DeepSeek 创始人梁文锋确认 V4 将于 4 月下旬发布，万亿参数、百万上下文，核心是 Engram 条件记忆架构、流形约束超连接和 DualPath 双路径系统三大技术突破。

DeepSeek V4 下周发布，三大架构组件曝光

DeepSeek 创始人梁文锋 4 月 10 日在内部沟通中确认：新一代旗舰模型 DeepSeek V4 将于 4 月下旬正式发布。这是继 R1 推理模型之后，DeepSeek 今年最重要的产品更新。

更关键的是，普林斯顿博士生 Yifan Zhang 在社区透露了 V4 的三项核心架构组件：Engram 条件记忆架构、流形约束超连接（mHC）、DualPath 双路径推理系统。这三个技术点不是简单的参数堆叠，而是从底层重构了大模型的记忆、训练和推理机制。

从去年 V3 以"低成本高性能"颠覆行业认知，到现在 V4 的架构级创新，DeepSeek 的打法越来越清晰：不跟 OpenAI 拼算力，而是拼效率和工程能力。

DeepSeek V4 架构示意图，展示 Engram、mHC、DualPath 三大组件的关系

Engram：把"记忆"和"计算"拆开

传统 Transformer 架构有个根本问题：知识存储和逻辑推理混在一起。模型既要记住"巴黎是法国首都"这种静态知识，又要处理"如果 A 大于 B，B 大于 C，那么 A 和 C 的关系"这种动态推理。两件事用同一套参数做，效率低，成本高。

Engram 的思路是把静态知识记忆和动态逻辑计算分离。具体怎么做，DeepSeek 还没公开细节，但从名字看（Engram 在神经科学里指"记忆痕迹"），大概率是引入了类似外部知识库的机制，让模型在推理时可以按需调用知识，而不是把所有知识都塞进参数里。

这个设计的好处是：

参数效率更高：同样的参数量，能处理更复杂的任务
知识更新更灵活：不用每次都重新训练整个模型
长上下文处理更稳定：V4 的百万 Token 上下文窗口，很可能就是靠 Engram 撑起来的

类比一下，传统模型像是把整本百科全书背下来，Engram 更像是记住了图书馆的索引系统——需要什么知识，去查就行。

mHC：让超大模型训练不崩

万亿参数模型的训练有多难？梯度爆炸、梯度消失、训练不收敛，这些问题在小模型上可能只是偶尔出现,在超大模型上几乎是常态。

流形约束超连接（mHC） 是 DeepSeek 针对这个问题设计的稳定性技术。从名字看，"流形约束"指的是对模型拓扑结构的几何约束，"超连接"可能是指跨层的残差连接或者注意力机制的改进。

官方数据显示，mHC 让超大模型的训练效率提升了约 30%。这个数字很实在——对于动辄几千万美元训练成本的模型来说，30% 的效率提升意味着省下上千万美元和几周时间。

更重要的是，mHC 让 DeepSeek 可以在国产算力上训练超大模型。华为昇腾、寒武纪这些芯片的算力密度和互联带宽都不如英伟达 H100，但通过算法层的优化，DeepSeek 正在证明"不用顶配美国芯片也能训练世界级模型"。

DualPath：把闲置网卡利用起来

推理侧的瓶颈在哪？KV-Cache。

大模型推理时，每个 Token 的注意力计算都需要访问之前所有 Token 的 Key 和 Value，这些数据存在 KV-Cache 里。上下文越长，KV-Cache 越大，显存压力越大，推理速度越慢。

DualPath 双路径系统的思路是：把 KV-Cache 的加载压力分摊到闲置的网卡资源上。具体实现可能是把部分 KV-Cache 存到远程节点，通过高速网络按需加载。这个设计结合了北大、清华团队的智能体推理框架，在线服务吞吐量提升了近 2 倍。

这个优化很工程化，但很实用。对于企业级部署来说，吞吐量翻倍意味着同样的硬件成本可以服务更多用户，或者同样的用户量可以省一半机器。

百万上下文 + 长期记忆：不只是窗口变大

V4 的上下文窗口升级到 百万 Token，这个数字本身不稀奇——Gemini 1.5 Pro 早就做到了 200 万 Token。关键是 DeepSeek 怎么用这个窗口。

