163: 详解DeepSeekV4：Infra巨鲸、百万上下文走进现实、极致效率优化

**「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。

**小红书@曼祺_火柴Q即刻@曼祺_火柴Q**

**☆《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：**