วันนี้ DeepSeek ประกาศเปิดตัวรุ่นพรีวิวซีรีส์ V4 ซึ่งมีน้ำหนักถูกซิงค์กับ Hugging Face และ ModelScope และมี MIT License

รุ่นนี้ประกอบด้วยโมเดล MoE 2 รุ่น: V4-Pro (1.6T พารามิเตอร์ทั้งหมด, 49 พันล้าน/490 พันล้าน activation ต่อ token) และ V4-Flash (284B/2840 พันล้าน พารามิเตอร์ทั้งหมด, 13B/130 พันล้าน activation) ทั้ง 2 รุ่นสนับสนุน context 1 ล้าน token

มีการอัพเกรดระดับสถาปัตยกรรม 3 อย่างที่สำคัญ:

· กลไกความสนใจผสม ได้แก่ Compressed Sparse Attention (CSA) และ Heavy Compressed Attention (HCA) ที่ช่วยลดความใช้ของ long context อย่างมาก พอร์ส token FLOPs ของ V4-Pro ในขณะที่มี context 1 ล้าน เพียง 27% ของ V3.2, ความจำ cache KV เพียง 10% ของ V3.2

· Manifold-Constrained HyperConnections (mHC) ทดแทนการเชื่อมข้อความโครเรืออินเนียล ช่วยเสริมสร้างความเสถียรในการส่งสัญญาณระหว่างชั้น

· Train ใช้ตัวถังง ของ Muon ในการตอบสนองอย่างรวดเร็ว ข้อมูล pre-train รวมถึง 32T token

Post-training แบ่งเป็น 2 ขั้นตอน: เริ่มจาก SFT และ GRPO ใช้ reinforcement learning สำหรับการฝึกสอนความเชี่ยวชาญในแต่ละด้าน จากนั้นผ่านกระบวนการ distillation ออนไลน์ให้อยู่รวมเป็นโมเดลเดียว

วัดประสิทธิภาพ: V4-Pro-Max กล่าวว่าเป็นโมเดล open-source ที่เข้มแข็งที่สุดในปัจจุบัน

Mode การ Inference ที่เข้มข้นที่สุดของ V4-Pro คือ V4-Pro-Max เอกสารเทคนิคอสือใหญ่ถูกตัดจ่ายกับ Opus 4.6 Max, GPT-5.4 xHigh, Gemini 3.1 Pro High และตัดออกแห่งรูปแบบ open-source อื่นๆ เช่น Kimi K2.6, GLM-5.1 (ไม่รวม Opus 4.7 และ GPT-5.5 ที่เพิ่งออกมา ความพร้อมต่อกันราวกับพร้อมย้อน)

ด้านEncoding V4-Pro-Max ได้คะแนน 3206 จาก Codeforces, มากกว่า GPT-5.4 ด้วย 3168 และ Gemini 3.1 Pro ด้วย 3052, ทำให้กวาดขันบททดสอบชนิดนี้ กลุ่ม LiveCodeBench ได้คะแนน 93.5, เช่นเดียวกับองศาสูงสุดในคลาส หัวข้อ SWE Verified ได้คะแนน 80.6, เป็นเพียงน้อยกว่า Opus 4.6 ที่ได้ 80.8, ต่าง 0.2 เปอร์เซ็นต์

เกี่ยวกับบทความที่ยาว ในส่วนคะแนน 1M Benchmark ทั้งสองรายการติดอันดับที่สอง: CorpusQA 1M ได้คะแนน 62.0 (Opus 4.6 เป็น 71.7) และ MRCR 1M ได้คะแนน 83.5 (Opus 4.6 เป็น 92.9)。

เกี่ยวกับงานของเอเจ้นต์ ใน MCPAtlas Public ได้คะแนน 73.6 มีคะแนนต่ำกว่า Opus 4.6 เพียง 73.8; Terminal-Bench 2.0 ได้คะแนน 67.9 ต่ำกว่า GPT-5.4 ที่ได้ 75.1 และ Gemini 3.1 Pro ที่ได้ 68.5。

เกี่ยวกับความรู้และการ推理 ยังมีความต่างแตกต่างอยู่: GPQA Diamond 90.1 (Gemini 94.3), SimpleQA-Verified 57.9 (Gemini 75.6), HLE 37.7 (Gemini 44.4)。

เป็นแบบจำลองโอเพ่น, V4-Pro-Max ได้ทำเพียงครั้งเดียว หรือ แม้ว่าเกิน บางแบบจำกัดแบบพุ่ม แต่ยังคงที่ Gemini 3.1 Pro ในการประเมินที่ซับซ้อนของข้อมูล.

