GPT-5.5輸出價格高達 130 美元/百萬 Token，與 DeepSeek 形成鮮明對比。

Google Gemini屬于二者的均衡折中，堅持原生架構支持長上下文，不依賴算法壓縮。優勢在于高密度知識檢索能力強，工程結構簡單，全局一致性好。缺點是硬件成本極高，架構靈活性有限，主要適應通用問答場景。

總結來說，DeepSeek 是以效率優先解決“能用、好用”的問題；Claude 追求極致精度；OpenAI 覆蓋全高端場景；Gemini則在精度與成本間尋找平衡點。

岑峰：DeepSeek V4 與硬件深度綁定，請教劉廣老師，這種“極致壓縮+低比特量化”是否會形成硬件的技術壁壘？跨平臺遷移是否會面臨性能損失？

劉廣：DeepSeek 的量化策略確實與硬件存在較強的協同關系，但這并非不可逾越的屏障。

智源 FlagOS 團隊曾嘗試進行“反量化”，將低比特權重升維至 FP16 或BF16。技術上是可行的，但坑在于量化精度對操作順序極敏感，反量化過程中可能出現精度誤差。

目前的長上下文技術其實才走了一半。雖然我們能讓模型“記住”1M 甚至更長的信息，但這只是暫時的記憶。AGI 的核心能力是持續學習，即模型應隨環境交互改變其權重，而不僅僅是堆砌上下文。

在生態側，長上下文為國產芯片帶來了差異化機會。例如當前流行的 PD 分離（Prefilling 與 Decoding分離）技術，有些國產芯片適合做預填充，有些適合做推理。智源也在布局異構通信等底層技術，支持在國產算力上實現長文本推理。總體來看，這種技術路線的演進正在衍生出大量新的機會。

▎MoE 的精打細算 vs. 稠密模型的擴張

岑峰：除了長上下文，大模型領域另一個顯著的路線分歧在于MoE（混合專家模型）與稠密模型。

目前，國內“開源御三家”（DeepSeek、千問、Kimi）均選擇了MoE 路線，而西方巨頭（OpenAI、Anthropic、Google）則在主力模型上依然傾向于稠密模型。黎老師，在 Agent 時代，這兩條路線將如何演化？MoE與稠密模型之間是否存在相互學習的空間？

黎科峰：中美技術選型的差異，本質上是不同資源約束下的必然結果。

對于國內團隊而言，技術選型面臨著“芯片封鎖”與“預算受限”的雙重壓力。我們必須在算力供給并不充裕、硬件性能稍遜于 NVIDIA頂尖產品的環境下，通過軟硬一體化優化出極致性能。這就迫使我們走向 MoE這種“精打細算”的路線。

反觀美國，雖然現在也面臨電力和基建的瓶頸，但其核心邏輯依然是資本驅動的大手大腳：通過堆疊更多的參數、購買更多的芯片來維持領先，形成了一套資本與算力綁定的游戲。

我認為中美的這種分化將長期存在，且各有勝場。

中國大模型會在成本維度形成“降維打擊”： 當國產模型的成本只有美國的 1/10，且性能差距縮減到毫厘之間時，這種成本優勢是極其恐怖的。

不過，二者目標設定也差異：中國團隊的目標非常清晰——通過開源和極致性價比實現“彎道超車”。這并不是說美國企業不懂低精度訓練或極致壓縮，而是他們的戰略目標不在于此。

最終，這兩條路徑會根據使用場景進行市場細分：追求極致精度、不計成本的場景屬于一類；而追求高性價比、大規模普及的場景則屬于另一類。DeepSeek在極度受限的條件下優化出的非 CUDA 生態路徑，讓我們看到了打破壟斷的希望。

岑峰：我們注意到，在針對復雜編程任務的評測（如 SWE Pro）中，DeepSeek V4（55.4%）略遜于稠密模型Claude 4.5（57.3%）。這是否說明 MoE 的專家分工模式，在需要長程規劃和高度統一表征的 Agent 任務中，不如稠密模型穩健？

楊澤乾：MoE 架構在處理復雜 Agent 任務時，確實面臨“連貫性”的天然挑戰。

以 DeepSeek V4 為例，其總參數量高達 1.6T，但單個 Token僅激活其中的 49B（約 3%）。這種動態路由機制雖然能以更小的計算量處理海量參數，但無法像稠密模型那樣讓每一個Token 都經過全部參數的統一處理，容易導致在長程任務中出現邏輯斷層。

