一、“贾跃亭下周回国”式发布：V4到底去哪儿了？

“DeepSeek V4到底什么时候出？”

这句话，可能是2026年前三个月里，AI圈被问得最多、也最让人窝火的问题。

1月说春节前后，2月说中旬，3月传本周上线，一次次把开发者吊到嗓子眼。GitHub仓库的Star在涨，社区的热情在烧，但新模型就是迟迟不来。随着一次次希望落空，DeepSeek被网友无情戏称为 “贾跃亭下周回国”式发布：永远快来了，但总差最后一步。

2025年12月1日DeepSeek V3.2发布的那一天，是中国AI史上最燃的一刻。开源社区直接沸腾，全球开发者欢呼，中国力量第一次在数学、代码基准上硬刚闭源巨头，被誉为“中国版OpenAI o1升级版”。然而距离V3.2已经整整3个月过去，V4却仍旧“只闻楼梯响”。

反观OpenAI几乎月更一次，Anthropic更是密集连发Claude 4系列，把“agent闭环”玩得风生水起。

DeepSeek到底怎么了？为什么曾经的“火箭式迭代”突然刹车？

过去几个月，DeepSeek V4的发布时间表已经被反复“预告”了太多次——1月春节前后、2月中旬、3月初、再到4月窗口，把开发者一次次吊到嗓子眼。有人怀疑DeepSeek“江郎才尽”，有人说V4只是PPT模型，甚至有传言说团队内部出了分歧。

但如果你仔细追踪过去三个月DeepSeek的动态——不是看他们在“发什么”，而是看他们在 “做什么” ——你会发现一个完全不同的故事。

V4没有准时到来，不是因为做不到，而是因为DeepSeek在做的，是一件前所未有的难事：把1万亿参数的旗舰大模型，无缝迁移到国产芯片生态上，还要让性能不打折、成本更便宜。

这不是常规发布，这是一场 “去英伟达化”的技术长征。

今天，我就把这三个月DeepSeek“失踪”的背后故事，从头到尾扒个干净。

二、V4为什么“难产”？三个关键词解释一切

要理解DeepSeek V4为什么迟迟不来，只需要记住三个词：**技术突破**、**算力转型**、**战略野心**。

2.1 关键词一：技术突破——1T参数MoE + Engram记忆 + mHC

DeepSeek在V4上押注的技术，每一项都是“高难度动作”。

首先，V4采用约1万亿（1T）参数的MoE架构，但推理时仅激活约32-37B参数。总参数量增加49%的同时，推理成本却不会大幅上升。

但想让万亿参数模型稳定训练，本身就是一项“不可能任务”。DeepSeek的解决方案是 mHC（流形约束超连接） 。传统超连接会破坏残差网络的恒等映射，导致信号放大失控——在27B参数的测试模型中，信号增益曾超过3000倍，训练直接崩溃。mHC通过Sinkhorn-Knopp算法将连接矩阵投影到数学流形上，把信号放大控制在1.6倍以内。

效果呢？在27B测试模型上，mHC在BBH、DROP、GSM8K、MMLU等多项基准中带来了5-7个百分点的稳定提升，而训练时间开销仅增加6.7%。Counterpoint Research的首席AI分析师将这一突破形容为 “惊人突破” 。

第二项硬核技术是 Engram条件记忆——把静态知识存储从昂贵的神经网络计算中剥离，转向O(1)复杂度的确定性查找。传统的注意力机制在百万token的上下文下性能严重衰减，“大海捞针”准确率仅84.2%。而Engram把这一数据拉到了97%。

100万token上下文 + 97%的检索准确率，意味着V4能一次性“吞下”数本书籍或超长代码库，并在其中精准找到任何一条信息。

第三项是 DualPath推理框架——DeepSeek联合北大、清华在ArXiv悄悄发布的全新Agent推理框架，核心是利用解码引擎闲置的存储网卡带宽来加载KV-Cache，配合高速RDMA网络传输。实测在660B规模的生产级模型中，离线推理吞吐量提高1.87倍，在线服务吞吐量平均提升1.96倍。

这些技术每一项都需要大量的验证和打磨。1万亿参数的模型不能拿用户当小白鼠——DeepSeek选择先把路踩实，再拿出来给全世界看。

2.2 关键词二：算力转型——从CUDA到CANN的“换心脏”手术

如果说技术突破是“难”，那算力转型就是“险”。

2026年4月的最新消息显示，DeepSeek V4已全面基于华为昇腾芯片完成适配与优化，并将国产芯片厂商置于优先位置。

V4的底层代码，已经从头开始从英伟达的CUDA框架，彻底迁移到华为自研的CANN框架。这相当于给一辆正在全速行驶的F1赛车“换发动机”——一边不能停，一边要换掉整个动力系统。

