图丨基准测试结果（来源：DeepSeek）

但纯知识和最难的通用推理，V4 离前沿闭源还有明显距离。SimpleQA-Verified 57.9% 相对 Gemini 3.1-Pro 的 75.6% 差了 17 个百分点；HLE（Humanity's Last Exam）Pass@1 只有 37.7%，落后 Gemini 的 44.4。团队在 Summary 部分很坦诚地表示：V4-Pro-Max 的推理能力“超过 GPT-5.2 和 Gemini-3.0-Pro，但略低于 GPT-5.4 和 Gemini-3.1-Pro，对应大约 3 到 6 个月的发展差距”。

V4-Flash-Max 的定位也被明确：推理任务上能打到 V4-Pro-Max 的水准，但知识密度和最复杂的 agentic workflow 上，小尺寸依然吃亏，这本来也是 MoE 结构的预期表现。

真实任务：超 Sonnet 4.5，追 Opus 4.5

技术报告还专门评测了几项 DeepSeek 自己用户最常用的真实场景。

中文写作测试里，V4-Pro 在功能性写作上以 62.7% 对 34.1% 胜 Gemini 3.1-Pro（理由是 Gemini“经常用自己的风格偏好覆盖用户要求”）；创意写作的指令跟随 60% 对 40%、写作质量 77.5% 对 22.5% 也都压过 Gemini。但换到最难的任务，比如高复杂度约束、多轮对话，Claude Opus 4.5 还是以 52.0% 对 45.9% 反超 V4-Pro。

内部的 30 个中文白领任务评测里，V4-Pro-Max 整体非输率 63%，单项得分在任务完成和内容质量上显著高于 Opus-4.6-Max，但在格式审美和指令遵循上略输。报告给出的解释是 V4 更擅长长段叙事和主动补全用户潜在意图，而 Opus 更擅长精确执行具体格式约束和简洁摘要。

在代码 Agent 方面，DeepSeek 从 50 多位内部工程师那里收集了 200 多个真实 R&D 任务，筛选出 30 个作为评测集，覆盖 PyTorch、CUDA、Rust、C 的功能开发、bug 修复、重构等场景。

通过率分布如下：Claude Haiku 4.5 13%、Sonnet 4.5 47%、V4-Pro-Max 67%、Opus 4.5 70%、Opus 4.5 Thinking 73%、Opus 4.6 Thinking 80%。V4 把 Sonnet 4.5 甩开 20 个百分点，但还差 Opus 系列一个身位。配套的 85 人内部调研里，52% 的开发者说 V4-Pro 可以作为日常编程的主力模型，另有 39% 表示“倾向于可以”。

率道而行

一个礼拜前，X 平台上普林斯顿博士生 Yifan Zhang 放出的 V4 完整规格单和今天的报告大部分对得上：Muon 优化器、纯文本、每层 384 个专家激活 6 个（Pro 版配置）、GRPO。但两个关键点和爆料有偏差。一是 DeepSeek 最终把注意力机制命名成了 CSA HCA 混合，而不是此前流传的 “DSA2（NSA DSA）”。二是此前多个爆料反复暗示的"原生多模态"并没有出现，V4 依旧是纯文本，略有遗憾。

另一个被传了很久但没出现的是 Engram 条件记忆。去年底到今年初，中文圈普遍押注 V4 会引入 Engram 作为核心，把静态知识检索从 attention 里独立出去。

V4 最终没走这条路，而是在既有的稀疏注意力框架内做得更深：CSA 的压缩 稀疏两步组合，是对 V3.2 DSA 的连续演进。值得一提的是，DeepSeek 在报告最后的 Future Directions 里留了一手，下一步要探索“更稀疏的 embedding 模块”，并点名引用了 2026 年 1 月的 Conditional Memory via Scalable Lookup 论文。

过去几个月，关于 DeepSeek 的叙事从“神话”滑到“跌下神坛”再到“已经掉队”；关于 V4 的技术猜测从 1T 到 1.6T、从 DSA2 到 Engram、从原生多模态到纯文本之间来回切换。V4 发布这天，官方推文没有回应这些猜测中的任何一条，没有反驳，也没有比较，只引了一句《荀子·修身》：“不诱于誉，不恐于诽，率道而行，端然正己。”

参考资料：

1.https://huggingface.co/deepseek-ai/DeepSeek-V4-Pro/blob/main/DeepSeek_V4.pdf

运营/排版：何晨龙

注：封面/首图由 AI 辅助生成