DeepSeek-V4：迈向高效百万级 Token 上下文智能

DeepSeek-V4 是一个面向复杂任务的大模型系列。目前提供两个主要版本：DeepSeek-V4-Pro 和 DeepSeek-V4-Flash。它们都支持 100 万 Token 的超长上下文，意味着一次可以处理更长的代码、更大的文档和更多参考资料。

简单理解，Pro 更像“高性能版”，更适合复杂推理、代码任务、研究分析和需要多步思考的工作；Flash 更像“高效率版”，速度更快、部署压力更小，适合希望兼顾效果和成本的场景。两者的区别，不只是参数大小，而是针对不同使用需求做了明确分工。

DeepSeek-V4 的价值，不只是“能看更长的内容”，而是能把长上下文真正用于实际工作。比如读完整个代码仓库、分析很长的合同、整理研究资料、或者在多个文档之间找答案。对用户来说，更直接的意义是：减少频繁切分资料、来回补充上下文的麻烦，让模型更容易保持前后一致。

DeepSeek-V4 系列在架构和优化方面进行了几项关键升级：

混合注意力架构： 一种结合压缩稀疏注意力（CSA）和重压缩注意力（HCA）的混合注意力机制，显著提升了长上下文的处理效率。在 100 万 Token 的上下文设置下，DeepSeek-V4-Pro 的单 Token 推理 FLOPs 仅为 DeepSeek-V3.2 的 27%，KV 缓存仅为 10%。
流形约束超连接 (mHC)： mHC 被引入用于加强传统的残差连接，在保持模型表达能力的同时，增强跨层信号传播的稳定性。
Muon 优化器： Muon 优化器被用于实现更快的收敛速度和更高的训练稳定性。

如果这些名词看起来有点技术化，可以把它们理解成三件事：第一，让模型在阅读超长内容时更省资源；第二，让模型在层数很深、规模很大时依然保持稳定；第三，让训练过程更快、更稳。对普通用户来说，最终体现出来的就是更长的上下文、更稳的输出，以及在复杂任务中更可靠的表现。

在训练层面，DeepSeek-V4 使用了超过 32T 的高质量数据，并通过多阶段训练继续强化代码、数学、知识问答和长文本理解等能力。可以把这个过程理解为：先分别把不同能力练强，再尽量整合到同一个模型里。这样做的好处是，模型不只是“单项分高”，而是在真实任务里更均衡、更全面。

从最终体验来看，V4 系列想解决的是一个很实际的问题：用户既希望模型聪明，也希望它快、稳、成本可控。DeepSeek-V4-Pro-Max 代表这一系列的性能上限，适合追求最强结果的场景；DeepSeek-V4-Flash-Max 则说明，即使是更轻量的版本，只要给足思考空间，也能在不少复杂任务上取得很强的效果。

DeepSeek V4型号

下面这张表可以快速看清各版本的定位：Base 更偏基础模型，Pro 更强、Flash 更轻更快。

模型	总参数量	激活参数量	上下文长度	精度
DeepSeek-V4-Flash-Base	284B	13B	1M	FP8 Mixed
DeepSeek-V4-Flash	284B	13B	1M	FP4 + FP8 Mixed*
DeepSeek-V4-Pro-Base	1.6T	49B	1M	FP8 Mixed
DeepSeek-V4-Pro	1.6T	49B	1M	FP4 + FP8 Mixed*

*FP4 + FP8 Mixed: MoE 专家参数使用 FP4 精度；大多数其他参数使用 FP8。

推理模式

DeepSeek-V4 提供三种推理模式，可以把它理解成三种“思考深度”：

推理模式	特点	典型用例	响应格式
Non-think	快速、直观的响应	日常任务、低风险决策	`</think>` 摘要
Think High	有意识的逻辑分析，较慢但更准确	复杂问题解决、规划	`<think>` 思考过程 `</think>` 摘要
Think Max	将推理能力发挥到极致	探索模型推理能力的边界	特殊系统提示 + `<think>` 思考过程 `</think>` 摘要

如果只是日常问答、简单查询，Non-think 就足够；如果是写代码、做分析、写方案，Think High 会更稳；如果面对特别复杂的问题，Think Max 更适合。对用户来说，这不是抽象的技术选项，而是在“回答速度”和“回答质量”之间做选择。

DeepSeek模型对比

这部分主要看基础模型本身的能力差异，也就是不额外强调“深度思考模式”时，各版本的基本水平。

评测基准 (指标)	# Shots	DeepSeek-V3.2-Base	DeepSeek-V4-Flash-Base	DeepSeek-V4-Pro-Base
架构	–	MoE	MoE	MoE
激活参数量	–	37B	13B	49B
总参数量	–	671B	284B	1.6T
世界知识
AGIEval (EM)	0-shot	80.1	82.6	83.1
MMLU (EM)	5-shot	87.8	88.7	90.1
MMLU-Redux (EM)	5-shot	87.5	89.4	90.8
MMLU-Pro (EM)	5-shot	65.5	68.3	73.5
MMMLU (EM)	5-shot	87.9	88.8	90.3
C-Eval (EM)	5-shot	90.4	92.1	93.1
CMMLU (EM)	5-shot	88.9	90.4	90.8
MultiLoKo (EM)	5-shot	38.7	42.2	51.1
Simple-QA verified (EM)	25-shot	28.3	30.1	55.2
SuperGPQA (EM)	5-shot	45.0	46.5	53.9
FACTS Parametric (EM)	25-shot	27.1	33.9	62.6
TriviaQA (EM)	5-shot	83.3	82.8	85.6
语言与推理
BBH (EM)	3-shot	87.6	86.9	87.5
DROP (F1)	1-shot	88.2	88.6	88.7
HellaSwag (EM)	0-shot	86.4	85.7	88.0
WinoGrande (EM)	0-shot	78.9	79.5	81.5
CLUEWSC (EM)	5-shot	83.5	82.2	85.2
代码与数学
BigCodeBench (Pass@1)	3-shot	63.9	56.8	59.2
HumanEval (Pass@1)	0-shot	62.8	69.5	76.8
GSM8K (EM)	8-shot	91.1	90.8	92.6
MATH (EM)	4-shot	60.5	57.4	64.5
MGSM (EM)	8-shot	81.3	85.7	84.4
CMath (EM)	3-shot	92.6	93.6	90.9
长上下文
LongBench-V2 (EM)	1-shot	40.2	44.7	51.5

