详解DeepSeekV4：Infra巨鲸、百万上下文走进现实、极致效率优化
Episode 163 · April 30th, 2026 · 1 hr 33 mins
About this Episode
「走进不同团队的成果，创新从来是连续的，不是跳跃的。」
上周五，DeepSeek V4 发布。我们邀请了两位一线 AI 从业者一起详解 DeepSeek V4 的技术实现和创新想法。
如果一句话概括：DeepSeek V4 并没有带来新的“范式变化”，它是继续在 R1 的“测试时扩展”范式下，用一系列组合创新和工程优化，让百万上下文从理论进入实用。
超长上下文上的稳定表现，正是 Agent 和多步复杂任务亟需的能力之一。
本期访谈之后也会发图文版。本期涉及的诸多技术术语见 Shownotes 末尾注释。
本期嘉宾
赵晨阳，RadixArk 工程师，SGLang 开源推理框架开发者
刘益枫，UCLA 博士生
本期主播
程曼祺，晚点科技报道负责人
时间线：
体感、对比、消失的成本、DeepSeek 的节奏
03:01 编程能力与“御三家”有差距；不再采用 DeepSeek 自己提出的 MLA
07:44 不再披露训练成本，“用模型能力说话”
09:23 延期推测：四个耦合的新 feature （新注意力+Muon+mHC+FP4）一起上，难度爆炸
12:36 不是范式创新，沿现有范式仍有巨大提升空间
性能与效率
14:32 提出新的能力方向比刷单个 benchmark 重要
16:41 坦诚的内部评测：9% DeepSeek 工程师不会把V4 Pro 作为编程首选
23:03 单 token 推理的计算量和 KV cache 大幅优化，但解决同样问题的 token 消耗更多了
V4 具体进展
28:32 整体思路：极致的稀疏
33:45 混合稀疏注意力：放弃 MLA，SWA滑动窗口+CSA稀疏压缩+HCA稠密压缩，层间预定义分工
39:37 Muon 优化器已成检验工程能力试金石
48:52 mHC：从 Seed 提出 HC 到 mHC；Kimi 的 Attention Residuals
54:24 Infra 两个关键词：TileLang & FP4
01:10:11 多专家训练+蒸馏的后训练
01:13:20 评测危机：benchmark会过时饱和，evaluation是永恒追求，agent评估未共识
更多讨论
01:19:25 近期模型共性：架构趋同（MOE+Muon），优化方向驱动（agent、coding）
01:25:18 美国追新能力、高定价；中国追性价比、工程极限
01:28:00 V4 最有可能被记住的思想：极致压缩+低激活比+低单token成本，成为后续开源模型起点
剪辑：Nick
相关链接：
158期：V4发布前的DeepSeek：人才竞争、组织特点和独特的AGI目标
143期：再聊 Attention：阿里、Kimi 都在用的 DeltaNet 和线性注意力新改进
104期：我给线性注意力找“金主”，字节 say No，MiniMax say Yes
103期：用Attention串起大模型优化史，详解DeepSeek、Kimi最新注意力机制改进
102期：DeepSeek 启动开源周，大模型开源到底在开什么？
附录：术语、概念解释
- 模型架构相关
Token-wise（词元级）改进：优化模型处理单 token 的过程，通常用于提升注意力计算、上下文建模或推理效率。
Layer-wise 的改进：优化模型不同网络层的结构或计算方式，通常用于提升训练稳定性、表达能力或整体计算效率。
MoE：Mixture of Experts 混合专家网络，让不同“专家”子网络处理不同输入，降低单次计算成本。
哈希路由：把 token、样本或请求分配到不同专家、节点或存储位置的方法。V4 在前几层 MoE 用了哈希路由，避免起始层路由塌缩。
Engram：DeepSeek 之前提出的一种带 N-gram 编码器的辅助模块，通过额外编码连续 token 片段，帮助模型利用局部短语级信息。V4 未使用 Engram。