传统大模型的上下文是"一次性"的：对话结束，上下文清空，下次重新开始。V4 引入了 长期记忆（LTM） 机制，让模型可以在多次对话中积累和调用历史信息。

这个能力对企业级应用是刚需。举个例子：

代码审查：模型可以记住项目的代码规范、历史 PR 的讨论，给出更符合团队习惯的建议
文档问答：模型可以记住用户之前问过的问题和反馈，避免重复解释
客服系统：模型可以记住用户的偏好和历史工单,提供更个性化的服务

LTM 的实现细节还不清楚，但从 Engram 架构看，很可能是通过外部记忆库 + 检索增强的方式做的。这个方向上，DeepSeek 不是第一个尝试的，但如果能在万亿参数模型上做到稳定可用，就是工程能力的体现。

原生多模态：不是拼接，是融合

V4 采用了 原生多模态融合架构，在预训练阶段就把图像、视频、文本统一处理，而不是像 GPT-4V 那样用独立的视觉编码器 + 语言模型拼接。

原生多模态的好处是：

跨模态理解更深：模型可以在预训练时学习图像和文本的深层关联，而不是后期"硬拼"
推理效率更高：不需要额外的模态转换开销
训练更稳定：统一的损失函数，避免多模态对齐的复杂性

这个方向上，Google 的 Gemini 走得最激进，DeepSeek 算是跟进。但考虑到 V4 的开源属性，如果多模态能力真的做到 Gemini 的水平，对开源社区的影响会很大。

国产算力适配：战略意义大于技术意义

V4 的一个重要特点是深度适配华为昇腾等国产算力平台。这不是简单的移植，而是从算子优化、推理引擎到分布式训练框架的系统级重构。

梁文锋透露,这是 V4 延期的主要原因之一。从技术角度看，国产芯片的算力密度、互联带宽、软件生态都不如英伟达，适配成本高、收益不明显。但从战略角度看，这是 DeepSeek 必须做的事——如果中国 AI 公司永远依赖美国芯片，那技术再先进也是"沙滩上的城堡"。

据悉，阿里、字节、腾讯等公司已经预订了数十万片新一代 AI 算力芯片，计划通过云服务提供 V4。受此影响，新型 AI 芯片的市场价格近期上涨了约 20%。这个数字背后，是整个产业在为 V4 的规模化部署做准备。

开源 + 商业化：DeepSeek 的新阶段

V4 将继续遵循 Apache 2.0 协议开源，企业可以自主部署、商业使用。这是 DeepSeek 一直坚持的路线，也是它和 OpenAI 最大的区别。

但开源不等于不赚钱。梁文锋透露，DeepSeek 正在组建产品团队，并发布了"模型策略产品经理"职位招聘。这标志着 DeepSeek 开始从"技术演示"向产品化和商业化转型。

可能的商业模式包括：

API 服务：提供托管的 V4 API，按调用量收费
企业私有化部署：提供定制化的部署和优化服务
行业解决方案：针对金融、医疗、法律等垂直领域提供微调和应用开发服务

这个转型对 DeepSeek 的长期竞争力很重要。技术再好,如果没有可持续的商业模式，就很难在 OpenAI、Google 这些巨头的竞争中活下来。

V4 vs GPT-6：两条路线的正面对决

就在 V4 发布的同一时间窗口，OpenAI 的 GPT-6（代号"Spud"）也在坊间盛传即将发布，据称性能提升超过 40%，支持 200 万 Token 上下文。

两款全球顶级大模型在同一时间亮相，这对整个 AI 行业来说是罕见的"双雄对决"时刻。从技术路线看：

GPT-6：

大规模算力堆叠（据传训练成本超过 10 亿美元）
商业闭源，通过 API 服务变现
依赖英伟达顶配芯片
强调通用能力和用户生态

DeepSeek V4：

效率优先，训练成本控制在千万美元级别
开源普惠，Apache 2.0 协议
适配国产算力，降低部署门槛
强调架构创新和工程能力

两者的差异很有代表性：GPT-6 的优势在于资本壁垒和用户生态，V4 的优势在于可访问性和生态自主性。前者是"高墙花园"，后者是"开放平原"。

从竞争格局看，V4 不太可能在短期内撼动 GPT-6 的市场地位——OpenAI 的品牌、生态、资本优势太明显。但 V4 的意义在于：中国 AI 团队已经具备在最顶尖的技术层面与全球第一梯队正面竞争的能力。不是以"低成本替代品"的身份，而是以真正的技术创新者的身份。