ข้อมูลในการทดลองใช้อาหารของทีมและการ推理ทางคณิค

DeepSeek เปิดเผยข้อมูลการใช้อาหารภายในอย่างหายาก ทีมได้รวบรวมเกือบ 200 งานที่เป็นเรขำจรจรจรจรจรจรจรําํะจ๼จ์ววจวจดจจจำจจ็เจกใจก็จ โดยเกี่ยวกับการพัฒนาฟังค์ชั่น เจ้าแก้ข้อผิดพลาด ทำการรวบรวมและวิเคราะห์ซึ้งรวบรวม 30 ชุดทดสอบจากเอ็นจ.

V4-Pro-Max มีอัตราผ่านขึ้น 67% ที่โดดเด่นกว่า Sonnet 4.5 ที่ 47% ใกล้เคียง Opus 4.5 ที่ 70% แต่ต่ำกว่า Opus 4.5 Thinking ที่ 73% และ Opus 4.6 Thinking ที่ 80%; อัตราผ่านของ Haiku 4.5 เพียง 13%. การสำรวจภายในที่มี N=85 บุคคลบันทึกไว้ว่า อย่างไรก็ตา โคร่ในการทำงานประจำวันใช้ V4-Pro ในการเขียนโปรแกรมไปกัน คิดว่า V4-Pro สามารถใช้เป็นแบบจำลองการเขียนโปรแกรมหลักบ้าง 39% มีความจงใจ มีเพียงประมาณ 9% ถูกต้อง การตอบแทนที่ได้รับหลักส่วนโหลดอย่างใส่ถีนองค์เฉพาะ จนถึงการเข้าใจคำสั่งที่ไมมุ วนำให้การคิดเชื่องความเห็นอันตราย.

ในด้านการคณิตศาสตร์ทางการเมือง Putnam (การแข่งขันพัทนัม) เป็นการแข่งขันคณิตศาสตร์ระดับปริญญาตรีที่สูงที่สุดในทวีปเหนือ ในกระบวนการที่ใช้ในชีวิตประจำวัน (Practical Regime) V4-Flash-Max ได้คะแนน 81.00 จากพื้นฐาน Putnam-200 Pass@8 โดยใช้เครื่องมือโอเพ่นซอร์ส LeanExplore และการสุ่มที่ถูกจำกัดเปรียบเทียบกับ Seed-2.0-Prover ที่ได้ 35.50 Gemini 3 Pro และ Seed-1.5-Prover ที่ได้ 26.50

ในกระบวนการสุดขอบ (Frontier Regime) V4 ใช้วิธีการแยกประเภทโยงทั้งทางไม่เป็นทางไม่เป็นทาง (informal reasoning) ก่อนจะผลิตคำตอบภาษาธรรมชนที่เป็นคู่สร้าง โดยผ่านการตรวจสอบด้วยตนเอง และจากนั้นจึงได้รับการพิสูจน์อย่างเคร่งครัดโดยเอเจนต์ประเภททางวิญญาณใน Lean V4 ได้คะแนนเต็ม 120/120 ในการพิสูจน์ว่า Axiom คะแนนเท่ากับ Seed-1.5-Prover เป็น 110/120 และ Aristotle เป็น 100/120 ใน Putnam-2025 ซึ่งเป็นที่หนึ่งติดชิดกับกัน ในล่าสุด การใช้ขยายทรัพยากรขนาดใหญ่ในกระบวนการสุดขอบ ทำให้ผลลัพธ์ของกระบวนการใช้งานมีความสามารถในการซึมทั้งเวทีธรรมดา

API และราคา: V4-Flash ลดราคาและอัปเกรดบริบท V4-Pro เป็นระดับโฮหวก

DeepSeek V4 API ได้เริ่มให้บริการซิงโครไรซ์และ V4-Pro และ V4-Flash บัญญัอตนหมายของราคาและแผนการใช้พละ: V4-Flash สร้างตรงปลายทาง V3.2 (deepseek-chat) ไม่เท่าไ ในสหร่างให้ขาและไม่ได้เพิ่มราคา ภามว่าปลายทางไม่ต่อเปลี่ยน 0.2 ดวกทูลบริต่วนแสมดท 2% แดตงตกรณีสูญกสถขฺทียววลิน (-1 เซน 3 เงาที) ซใดเป็วชกพอซี 3 เเล้วลน 2 เ็น 2 ลนึง 33% ปลายทาคลเหนีอื่น SO 24

V4-Pro เป็นแบรนด์ใหม่ ช่วงที่สูงขึ้น ให้ว่ายกินนาดนุ่พิี่ก 1% ณกรณีสุขะูลคนคิ+] ณกรณเส้ปสุด้อาแร่ น چ%็ัใจย 24%) 2% ตทางตรราเจา) วชชกา อนดำเรรรจอา 18 หลงีสสูทวเสร ทำกค ร้งณ 7 งจ เยดำ เงอืแสยี จาาส>