- 注意力相关
MLA：Multi-head Latent Attention，多头潜在注意力，引入潜在表示压缩 KV 信息的注意力机制，能降低显存占用和计算开销。
MQA：Multi-Query Attention，多查询注意力结构，共享 Key/Value，仅保留多头 Query，提升推理效率并减少 KV cache。
线性注意力：通过核函数或近似方法将注意力复杂度从二次降低为线性（一维），是改进原初注意力随上下文长度增加，计算和显存爆炸的方向之一。
稀疏注意力：仅计算部分 token 间的注意力（而非全连接），改进原初注意力问题的另一主流方向。
滑动窗口注意力：限制注意力仅在局部窗口内计算的一种稀疏注意力。
CSA：Compressed Sparse Attention，压缩稀疏注意力。用于长上下文建模的注意力机制。把序列分组压缩成更少的token，query再从中挑选出最相关的部分。V4中的压缩比是4:1。
HCA：Heavily Compressed Attention，高度压缩注意力。同样用于长上下文建模。相比CSA压缩比例更高（128:1），query无需挑选token。
NSA/DSA：V4发布之前，DeepSeek 在年初和 9 月先后提出的两种稀疏注意力方案。
- 优化器相关
AdamW：一种改进的 Adam 优化器，通过解耦权重衰减（weight decay）提升训练稳定性和泛化能力。
Muon：一种面向大模型训练的优化算法，通过改进梯度更新或内存效率来提升训练性能。
Learning Rate：学习率，控制模型参数每次更新步长的超参数，对训练稳定性和收敛速度至关重要。
牛顿-舒尔茨迭代：一种用于矩阵归一化或求逆的数值迭代方法。Muon 作者 Jordan 提到通常使用 5 次迭代，V4 中采用了 10 次迭代。
- 残差相关
HC：Hidden/Highway Connection，一类改进残差连接的信息通路设计，用于增强信息传递或控制梯度流。
mHC：Manifold-Constrained Hyper-Connections 流形约束超连。DeepSeek 在 HC 基础上的改造，解决了 HC 在大规模训练时的数值不稳定问题。mHC 使用了双随机矩阵，即每行和、每列和都等于 1 的矩阵，以约束信息流。
Attention Residuals：注意力残差连接，将注意力模块输出与输入相加，用于稳定训练并保留原始信息。
- Infra 相关
矩阵乘法：深度学习中最核心的基础计算操作（如向量与权重相乘）。
Kernel：算子核，指在底层硬件（如 GPU）上执行的高效计算函数，是深度学习算子的实现基础。比如矩阵乘法就要写 Kernel 去实现。
CUDA：英伟达开发的能使用 GPU 的一层软件系统，也指一套语言，本次访谈语境里指编写 GPU 算子 kernel 的语言。
Triton：由 OpenAI 开源，是对 CUDA 的一层抽象，能更简单的写 Kernel。
TileLang：一种面向 AI 高性能算子的 tile 级 DSL / 编译框架，把矩阵乘法、注意力等张量计算映射到 GPU 等硬件上执行，在 Triton 的易用性和 CUDA 的控制力之间取得了较好的平衡。
FP8、FP4、INT4：低精度数值格式，分别用 8 位、4 位浮点和 4 位整数表示模型中的权重或中间数据，用于降低显存和带宽压力、提升训练或推理效率。
FP4 比 FP8 更省显存和带宽，又比 INT4 更保留浮点动态范围，因此更适合复杂训练/采样链路，但收益取决于硬件、缩放策略和 kernel 实现。V4 在 1.6T 参数规模上实现 FP4 训练是个不小的挑战。
☆《晚点聊 LateTalk》建立「 播客听友群」啦！☆
欢迎关注科技、商业大公司动态和创业创新的小伙伴进群交流，第一时间收听新节目。
这里有更多互动，更多话题讨论。欢迎贡献选题 & 推荐嘉宾。
请先添加「晚点」小助手的微信号，备注：“晚点聊”，我们邀请您入群。
关注公众号《晚点 LatePost》和《晚点对话》，阅读更多商业、科技文章：
