Table of Contents
背景
2026年4月24日，DeepSeek正式发布V4系列模型，包括两款MoE检查点：DeepSeek-V4-Pro（1.6T总参数，49B激活）和DeepSeek-V4-Flash（284B总参数，13B激活）。它们均支持100万Token的上下文窗口，但真正令人兴奋的并非基准测试分数——虽然具备竞争力但并非SOTA——而是其专为高效长上下文支持而设计的架构创新。这一突破使V4成为执行Agent任务的理想候选模型。
当前，在长周期Agent工作负载中使用前沿开源模型会遇到一系列可预见的瓶颈：模型意外停止、需要重新提示、追踪记录超出上下文预算、KV缓存撑爆GPU、或者工具调用在长任务中途退化。DeepSeek V4正是为修复这些已知故障而设计，并为社区指明了发展方向。
核心内容分析
Agent的KV缓存问题
拥有100万Token上下文窗口只是容量，并非性能。能否真正利用它，取决于每次前向传播在该深度下的成本。对于执行长工具使用轨迹的Agent（例如SWE-bench任务、多步骤浏览会话、数百条命令的终端会话），每个工具结果都会追加到上下文中，后续每个Token都需要对之前所有内容进行完整的注意力计算。
有两个关键指标：单Token推理FLOPs和KV缓存大小。两者都随序列长度增长。在100万Token时，DeepSeek-V4-Pro的单Token推理FLOPs仅为DeepSeek-V3.2的27%，KV缓存内存仅为10%。V4-Flash的数据更低：FLOPs的10%，KV缓存的7%。若与典型的8头分组查询注意力（GQA）架构采用bfloat16格式存储相比，DeepSeek V4所需的KV缓存大小大约仅为2%。这使得部署极大上下文处理变得切实可行。
混合注意力：CSA与HCA
效率提升源自将注意力拆分为两种机制，并在各层之间交错使用。
压缩稀疏注意力（CSA）：使用基于softmax门控池化和学习的位置偏置，沿序列维度将KV条目压缩4倍。然后通过闪电索引器（FP4精度、ReLU评分多头点积）为每个查询选取top-k压缩块。该机制继承了V3.2中DeepSeek稀疏注意力的稀疏选择思想，但将其运行在块级别上。
（注：原文中HCA部分未展示完整，但CSA已足够体现核心创新。）
行业影响与专业点评
DeepSeek V4的发布标志着开源模型在长上下文Agent应用方面迈出了关键一步。过去，即使模型支持100万Token上下文，实际部署时的高昂成本也让开发者望而却步。V4通过将KV缓存降至GQA架构的2%，使得在单GPU上运行百万级上下文成为可能，这直接降低了Agent系统的门槛。
对于业界而言，这意味着更长的对话历史、更复杂的推理链、以及更丰富的工具调用轨迹都可以被高效处理。未来，Agent可以持久运行数小时甚至数天，累积大量上下文而不会因资源耗尽而崩溃。此外，V4-Flash版本（13B激活）在边缘设备上的部署潜力也不容忽视。
当然，V4的基准分数并未全面超越其他模型，但其架构优势在于实际使用中的性价比。正如原文所说：“真正的创新在于DeepSeek V4如何针对高效长上下文支持进行设计。” 它或许不是最强模型，但却是最懂Agent需求的模型之一。