DeepSeek กล่าวบอกว่า: "ตั้งแต่ตอนนี้เป็นต้นไป 1M Context จะเป็นส่วนสำคัญของบริการทุกประการของ DeepSeek"

โครงสร้างพื้นฐานครั้งแรก: DSec ทรายร่างคำนวณโครงรามมีเซ็น

รายงานเทคโนโลยี DeepSeek V4 เปิดเผยโครงสร้างพื้นฐานหลักที่สนับสนุนการฝึกอดีตหลังของเอเย่นต์และการประเมินขนาดใหญ่—DSec ทรายร่างคำนวณระดับผลิตภาพ (DeepSeek Elastic Compute) ครั้งแรก

การเรียนรู้เสริมแบบขนาดใหญ่ในปัจจุบันต้องการสภาพแวดล้อมการทดลองโค้ดที่ใหญ่มาก รายงานเปิดเผยว่าในการปฏิบัติจริง DSec ชุดคำสั่งเดียวสามารถวางตัวระบบกระจาย หลายหมื่นทรายร่างพร้อมกัน ระบบเขียนด้วย Rust ใช้โฟลเดอร์ไซส์ไฟล์กระจาย 3FS สร้างความเป็นไปได้ของการโหลดแบบตามคำขอ ทำลายกำแพงประสิทธิภาพความช้าจากการเริ่มต้นหรือการรีสตาร์ทขนาดใหญ่ของทรายร่าง

สำหรับประสบการณ์ของนักพัฒนา DSec ใช้ชุด SDK ภาษา Python รวมการเรียกใช้งานฟังก์ชัน เครื่องรันคอนเทนเนอร์ และเครื่องเสมือนเล็กและเครื่องเสมือนเต็มรูปแบบ การสลับสถานการณ์นั้นให้เปลี่ยนเพียงแค่พารามิตเตอร์เดียว สำหรับปัญหาที่พบบ่อยในกลุ่มแรงการทำงานทรายร่าง DSec มีการแนะนำว่า: เมื่องานขยับกลับมา ระบบจะแทนที่ว่าง ๆ ด้วยต้านระเบิดระบบบันทึกแดกทั่วโลก การรีเพลย์คำสั่งที่ถูกแคชไว้อยู่ ไม่เพียงทำให้การฝึกที่ถูกหยุดช้าที่สุด แต่ยังป้องกันความผิดกึ่งโดยไม่ต้องกระทำซ้ำ

V4 ใช้ข้อมูลตอบกลับความเคลื่อนไหวที่ยาก

ก่อนที่จะเผยแพร่ DeepSeek V4 ชุมชนได้มีการแพร่กระจายกว้างพยากรณ์ที่ว่า: เหตุผลว่าเวอร์ชัน 4 มีการขึ้นออนไลน์ช้ากว่าที่คาดไว้ มาจากปัญหาในการปรับตั้งค่าจาก NVIDIA สู่แพลตฟอร์ม Huawei Ascend รายงานเทคโนโลยี V4 ถึงแม้จะไม่ตอบกลับข่าวลือที่พึ่งนี้แต่ข้อมูลเห็นได้ชัดว่ากับข่าว

รายงานแสดงว่า: วางจำแนกระดับเชี่ยวชชี่ที่ V4 ได้ติดตั้งแล้วทั้งใน NVIDIA GPU และ Core Huawei Ascend NPU ธุรกรรพ์อนาคตโตรโกยัเพิ่มความเร็วของหน้าที่การคิด 1.50 ต่อ 1.73 เท่าเดิมการวางแผนสำหรับเกมส์ทดลองและการบริการเอเย่นต์ที่รับไปค่อนข้างไวสูงสุดเพิ่มความเร็ว 1.96 เท่าได้วางลงบันกันนอกนี้ทีมพัฒนาได้ทำให้ CUDA Version Kernel MegaMoE มาตรฐาน DeepGEMM เปิดเผยว่า V4 รา่วงใช้เครื่อจำกัดกรณีทั่วไปในทรายร่าง DSec ไม่มีความเสียหายจากปัญหาการควา่แก้ข้อคารพลับ

ยินดีต้อนรับสู่ชุมชนทางการของ BlockBeats:

กลุ่ม Telegram สมัครสมาชิก: https://t.me/theblockbeats

กลุ่ม Telegram พูดคุย: https://t.me/BlockBeats_App

บัญชี Twitter ทางการ: https://twitter.com/BlockBeatsAsia