这意味着什么？

这不是在NVIDIA H100上训练好模型，然后“适配”一下国产芯片就完事。而是从训练到推理的整个技术栈，全部基于国产算力架构重新设计和优化。V4系列将包含三个不同定位的模型版本，所有模型均采用国产芯片架构设计——从硬件到软件的完整技术栈实现自主可控。这在人工智能领域尚属首次尝试。

为了确保V4在国产硬件上顺利运行，DeepSeek过去数月与华为及寒武纪密切合作，对模型底层程序进行了调整与重写，并同步开展测试验证。华为也在加速扩产，计划2026年生产约60万枚昇腾910C。

当然，算力转型也有代价。DeepSeek需要重新适应CANN生态、重新优化算子、重新调试分布式训练框架。这一过程无疑会拉长发布周期，但从长远来看，这是一步不得不走的“先手棋”。

2.3 关键词三：战略野心——同时推进至少两款国产大模型

V4的推迟，还有一个被大多数人忽略的原因：DeepSeek的野心不止一个模型。

消息人士透露，DeepSeek还在同时推进至少两款完全基于国产AI芯片训练的大模型，目前正处于同步推进阶段。V4系列将包含三个不同定位的模型版本，每个版本都针对特定应用场景进行专项优化。

此外，有消息称DeepSeek正在开发 DeepSeek V4 Vision——一个专门的多模态版本，独立于常规V4。这进一步印证了DeepSeek分层产品线的布局：快速版侧重响应效率、专家版强化复杂推理能力、视觉版支持图像理解等多模态交互。

一个团队，三款模型，同一套国产算力底座。

DeepSeek不仅仅是在发布一个模型，而是在搭建一个完整的产品矩阵。从文本到多模态，从轻量到旗舰——这解释了为什么V4“迟到”了，因为它背负的期待远超一个参数迭代。

三、成本碾压：为什么硅谷最怕的不是DeepSeek的技术，而是它的账单

3.1 训练成本：从1亿美元到560万美元的降维打击

DeepSeek V3的训练成本仅约560万美元。而据报道，OpenAI训练GPT-4花费了超过1亿美元。

1亿美元 vs 560万美元。 将近20倍的差距。

这一差距揭示了一个重塑AI经济学的根本问题：前沿性能是否需要数十亿的计算资源，还是架构创新提供了更便宜的路径？DeepSeek的答案正随V4给出。

3.2 推理成本：1万亿参数，只要$0.14/百万token

更夸张的是推理成本。

根据DeepSeek官方技术预告，V4的推理成本预计比GPT-4低70倍——约**$0.14/百万token**，甚至比一些70B参数的模型还便宜。

作为对比：GPT-4的API定价高达**$10/百万token**，Claude 3.5约**$3/百万token**。

这意味着同样的任务，用V4的成本是用GPT-4的七十分之一。这不是“更便宜”，这是“免费”的另一种说法。

3.3 部署门槛：双RTX 4090跑万亿参数模型

在部署门槛上，V4也实现了“平民化”。

DeepSeek V4可在双RTX 4090上本地运行，在Apache 2.0许可下开源权重。传统稠密1T模型需要8张A100（约6-8万美元），而采用Engram查算分离后，部署成本可降至约1200美元，削减了90%以上。

一个万亿参数的模型，可以在消费级显卡上跑起来。

当训练成本只有对手的5%、推理成本只有对手的1.4%、部署门槛从数据中心降到个人桌面时，西方AI厂商的商业模式将面临无法回避的拷问：我凭什么收这么贵？

四、华为昇腾：DeepSeek V4的“算力底座”有多强？

4.1 从CUDA到CANN：底层代码彻底重写

V4全面转向国产算力，最核心的标志是：底层代码已经从英伟达的CUDA框架，彻底迁移到华为自研的CANN框架。

这不是简单的“兼容”或“适配”，而是从零开始的重新设计和优化。CANN是华为昇腾AI处理器的核心软件栈，相当于英伟达CUDA的“国产替代”。把一套已经在大规模生产环境中验证过的万亿参数模型代码，全部迁移到另一个生态——这需要DeepSeek和华为两边的工程师花数月时间反复调校、逐行测试。

据报道，DeepSeek在V4发布前夕打破行业惯例，未按惯例将预发布版本交付英伟达、AMD等美国芯片巨头进行优化，而是选择将优先测试机会提供给华为等国内供应商。

4.2 昇腾910C/950PR：算力参数有多猛？

V4的算力底座是华为今年3月亮相的昇腾910C，采用中芯国际7nm工艺，搭载华为自研达芬奇架构，晶体管数量达530亿，FP16精度下算力达800TFLOPS，内存带宽高达3.2TB/s。

更令人震撼的是Atlas 950集群的数据：FP8算力达到8E FLOPS，FP4算力达到16E FLOPS，互联带宽达到16PB/s——这意味着一个产品的总互联带宽，已超过今天全球互联网峰值带宽的10倍有余。

4.3 国产算力的“黄金时代”

