不过，报告也坦诚地呈现了差距所在。在SimpleQA等知识密集型任务上，V4-Pro-Max的57.9%仍然落后于Gemini-3.1-Pro的75.6%；在长上下文检索（MRCR）上，V4-Pro也落后于Claude Opus 4.6（如下图）。这些差距的存在反而增加了报告的可信度。

V4在后训练阶段做了一个颇具魄力的方法论切换：完全放弃了传统的混合强化学习阶段，转而采用在策略蒸馏（On-Policy Distillation，简称OPD）作为整合多领域能力的核心手段。

具体做法是，先为数学、代码、Agent、指令遵循等各个垂直领域独立训练专家模型，每个专家都经过SFT加强化学习的完整流程，在各自领域达到最优水平。然后，用十余个专家作为教师模型，通过逆KL散度的全词表蒸馏，把所有专家的能力统一灌注到一个学生模型中。

相比传统的多任务混合RL，OPD的优势在于梯度方差更低、训练更稳定，且避免了不同领域的奖励信号相互干扰。这个方法论的深层含义可能比表面看到的更大：未来的顶级通用模型，或许不再是一锅炖出来的，而是先分头修炼再合体的产物。

CUDA之外的第二条路

心智观察所还发现，MegaMoE内核已在英伟达 GPU和华为昇腾NPU两个平台上完成验证。这一表述并非随意带过，它代表着DeepSeek在底层算力上主动构建双轨适配能力的战略选择。在英伟达GPU出口管制持续收紧的背景下，对昇腾生态的深度适配具有明确的风险对冲意义。

在CUDA生态的适配层面，DeepSeek选择了一条颇有远见的技术路线。他们引入了自研的领域特定语言TileLang来开发核心算子。TileLang的设计哲学是在开发效率和运行性能之间找到平衡，同时通过在IR层面生成设备内核和宿主启动器，在一定程度上解耦了算子实现与具体硬件后端。这意味着同一套算子逻辑可以相对容易地迁移到不同的计算平台上。

更深层的信号在于，DeepSeek正在系统性地降低对英伟达专有软件栈的依赖。以DeepGEMM替代cuBLAS进行矩阵乘法，以TileLang构建自主可控的算子开发管线，以精细的通信计算重叠设计降低对特定互连带宽的硬性需求。这套组合拳为未来向国产算力平台的大规模迁移做了扎实的软件侧准备。

当然，我们也要看到，目前的大规模训练验证仍以英伟达架构为主，真正向昇腾或寒武纪的全面迁移在工程层面仍有相当的挑战。但方向是明确的，基础是在打的。在芯片受限的大背景下，软件层面的自主可控能力建设，可能比很多人想象的更加重要。

结语

DeepSeek选择在这个时间点发布V4，背后有清晰的技术逻辑和竞争逻辑。

从技术积累看，V4并非凭空而来。CSA和HCA的核心压缩思路在V3系列的MLA机制中已有铺垫，mHC来自已有外部论文验证的研究成果，Muon优化器也在学术界得到了充分讨论。V4的工作在于将这些独立验证的创新整合进一个统一框架，并完成百万token规模的工程化落地。这种系统集成能力本身就是极高的技术壁垒。

从竞争格局看，2026年中的闭源阵营已经相当拥挤：GPT-5.4在推理任务上表现强劲，Gemini-3.1-Pro在知识密度上领先，Claude Opus 4.6在长上下文检索和复杂指令遵循上占优。V4的突破在于，它以开源形式、更低的推理成本，在编程竞技、Agent任务、企业级应用等多个关键维度上实现了与闭源巨头的对齐甚至超越。这种性价比优势对商业部署决策的影响，远比单一榜单排名更具实际意义。

还有一个容易被忽略的维度：V4的百万token上下文能力，本质上是在为下一阶段的测试时扩展（test-time scaling）铺路。当推理链条可以延伸到数十万甚至上百万token时，模型在单次推理中能完成的任务复杂度将发生质变。这或许才是DeepSeek真正在下的那盘大棋。

这份技术报告有一条清晰的主线贯穿所有技术决策：在参数规模竞赛逐渐饱和的今天，效率才是决定下一代AI格局的核心变量。

DeepSeek-V4并非在所有维度上都做到了最优，这一点报告本身也坦然承认。但它用一套开源、高效、可落地的方案，把百万token级别的上下文处理从昂贵的闭源特权变成了人人可用的基础设施。它代表的不仅是一个模型的进步，更是整个开源AI生态向效率优先范式转型的信号。

对于开发者、企业用户和整个AI行业来说，这个信号很明确：谁能用更少的算力做更多的事，谁就能在下一轮竞争中占据先机。效率正在成为新的规模。

本文系观察者网独家稿件，文章内容纯属作者个人观点，不代表平台观点，未经授权，不得转载，否则将追究法律责任。关注观察者网微信guanchacn，每日阅读趣味文章。