DeepSeek-V4上線近十日，外界對這款頻頻“跳票”的模型評價逐漸清晰：V4是一款性價比突出、補齊關(guān)鍵能力的務(wù)實產(chǎn)品，但并未重現(xiàn)當(dāng)年R1的炸場表現(xiàn)。

其中，百萬上下文、開源開放與低定價構(gòu)成其核心亮點，上下文有效性、響應(yīng)時延、穩(wěn)定性則仍有明顯提升空間。置身于全球AI賽道，DeepSeek模型排名回落、迭代周期明顯拉長，疊加外部融資啟動等多重信號，曾經(jīng)的大模型創(chuàng)新“領(lǐng)跑者”儼然已退轉(zhuǎn)到“追趕者”位置。

業(yè)內(nèi)認為，對于DeepSeek這個“技術(shù)理想主義者”而言，這一輪“增速放緩”并非單純的算法或產(chǎn)品問題，而是算力路線選擇、工程適配節(jié)奏以及商業(yè)化壓力多重作用的結(jié)果。

上線十日口碑畫像：性價比在線，體驗仍有短板

自4月24日上線以來，DeepSeek-V4市場評價幾經(jīng)反轉(zhuǎn)，頗有些“冰火兩重天”的意味。

從多方實測結(jié)果來看，V4在長文本與代碼兩大核心方向，確實交出了可落地的答卷。模型支持百萬級上下文窗口，在文檔處理、長篇代碼庫解析、報告總結(jié)等場景中具備明顯優(yōu)勢，官方將這一能力開放普惠，有效降低了中小開發(fā)者與企業(yè)使用長上下文的門檻。

在代碼生成方面，V4對常規(guī)前端實現(xiàn)、算法腳本、簡單工具類程序的完成度較高。如2048小游戲、樹形生長動畫、康威生命游戲等任務(wù)，均可穩(wěn)定輸出可直接運行的代碼，在有明確規(guī)劃與任務(wù)拆解的條件下，足以勝任較為復(fù)雜的Web應(yīng)用實現(xiàn)。

更重要的是，DeepSeek保持了一貫的低成本優(yōu)勢，實測多任務(wù)連續(xù)調(diào)用成本顯著低于頭部閉源模型，輕量化版本進一步降低了使用門檻，對預(yù)算敏感的團隊與批量推理場景非常友好。加之模型同步開源，支持私有化部署與二次微調(diào)，在產(chǎn)業(yè)落地層面具備很強的現(xiàn)實價值。

與此同時，V4的體驗短板也同樣突出。在百萬字級別的長文本“大海撈針”測試中，模型對中間區(qū)域信息的召回率明顯下降，容易出現(xiàn)計數(shù)錯誤、位置誤判、關(guān)鍵信息遺漏等問題，真實有效上下文與理論上限存在差距，長距離“失憶”現(xiàn)象依然存在。

此外，該模型對復(fù)雜工程化任務(wù)的響應(yīng)速度偏慢，高難度前端實現(xiàn)耗時較長，在實時性要求高的場景中體驗受限。模型整體穩(wěn)定性與一致性也仍有提升空間，如簡單任務(wù)偶發(fā)邏輯錯誤，復(fù)雜需求多次迭代修復(fù)后仍難以完全達標(biāo)，與全球頂尖閉源模型存在明顯差距。

整體而言，V4無疑是一款目標(biāo)清晰、取舍明確的產(chǎn)品：性價比與普惠能力極為突出，性能體驗則遠未觸及天花板。這種定位收獲了相對穩(wěn)定的市場評價，但也讓DeepSeek失去了曾經(jīng)的先鋒色彩。

從領(lǐng)跑者到追趕者，DeepSeek腳步放緩多重承壓

過去一年多時間里，曾經(jīng)以快速迭代、高效研發(fā)、低成本跑出驚人成果的DeepSeek，明顯放緩了迭代節(jié)奏。這在全球AI大模型狂飆猛進中顯得分外扎眼。

自去年初R1模型橫空出世，DeepSeek貌似一直困在遲到的路上：年中的R2模型被爆因芯片問題一再延期，V4旗艦?zāi)Ｐ透侨毕衲甏汗?jié)檔，跳票近半年時間。而在此期間，OpenAI和Anthropic在海外迅速進入月更節(jié)奏，國產(chǎn)大模型智譜、Kimi也開始加速反超。

據(jù)業(yè)內(nèi)統(tǒng)計，在V4模型遲到5個多月以來，OpenAI的GPT-5歷經(jīng)四次迭代到了5.4版本，Anthropic的Claude 4.5系列迭代到4.7版本，谷歌的Gemini 3 Pro已更新至3.1版本。

