DeepSeek翻译站点

DeepSeek 是杭州深度求索开发的开放权重大模型家族，涵盖 V4、R3、V3 等系列。当前最新开放权重主干 DeepSeek V4 于 2026 年 4 月发布预览、8 月全面开放权重，含 Pro（1.6T 总参/49B 激活）与 Flash（285B 总参/13B 激活）双变体，MIT 许可，1M 上下文窗口，是开放权重领域参数规模最大、上下文最长、许可最宽松的旗舰家族之一。

 

产品概述

DeepSeek 由杭州深度求索人工智能基础技术研究有限公司（DeepSeek AI）开发，是 2025-2026 年开放权重领域最具影响力的模型家族之一。官网研究页显示，DeepSeek 已发布的研究模型包括 DeepSeek V4、DeepSeek V3.2、DeepSeek V3、DeepSeek R1、DeepSeek Coder V2、DeepSeek VL 等 。

 

版本演进（具体以官网实时信息为准）：

• DeepSeek R1（2025 年 1 月）：MIT 许可，开源社区引爆”DeepSeek 时刻”
• DeepSeek V3 / V3.1 / V3.2（2024 年 12 月 – 2025 年 12 月）：MIT 许可
• DeepSeek V4 预览（2026 年 4 月 24 日）：发布 V4-Pro 与 V4-Flash 双变体预览，MIT 许可
• DeepSeek V4 正式开放权重（2026 年 8 月）：V4-Flash-0731 生产版于 7 月 31 日开放权重；V4-Pro-0813 于 8 月 13 日开放权重，均 MIT 许可

 

当前最新开放权重主干 DeepSeek V4 核心参数​ ：

 

架构创新​ ：

• 混合注意力架构：压缩稀疏注意力（CSA）+ 重度压缩注意力（HCA），1M 上下文下 KV 缓存降至 V3.2 的 10%
• 流形约束超连接（mHC）：将残差映射约束在双随机矩阵流形上，提升信号传播稳定性
• Muon 优化器：加快收敛、改善训练稳定性
• 多令牌预测（MTP）：保留自 V3 起的 MTP 策略

 

许可策略（关键）：

DeepSeek V4 的官方模型卡明确：通过开源仓库分发的资产（包括模型权重和代码）均基于 MIT 许可​ 。这意味着开发者可以：下载权重在自有硬件运行、在专有数据上微调、向付费客户提供商业服务、将输出蒸馏到更小模型——且无需向 DeepSeek 支付任何费用 。

💡 与 Llama 4 的”Custom License + 月活 >7 亿需审批”不同，DeepSeek V4 的 MIT 许可是真正无门槛的宽松许可，这是 DeepSeek 在开放权重领域最核心的差异化优势。

 

核心能力

• 1M 超长上下文：默认 1M token 上下文窗口，384K 最大输出，可一次性处理《三体》三部曲级别的文本量
• MoE 稀疏激活：V4-Pro 1.6T 总参仅激活 49B，V4-Flash 285B 总参仅激活 13B，推理成本接近激活参数规模的稠密模型
• 三种推理模式：Non-think（快速直觉响应）、Think High（审慎逻辑分析）、Think Max（最大算力扩展推理）
• Agent 编程：第三方评测显示 V4-Pro 在 SWE-bench Verified 上得分 80.6%，是开放权重最高分之一
• 工具调用与 JSON 输出：API 支持 tool calls、JSON mode、FIM completion、chat-prefix completion
• 多格式 API 兼容：同时兼容 OpenAI ChatCompletions 与 Anthropic API 格式
• 国产算力适配：V4 是首个在华为昇腾超节点上完成推理验证的 DeepSeek 旗舰模型

 

优势亮点

• MIT 最宽松许可：权重与代码双双 MIT，商用、修改、再分发、蒸馏均无门槛——这是与 Llama、Qwen-Max 等”自定义许可”最本质的区别
• 1M 上下文普惠：将百万级上下文从闭源专属变为开放权重标配
• 极致性价比：V4-Pro 非峰值输出 $0.87/百万 token，V4-Flash 输出 $0.28/百万 token，约为同能力闭源模型的 1/30-1/100
• 参数规模最大：V4-Pro 1.6T 总参是 2026 年开放权重中参数规模最大的模型之一
• 架构效率突破：混合注意力让 V4-Pro 每 token 推理 FLOPs 降至 V3.2 的 27%，KV 缓存降至 10%
• Agent 生态原生适配：与 OpenClaw、OpenCode、Hermes 等主流 Agent 框架深度集成
• 开放权重常态化：从 R1 到 V4，DeepSeek 每一代旗舰都以 MIT 许可开放权重，建立了”开放即常态”的品牌认知

