DeepSeek V4开源，1M上下文，Agentic Coding全解读，你好奇吗？
- 内容介绍
- 文章标签
- 相关推荐
看到 DeepSeek V4 开源的那条推送， 我第一反应不是点赞，而是直接把手里的咖啡放下了心里有点慌也有点兴奋。1M 上下文，这数字听起来像个玩笑，可它真实的来了而且不是测试室概念， CPU你。 是能直接用的服务标配。去年较大家还在探讨 Gemini 的百万窗口有更多奢侈， 今年它直接被拉成了开源基础设施，这种降维打击的感觉，说实话挺上头的。
V4 这次给我的冲击最主要集中在两个地方， 一个是较长上下文的真实实体感，一个是 Agentic Coding 的实用度。官方说得很直白，从今天启动全部官方服务默认就是1M 上下文，别再纠结要不要切窗口了。更关键的是效率， V4-Pro 处理一个 token 的算力消耗只有 V3.2 的27%左右， 物超所值。 KV 缓存占用跌到10%。百万字的内容不再是坚硬扛全量计算， 而是先被压缩成几千个较高度浓缩的语义要点再处理，当前这个思路让我想起以前看论文时那种顿悟时刻，很爽。
1M 上下文不是噱头， 是工作岗位流的沉重塑
体验感拉满。 我以前做项目复盘，最怕的就是把十几万字的需求文档、会议纪要、代码仓库日志一起丢进模型，最终还是结果是模型只记住开头和。当前不一样了。你能够直接把整个 monorepo 的 README、 全年的迭代记录、一堆 PR 描写一次性喂进去，它能保持连贯性。这对做代码审查、对齐跨团队文档简直是救命。
V4-Pro 是1.6T 总参数49B活跃的版本， V4-Flash 是284B总参数13B活跃，两者都支持百万窗口但定位不同。我试过把一个接近80万 token 的技术手段方案书丢进去让它提炼风险因素点和依赖关系， 它没卡，也没有那种典型的中段失忆。它先做摘要压缩，再做推理，这种 DSA 稀疏注意力带来的投入成本持续下降，让较长上下文从奢侈品变成了日常工具。
说到这儿顺便吐槽一句， 我之前写过一篇类似的技术手段拆解发出去后很久都没动静，后来自己查了半天为哪些百度不收录。
看到 DeepSeek V4 开源的那条推送， 我第一反应不是点赞，而是直接把手里的咖啡放下了心里有点慌也有点兴奋。1M 上下文，这数字听起来像个玩笑，可它真实的来了而且不是测试室概念， CPU你。 是能直接用的服务标配。去年较大家还在探讨 Gemini 的百万窗口有更多奢侈， 今年它直接被拉成了开源基础设施，这种降维打击的感觉，说实话挺上头的。
V4 这次给我的冲击最主要集中在两个地方， 一个是较长上下文的真实实体感，一个是 Agentic Coding 的实用度。官方说得很直白，从今天启动全部官方服务默认就是1M 上下文，别再纠结要不要切窗口了。更关键的是效率， V4-Pro 处理一个 token 的算力消耗只有 V3.2 的27%左右， 物超所值。 KV 缓存占用跌到10%。百万字的内容不再是坚硬扛全量计算， 而是先被压缩成几千个较高度浓缩的语义要点再处理，当前这个思路让我想起以前看论文时那种顿悟时刻，很爽。
1M 上下文不是噱头， 是工作岗位流的沉重塑
体验感拉满。 我以前做项目复盘，最怕的就是把十几万字的需求文档、会议纪要、代码仓库日志一起丢进模型，最终还是结果是模型只记住开头和。当前不一样了。你能够直接把整个 monorepo 的 README、 全年的迭代记录、一堆 PR 描写一次性喂进去，它能保持连贯性。这对做代码审查、对齐跨团队文档简直是救命。
V4-Pro 是1.6T 总参数49B活跃的版本， V4-Flash 是284B总参数13B活跃，两者都支持百万窗口但定位不同。我试过把一个接近80万 token 的技术手段方案书丢进去让它提炼风险因素点和依赖关系， 它没卡，也没有那种典型的中段失忆。它先做摘要压缩，再做推理，这种 DSA 稀疏注意力带来的投入成本持续下降，让较长上下文从奢侈品变成了日常工具。
说到这儿顺便吐槽一句， 我之前写过一篇类似的技术手段拆解发出去后很久都没动静，后来自己查了半天为哪些百度不收录。