這種迭代速率反差直接呈現(xiàn)在性能榜單上。在公開基準測試與社區(qū)盲測中，DeepSeek系列模型的綜合排名由第一梯隊跌落到中游區(qū)間，代碼、推理、Agent能力等核心指標(biāo)不再具備絕對優(yōu)勢，從行業(yè)“領(lǐng)跑者”逐步轉(zhuǎn)變?yōu)椤白汾s者”。

顯然，姍姍來遲的V4模型，并未一舉扭轉(zhuǎn)頹勢。近期，深度求索打破此前堅持不融資的表態(tài)，啟動了外部募資。業(yè)內(nèi)認為，這一變化背后是大模型研發(fā)持續(xù)升級的算力投入、人才成本與工程化開支，高強度的“燒錢”模式下，公司自有資金已難以支撐長期軍備競賽。

從行業(yè)視角看，在這場全球化AI競速中，DeepSeek所經(jīng)歷的并非個例，而是當(dāng)前大模型行業(yè)從技術(shù)創(chuàng)新轉(zhuǎn)向規(guī)?；偁幍钠毡樘魬?zhàn)。但對DeepSeek而言，這些壓力被進一步放大，核心原因是算力路線選擇帶來的持續(xù)性約束。

有行業(yè)媒體分析，在國內(nèi)廠商普遍采用更靈活的算力組合策略以保證迭代速度時，DeepSeek深度綁定昇騰，將大量資源投入框架遷移、算子補齊、分布式穩(wěn)定性優(yōu)化等工程工作，這不可避免地拉長了訓(xùn)練與驗證周期，導(dǎo)致模型發(fā)布節(jié)奏被動調(diào)整，間接加劇了公司內(nèi)外部壓力。

算力底座掣肘，技術(shù)路線選擇決定長期走向

大模型迭代的本質(zhì)是數(shù)據(jù)、算法、算力三者的高效共振。在算法與數(shù)據(jù)差距逐步收窄的當(dāng)下，算力的穩(wěn)定性、效率、生態(tài)成熟度，直接決定研發(fā)周期、試錯次數(shù)與上線節(jié)奏。

2025年以來，DeepSeek全面轉(zhuǎn)向國產(chǎn)算力平臺，并與華為昇騰深度綁定。隨后，R2模型因昇騰適配問題直接夭折，研發(fā)周期也開始逐漸拉長。而從公開信息與技術(shù)文檔可以看到，此次DeepSeek-V4并非在昇騰平臺上完成訓(xùn)練，雙方或僅實現(xiàn)推理側(cè)適配。

根據(jù)專業(yè)人士判斷，在DeepSeek模型研發(fā)迭代過程中，昇騰計算平臺仍存在三大短板：

第一，訓(xùn)練穩(wěn)定性與效率不足。早期昇騰910C在大規(guī)模分布式訓(xùn)練中故障率偏高，互聯(lián)帶寬與通信延遲相較成熟方案存在差距，大規(guī)模MoE模型訓(xùn)練效率大打折扣。即便升級到950系列，集群調(diào)度、通信優(yōu)化、異?；謴?fù)等工程化能力也仍需完善，難以支撐高頻次、高強度的模型試錯。

第二，軟件生態(tài)遷移成本極高。DeepSeek此前長期基于CUDA生態(tài)開發(fā)，轉(zhuǎn)向昇騰CANN框架后，大量算子、優(yōu)化邏輯、訓(xùn)練腳本需要重寫，調(diào)試周期拉長，問題定位難度提升。工程團隊被迫將大量精力投入生態(tài)適配，而非算法創(chuàng)新與模型迭代，間接拖慢了整體進度。

第三，硬件代際與供給節(jié)奏錯配。模型研發(fā)有明確的時間窗口，但昇騰加速卡此前經(jīng)歷了從NPU到GPGPU的路線糾偏，芯片量產(chǎn)節(jié)奏、集群交付周期與模型迭代計劃愈發(fā)難以同步，導(dǎo)致DeepSeek多次出現(xiàn)“等芯片、等適配、等優(yōu)化”的情況，發(fā)布時間一延再延。

上述人士認為，當(dāng)前，DeepSeek短期要做的是穩(wěn)定體驗、提升效率、加快迭代，通過V4的持續(xù)優(yōu)化修復(fù)口碑。中長期必須解決的核心命題，則是算力引擎的系統(tǒng)性優(yōu)化—— 在訓(xùn)練效率、生態(tài)適配、集群調(diào)度、硬件組合上做出更務(wù)實的選擇，平衡自主可控與工程交付效率。

毋庸置疑，在這場大模型技術(shù)創(chuàng)新長跑中，底層技術(shù)路線的選擇將決定后續(xù)長期走向。V4的性價比突圍，給DeepSeek贏得了喘息時間，但不足以扭轉(zhuǎn)算力和模型迭代失速的頹勢。未來1-2年，能否重構(gòu)計算引擎、提升迭代效率、穩(wěn)定產(chǎn)品體驗，將決定其能否重回第一梯隊。