V4系列模型对比

这部分更适合看同一系列里，不同推理模式对结果的影响。简单说，就是看“给模型更多思考时间之后，能力会提升多少”。

评测基准 (指标)	V4-Flash Non-Think	V4-Flash High	V4-Flash Max	V4-Pro Non-Think	V4-Pro High	V4-Pro Max
知识与推理
MMLU-Pro (EM)	83.0	86.4	86.2	82.9	87.1	87.5
SimpleQA-Verified (Pass@1)	23.1	28.9	34.1	45.0	46.2	57.9
Chinese-SimpleQA (Pass@1)	71.5	73.2	78.9	75.8	77.7	84.4
GPQA Diamond (Pass@1)	71.2	87.4	88.1	72.9	89.1	90.1
HLE (Pass@1)	8.1	29.4	34.8	7.7	34.5	37.7
LiveCodeBench (Pass@1)	55.2	88.4	91.6	56.8	89.8	93.5
Codeforces (Rating)	–	2816	3052	–	2919	3206
HMMT 2026 Feb (Pass@1)	40.8	91.9	94.8	31.7	94.0	95.2
IMOAnswerBench (Pass@1)	41.9	85.1	88.4	35.3	88.0	89.8
Apex (Pass@1)	1.0	19.1	33.0	0.4	27.4	38.3
Apex Shortlist (Pass@1)	9.3	72.1	85.7	9.2	85.5	90.2
长上下文
MRCR 1M (MMR)	37.5	76.9	78.7	44.7	83.3	83.5
CorpusQA 1M (ACC)	15.5	59.3	60.5	35.6	56.5	62.0
智能体能力
Terminal Bench 2.0 (Acc)	49.1	56.6	56.9	59.1	63.3	67.9
SWE Verified (Resolved)	73.7	78.6	79.0	73.6	79.4	80.6
SWE Pro (Resolved)	49.1	52.3	52.6	52.1	54.4	55.4
SWE Multilingual (Resolved)	69.7	70.2	73.3	69.8	74.1	76.2
BrowseComp (Pass@1)	–	53.5	73.2	–	80.4	83.4
HLE w/ tools (Pass@1)	–	40.3	45.1	–	44.7	48.2
MCPAtlas (Pass@1)	64.0	67.4	69.0	69.4	74.2	73.6
GDPval-AA (Elo)	–	–	1395	–	–	1554
Toolathlon (Pass@1)	40.7	43.5	47.8	46.3	49.0	51.8

顶尖模型对比

这部分用来观察 DeepSeek-V4-Pro-Max 和其他顶尖模型的大致位置。它不一定代表所有场景下的绝对胜负，但可以帮助用户快速判断：V4 在代码、长上下文和工具使用任务里，已经进入了非常有竞争力的区间。

评测基准 (指标)	Opus-4.6 Max	GPT-5.4 xHigh	Gemini-3.1-Pro High	K2.6 Thinking	GLM-5.1 Thinking	DS-V4-Pro Max
知识与推理
MMLU-Pro (EM)	89.1	87.5	91.0	87.1	86.0	87.5
SimpleQA-Verified (Pass@1)	46.2	45.3	75.6	36.9	38.1	57.9
Chinese-SimpleQA (Pass@1)	76.4	76.8	85.9	75.9	75.0	84.4
GPQA Diamond (Pass@1)	91.3	93.0	94.3	90.5	86.2	90.1
HLE (Pass@1)	40.0	39.8	44.4	36.4	34.7	37.7
LiveCodeBench (Pass@1)	88.8	–	91.7	89.6	–	93.5
Codeforces (Rating)	–	3168	3052	–	–	3206
HMMT 2026 Feb (Pass@1)	96.2	97.7	94.7	92.7	89.4	95.2
IMOAnswerBench (Pass@1)	75.3	91.4	81.0	86.0	83.8	89.8
Apex (Pass@1)	34.5	54.1	60.9	24.0	11.5	38.3
Apex Shortlist (Pass@1)	85.9	78.1	89.1	75.5	72.4	90.2
长上下文
MRCR 1M (MMR)	92.9	–	76.3	–	–	83.5
CorpusQA 1M (ACC)	71.7	–	53.8	–	–	62.0
智能体能力
Terminal Bench 2.0 (Acc)	65.4	75.1	68.5	66.7	63.5	67.9
SWE Verified (Resolved)	80.8	–	80.6	80.2	–	80.6
SWE Pro (Resolved)	57.3	57.7	54.2	58.6	58.4	55.4
SWE Multilingual (Resolved)	77.5	–	–	76.7	73.3	76.2
BrowseComp (Pass@1)	83.7	82.7	85.9	83.2	79.3	83.4
HLE w/ tools (Pass@1)	53.1	52.0	51.6	54.0	50.4	48.2
GDPval-AA (Elo)	1619	1674	1314	1482	1535	1554
MCPAtlas Public (Pass@1)	73.8	67.2	69.2	66.6	71.8	73.6
Toolathlon (Pass@1)	47.2	54.6	48.8	50.0	40.7	51.8