百万上下文之后，拼什么？

DeepSeek V4-Pro在SimpleQA-Verified测试中以20个百分点的优势领先开源对手，在Codeforces代码竞赛中追平GPT-5.4，但在世界知识广度上仍逊于Gemini-3.1-Pro，面对极难任务与Claude Opus 4.6尚有微小差距。然而，V4的真正价值不在跑分。

核心转向：从模型战到系统战
过去行业比拼参数与跑分，V4则定义了新规则：模型只是高效工程系统的副产品。1M上下文成为默认配置，其开源实现表明这并非靠算力硬堆，而是依赖机房调度能力。

13B激活参数反超37B
V4推出Pro（总参数1.6T，激活49B）与Flash（总参数284B，激活13B）共生设计。Flash-Base以仅13B的激活参数，在大量挑战性测试中直接超越了上一代37B激活参数的V3.2-Base，证明算力霸权可被架构重构打破。参数规模已失去决定性意义，调度能力成为主战场。

后训练换道：同策略蒸馏（OPD）
传统混合强化学习导致特化能力被磨平。V4采用独立培养专家（数学、代码等），再通过OPD实现动态接管：遇到数学题引入数学专家梯度，遇到代码切换代码专家，各司其职。这催生了产品端的“三种推理模式”（无思考、高强度思考、极限思考）。

长上下文应用：交织思考与快速指令
过去长任务中插入新消息会导致模型“失忆”。V4引入“交织思考”：在带工具调用的长程场景中完整保留推理链条，闲聊时则清空算力。同时，“快速指令”无需外挂小模型做意图识别，而是复用主模型已算好的KV Cache，直接砍掉冗余预填充计算。

缓存策略：硬件寿命与延迟的极限算账
文档列出三种调度策略：完全缓存（计算零冗余，但可能挤爆SSD I/O）、定期检查点（保护硬盘但GPU需处理尾部数据）、零缓存（省存储带宽，全靠现场硬算）。这揭示AI正从算力密集型转向调度密集型产业。

结论
DeepSeek V4的决胜点不是智商，而是机房成本。当对手还在比拼跑分与参数规模时，V4已在计算每百万Token的电费。长文本下一场战争的核心是调度效率与硬件成本。