但 MoE 并非決定性因素。例如 Kimi K2.6 同樣采用 MoE 架構，但在部分測試中卻優于某些稠密模型。DeepSeek V4在特定數據集上的劣勢，更多是其在效率與成本間進行極致取舍的結果。

目前，行業優化 MoE 應對長程任務的思路主要有三條：

1. 改進路由機制： 采用更智能的專家選擇策略，減少路由切換頻率，維持任務狀態。

2. 強化專家間信息共享： 提升專家網絡對全局任務目標的共識。

3. 針對性強化學習： 在訓練階段專門對長程任務進行 RL 優化，彌補架構帶來的連貫性損失。

岑峰：劉老師，如楊老師所言，MoE在Agent任務上存在"連貫性瓶頸"，而Agent正是2026年大模型最重要的落地場景，MoE路徑未來還有哪些可能的演進來解決這個問題？

劉廣：針對 MoE 路線的演進，我認為未來有兩個極具價值的研究方向。

首先是極致的稀疏化。DeepSeek 成功的關鍵在于將 MoE的粒度做得極細。細粒度專家雖然帶來了系統通信的挑戰，但也極大提升了模型表征的靈活性。DeepSeek幾乎把所有的稀疏化技術都用上了：稀疏注意力、稀疏 MoE，甚至是基于分布式表示的 N-gram。

這種稀疏化不僅能提升效率，還能幫助模型進行“感知量化訓練”。如果模型足夠稀疏，我們就可以通過剪枝去掉大量權重而幾乎不影響性能，甚至可以實現將多個不同領域的專家蒸餾到一個統一模型中的“后訓練范式”。

其次是打開 Transformer 的“黑盒”。過去我們將 Transformer視為不可拆解的整體，但現在的趨勢是將其細分、拆碎。通過觀測訓練過程中哪些環節的值不穩定，進行針對性的架構改進（如MHC 優化），讓訓練變得更穩健、更高效。

這種從理論機理出發，結合極致工程實踐的路徑，不僅能提升訓練效率，更能讓我們深入理解大模型的運行機制。

▎從省錢到賺錢的未來思考

岑峰：剛才三位老師深入探討了長上下文、MoE 與稠密模型的優劣。我們達成了一個共識：在百萬上下文和 Agent時代，并沒有唯一的“正確答案”。DeepSeek走的是極致性價比的壓縮路線，但在記憶完整性和連貫性上仍有挑戰；而海外巨頭如Anthropic 走完美主義路線，OpenAI 走全面路線，Google 走原生平衡路線。

最終，技術路線的差異要回歸商業本質：DeepSeek 這種“省錢”的能力，能否轉化成“賺錢”的能力？大模型產業是否正從“模型競賽”轉向“系統戰爭”？請教黎老師，您如何看待這幾種路線在商業化能力上的潛力？

黎科峰：技術領域從未有“一招鮮吃遍天”的方案，大模型最終會進入細分領域的深度競爭。例如，Claude 強在 Coding，GPT強在圖像與綜合推理，豆包強在多模態。DeepSeek 則聚焦文本處理，這是一種戰略上的克制。

關于商業化，我認為可以從兩個維度看：

首先，成本是商業化的生命線。就像汽車行業，豪華品牌固然存在，但真正統治市場的是豐田、大眾這類大眾化品牌。性價比永遠是大規模商業化中最重要的環節。目前Claude Opus 等高端模型的開銷，即使是對擁抱 AI 的企業來說也感到沉重的壓力，更遑論未來數萬名員工全員 AI 化后的開銷。因此，Token成本持續下探是行業必然。

從技術理想主義與長期主義的維度，DeepSeek比較特殊，其創始人梁文峰現階段表現出了極強的技術理想主義，更關注如何把東西做成世界最好，而非過早商業化。這種“厚積薄發”的策略，在國產軟硬一體化優化的背景下，可能對閉源大廠產生巨大的沖擊。當性能接近、成本僅為對方 1/10時，這種優勢是顛覆性的。