 

局限

• 纯文本模态：V4-Pro 与 V4-Flash 均为文本输入，不支持视觉、音频、视频（不同于 Qwen3.8-27B、Gemma 4 的多模态）
• 自托管硬件门槛高：V4-Pro 1.6T 需多卡 H100/A100 集群；V4-Flash 285B 也需至少单卡 H100（80GB）或多卡消费级 GPU 量化部署
• 与顶级闭源仍有差距：DeepSeek 技术报告承认 V4 在综合能力上较 GPT-5.4 与 Gemini-3.1-Pro “略微落后”，差距约 3-6 个月
• 峰值定价优势收窄：2026 年 8 月 16 日起 API 采用峰值/非峰值双轨定价，峰值时段 V4-Pro 输出达 $3.96/百万 token，价格优势较发布初期明显减弱
• 旧 API 端点退役：deepseek-chat 与 deepseek-reasoner 已于 2026 年 7 月 24 日停用，需迁移至 V4 系列
• Flash 版复杂推理较弱：V4-Flash 13B 激活参数在复杂推理任务上不及 V4-Pro，需配置更大的”思考预算”来弥补

 

适用人群

• 需自托管前沿推理的企业：MIT 许可允许自由部署、修改、商用，数据与模型权重 100% 自主可控
• Agent 编程平台开发者：V4-Pro 在 SWE-bench Verified 等编程基准上表现强劲，适合构建编程 Agent
• 长文档/代码库分析团队：1M 上下文可一次性处理超长文档、整个代码库
• 成本敏感的高并发场景：V4-Flash 在高并发批量任务中性价比突出，API 成本约为闭源同能力模型的 1/30
• 国产算力适配需求方：V4 已完成华为昇腾验证，是国产 AI 芯片上的前沿开放权重选项
• 蒸馏与二次开发团队：MIT 许可明确允许将 V4 输出蒸馏到更小模型，为下游模型训练提供合法数据源

 

安装与部署

 

1. 硬件需求参考

💡 V4 采用 FP4（专家权重）+ FP8（其他权重）的混合精度，部署时需推理引擎支持混合精度量化

 

2. 获取模型权重

从 Hugging Face 拉取官方权重（MIT 许可）：

# V4-Pro（865GB 下载）
huggingface-cli download deepseek-ai/DeepSeek-V4-Pro

# V4-Flash（约 160GB 下载）
huggingface-cli download deepseek-ai/DeepSeek-V4-Flash

 

3. 通过推理引擎部署

vLLM（推荐，支持 V4 的混合注意力与 MoE）：

vllm serve deepseek-ai/DeepSeek-V4-Flash \
  --tensor-parallel-size 1 \
  --max-model-len 1000000

SGLang：

sglang serve --model-path deepseek-ai/DeepSeek-V4-Pro \
  --tp 8 \
  --context-length 1000000

 

4. API 调用示例

V4 API 兼容 OpenAI 格式 ：

from openai import OpenAI

client = OpenAI(
    api_key="your-deepseek-api-key",
    base_url="https://api.deepseek.com"
)

# 非思考模式
response = client.chat.completions.create(
    model="deepseek-v4-flash",
    messages=[{"role": "user", "content": "解释 MoE 架构"}],
    stream=False
)

# 思考模式
response = client.chat.completions.create(
    model="deepseek-v4-pro",
    messages=[{"role": "user", "content": "证明哥德巴赫猜想的进展"}],
    extra_body={"thinking": True}
)

⚠️ 注意：2026 年 8 月 16 日起，API 采用峰值/非峰值双轨定价。如需控制成本，建议在非峰值时段调度批处理任务，并利用缓存命中（cache hit）机制

 

5. 国产化部署建议

V4 已完成华为昇腾验证，在国产算力上的部署路径：

• 华为昇腾：使用 Ascend CANN + MindIE 推理引擎，参考华为官方 V4 适配指南
• 天数智芯 / 沐曦 / 燧原：参照各厂商的 PyTorch 插件 + vLLM 分支部署