V4全面基于昇腾芯片完成适配与优化，意义远超一次模型发布。

国产AI芯片正迅速填补英伟达芯片受限后的市场缺口。2025年中国市场AI加速卡总交付量达400万片，其中国产半导体厂商交付165万片，拿下41% 的市场份额。华为昇腾以81.2万张出货量断层领跑，占国产总出货量的49.2%。

阿里、字节、腾讯等科技巨头已提前向国内厂商下单数十万颗芯片，为V4的发布做备货准备。行业观察人士指出，若消息属实，这代表中国人工智能产业在算力自主化方面取得实质性进展，可能重塑全球AI技术竞争格局。

当最前沿的AI模型跑在中国自己的芯片上，整个行业的竞争规则都在被重写。

五、开源 vs 闭源：DeepSeek正在改变游戏规则

5.1 Apache 2.0：真正意义上的“开源”

DeepSeek R1系列采用MIT许可证，V4预计延续Apache 2.0策略。这是真正意义上的开源——用户可以任意修改、自由分发、打包进商业产品，无需支付版税，也没有月活阈值之类的隐藏条款。

当Meta在许可证上摇摆不定、Anthropic对第三方工具竖起围墙时，DeepSeek用最开放的姿态赢得了开发者信任。Hugging Face上96.5%的数据集和95.8%的模型都缺失了使宽松标签真正有法律效力的许可文本，DeepSeek是为数不多满足许可文本一致性要求的模型之一。

5.2 “没有商业模式”才是最强的商业模式

DeepSeek真正的护城河不是模型能力、开源程度或价格，而是彻底没有商业模式与外部资本约束。

DeepSeek不需要像Meta那样面对资本回报压力，不需要像Google那样平衡开源与闭源的双轨战略。这解释了为什么DeepSeek能在训练成本上做到西方竞争对手的5-10%、在推理成本上做到10-40倍优势——不是因为它“找到了捷径”，而是因为它可以纯粹地为技术突破而创新，不受资本回报周期的干扰。

5.3 中国开源的“快慢辩证法”

从2025年12月到2026年3月，OpenAI迭代了4次，Anthropic迭代了2次以上，而DeepSeek大版本迭代为0次。

表面上看，DeepSeek“变慢”了。但站在另一个维度看，DeepSeek正在做的，恰恰是西方巨头做不到的事：

• 把万亿参数模型从CUDA迁移到CANN
• 把推理成本从$10/百万token降到$0.14
• 把部署门槛从数据中心降到消费级显卡
• 把训练成本从1亿美元压到560万美元

真正的“快”，不是发布频率，而是技术代际跨越的幅度。

六、向量引擎

在DeepSeek V4即将重磅登场的节点，我也想顺带推荐一下日常工作中离不开的工具——向量引擎。

如果你想在V4发布后第一时间接入测试，或者想要一个安全、稳定、国内直连的API解决方案，可以看看向量引擎。

官方地址：https://178.nz/csdn

保姆级教程：https://www.yuque.com/nailao-zvxvm/pwqwxv

七、V4发布后，世界会变成什么样？

7.1 编程能力重塑：从代码生成到仓库级推理

泄露的基准测试显示，DeepSeek V4在HumanEval上得分约90%，在SWE-bench Verified上超过80%，与Claude Opus 4.6同一梯队。

这意味着AI编程能力正在从“生成函数片段”进化到“理解整个代码仓库”。这已经接近于一个经验丰富的人类软件工程师的水平。

7.2 开源VS闭源的终局战

当开源模型的质量达到或超越闭源模型、成本只是零头、且可以本地部署保护数据隐私时，闭源模型将面临一个无法回答的问题：我为什么要付费？

DeepSeek V4将采用Apache 2.0许可开源权重，代表了中国自原始DeepSeek冲击以来对西方AI主导地位最可信的挑战。

7.3 中美AI竞赛的分水岭

如果只看“最强模型的前沿能力”，美国仍领先，但已经不是代际差，更多是数月到一年级别；如果看“工程效率、成本和落地速度”，中国几乎没有时间差，局部甚至更快。

V4的全面国产化，可能会成为这个判断的终极验证。

八、写在最后：好饭不怕晚，V4值得等待

DeepSeek V4的推迟，让不少人失去了耐心。

但从另一个角度看，这是中国AI第一次站在“定义者”而非“跟随者”的位置上——它在做西方巨头没做过、甚至不敢做的事：把1万亿参数的模型，跑在完全自主可控的算力底座上。

好消息是，V4真的不远了。据多方渠道消息，V4预计在4月亮相，届时大概率仍是开源最强，但报道也点明 “很难是碾压级的强” 。

不过对于DeepSeek来说，V4要做的从来不是“碾压”。它只需要证明一件事：中国AI不依赖英伟达，也能走到世界最前沿。

而这一点，已经足够让整个行业颤抖了。

好饭不怕晚，V4值得等。