对开发者的影响

V4 发布后，开发者可以通过 DeepSeek 官方 API 或者 OpenAI Hub 这类聚合平台调用。如果你已经在用 OpenAI 的 SDK，切换到 V4 几乎不需要改代码：

from openai import OpenAI

# 通过 OpenAI Hub 调用 DeepSeek V4
client = OpenAI(
    api_key=\"your-openai-hub-key\",
    base_url=\"https://api.openai-hub.com/v1\"
)

response = client.chat.completions.create(
    model=\"deepseek-v4\",
    messages=[
        {\"role\": \"system\", \"content\": \"你是一个代码审查助手，熟悉 Python 和 Go 的最佳实践。\"},
        {\"role\": \"user\", \"content\": \"帮我审查这段代码：\
\
```python\
def process_data(data):\
    result = []\
    for item in data:\
        if item > 0:\
            result.append(item * 2)\
    return result\
```\"}
    ],
    max_tokens=2000
)

print(response.choices[0].message.content)

如果要用 V4 的长期记忆能力，可能需要额外的 API 参数（具体等官方文档）：

response = client.chat.completions.create(
    model=\"deepseek-v4\",
    messages=[...],
    # 启用长期记忆，关联到特定用户或会话
    user=\"user-123\",
    session_id=\"session-456\",
    # 允许模型访问历史对话
    enable_long_term_memory=True
)

对于需要处理超长文档的场景（比如分析整个代码仓库、审查长篇合同），V4 的百万上下文窗口可以一次性塞进去，不用再做分块和摘要：

# 读取整个代码仓库的文件
repo_content = \"\"
for file in repo_files:
    with open(file, 'r') as f:
        repo_content += f\"\
\
# File: {file}\
{f.read()}\"

response = client.chat.completions.create(
    model=\"deepseek-v4\",
    messages=[
        {\"role\": \"system\", \"content\": \"你是一个代码架构分析师。\"},
        {\"role\": \"user\", \"content\": f\"分析这个代码仓库的架构设计，指出潜在的问题：\
\
{repo_content}\"}
    ],
    max_tokens=5000
)

几个值得关注的点

V4 的实际性能：架构创新听起来很美,但最终还是要看 benchmark 和实际使用体验。DeepSeek 之前在 V3 上的表现证明了他们的工程能力，V4 应该不会让人失望。
国产算力的成熟度：V4 对昇腾的深度适配，某种程度上是在给国产 AI 芯片"背书"。如果 V4 能在昇腾上跑得又快又稳，会极大提振国产算力生态的信心。
开源社区的反应：V4 开源后，会不会像 LLaMA 那样催生一大批微调版本和应用？这取决于 V4 的易用性和文档质量。
商业化的进展：DeepSeek 能不能在开源的同时找到可持续的商业模式？这关系到它能不能在长期竞争中活下来。

写在最后

DeepSeek V4 的发布，标志着中国 AI 进入了一个新阶段：不再是追赶和模仿，而是在关键技术方向上提出自己的解决方案。Engram、mHC、DualPath 这些架构组件，不是简单的工程优化，而是对大模型底层机制的重新思考。

从 V3 的"低成本高性能"到 V4 的"架构级创新"，DeepSeek 的打法越来越清晰：不跟 OpenAI 拼算力和资本，而是拼效率、拼工程能力、拼对开发者的理解。这条路能走多远，V4 的表现会给出答案。

下周见。

参考来源

DeepSeek V4 就快来了（据说这周发布），你有什么期待？ - Linux.do - 社区讨论，包含普林斯顿博士生 Yifan Zhang 透露的架构细节
DeepSeek V4 要来了：1 万亿参数、100 万上下文 - 知乎 - 技术分析文章，详细解读 Engram 架构

OpenAI Hub 已支持 DeepSeek V3，V4 发布后将第一时间接入。