岑峰：極致效率、通用能力與落地穩定性，往往難以兼得。對于企業客戶和開發者，未來的模型選型標準會發生什么變化？哪種路線具備更長期的生命力？

楊澤乾：我認為大模型選型的判斷標準，正從單一的“模型有多聰明”轉向“系統效能的綜合評估”。主要看三個核心指標：

1. 成本可控性： 企業關注的不只是單次推理費用，而是當業務規模擴大 100 倍、完全 Agentic化之后，成本曲線是否能維持線性。在這一維度，極致效率路線具有壓倒性優勢。

2. 能力的確定性：開發者在核心場景中更看重模型的穩定性、可預測性和可解釋性。一個全能但“黑盒”且不可控的模型，其價值往往不如一個在垂直任務中表現穩健的專用模型。

3. 生態與部署的敏捷性： 能否快速集成到現有業務、能否在自有硬件上運行、出故障后是否有成熟的社區支持，這些都決定了落地的速度。

DeepSeek 走的是普適化邏輯：通過 10% 的能力差距換取 10 倍以上的成本優勢，將 AI能力變成成千上萬中小企業和開發者工具箱里的“日用品”，從而成為像水和電的行業基礎設施。而OpenAI等大廠走的是頂尖產品邏輯，為失敗容忍度極低、對成本不敏感的高風險場景提供不可替代的、最可靠的解決方案。未來市場會明顯分層，絕大多數商業場景將流向性價比更高的實用模型。

岑峰：劉老師，楊老師提到了系統生態的建設。未來 AI 廠商的核心競爭力，是否會從單純的算法研發轉向全棧的系統工程能力？

劉廣：這確實是大勢所趨。單一模型的能力存在局限，必須通過系統化（Agentic 系統）來擴展其邊界。

目前許多大廠已將原有的中臺能力轉化為工具或 MCP（模型上下文協議）接口。此次 DeepSeek V4 的發布，結合 Claude Code等開源/閉源腳手架，將極大加速這一過程。企業只需對模型權重進行微調，即可將其接入真實業務流程，產生實際產出。

分享一個我們的實踐：在國產算力生態中編寫算子。以前依賴專家手工編寫，周期長達一至兩周。現在利用 Agent 輔助，只需 10 到 20分鐘即可生成高質量算子，并在國產芯片上順暢運行。這種方式將人力成本從數千元降低到幾十元的 Token費用，這種價值的體現會反向驅動整個系統層面的進化。DeepSeek V4 第二次加速了 AI 輔助產業重塑的進程。

岑峰：今天的討論從 V2 談到 V4，從 MLA 架構談到 CSA+HCA 注意力機制，從“掀翻價格桌子”談到“重構基礎設施”。DeepSeek用四年時間證明：效率本身就是核心競爭力。

正如三位老師所言，在 Agent 時代，大模型面臨著對連貫性、可控性和商業可持續性的新考量。每一筆“省下的錢”背后都有復雜度的代價，但 DeepSeek最大的價值在于，它打破了 Scaling Law 只能靠堆算力和堆參數的慣性。智能的邊界不僅由芯片定義，更由工程師的想象力和工程能力定義。

桌子掀翻之后，最重要的不是誰掀的，而是誰能在廢墟上重建更便宜、更可控、更具生態生命力的秩序。至于未來格局如何，我們 2027年再見分曉。

Youtube鏈接：https://youtu.be/BgsVyoJTDEw

這次去 CVPR 現場，一定不要錯過

【認識大牛+賺外快】的機會

需要你做什么：把你最關注的10個大會報告，每頁PPT都拍下來

你能獲得什么？

認識大牛：你將可以進入CVPR名師博士社群；

錢多活少：提供豐厚獎金，任務量精簡；

聽會自由：你的行程你做主，順手就把外快賺。拍下你最感興趣的10個報告PPT即可。

如果你即將前往CVPR，想邊聽會邊賺錢，還能順便為AI學術社區做貢獻、認識更多大牛，歡迎聯系我們：[添加微信號:MS_Yahei]

【限額5位，先到先得】

未經「AI科技評論」授權，嚴禁以任何方式在網頁、論壇、社區進行轉載！

公眾號轉載請先在「AI科技評論」后臺留言取得授權，轉載時需標注來源并插入本公眾號名片。