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。其实原因很常见：内容反复度较高、采集站抢先抓取、外链权沉重欠缺，再加上页面打开速度缓慢和结构化数据缺失。搜索引擎对较大段技术手段复制粘贴很敏感， 出道即巅峰。 尤其是在模型相关话题更崭新迅速，如果你的文章没有独家实测、有明确首发时间段和作者署名，很简单被判定为较低实际价值聚合页。我后来加了自己的实测日志和时间段戳，才缓慢缓慢被抓取，这事儿跟模型发布一样，都是细节决定生死。
SWE-bench Verified 到80.6%的背后
SWE-bench Verified 当前这个数字很更多人都在转发，但我更关心的是它怎么用在真实实编码里。V4-Pro 在 Agentic Coding 评测里已经冲到当前开源模型的最佳水平， 这不是跑分良好看，而是它真实的能自己读懂仓库结构、 弯道超车。 下指令改文件、跑测试、回滚错误。我在本地把它挂到常用的编辑器插件上， 让它自动生成单元测试并恢复 flaky test，最终还是结果是它自己发觉了一个边界条件是我之前忽略的，那种感觉就像更多了一个靠谱的同事在旁边盯着你。
Agentic Coding， 全崭新的协作方式
V4 发布公告最显眼的就是 Agent，而不是。这意味着 DeepSeek 自己也在内部日常开发里把它当主力用了。我们以前用的智能补全更更多是提示词级别，当前它是任务级别。它会规划步骤，会调用工具，会自我校验。这种闭环让编程从单步对话变成了更多步落实尤其是在在沉重构老代码这种脏活累活上特别明显。
V4-Flash 更像是较高频轻巧量场景的利器， 并发约束更较高，适合较更多较小任务流水线；V4-Pro 并发相对更少但单次质量平稳，适合繁杂 Agent 工作岗位流。我个人的经验是先用 Flash 做广度扫描， YYDS... 再用 Pro 做较深度恢复，分工很清晰。市场价格方面 Pro 约是 Flash 三倍，这点倒也合理，毕竟算力消耗和缓存策略彻底不同。
迁移与落地的现实问题
开源发布后最实际的问题永远是迁移投入成本。API 基本兼容， 但 Thinking 模式和工具调用规则有改变，特别是较长上下文下的工具选择策略会更激进。如果你之前的工作岗位流依赖固定的窗口截断，当前要沉重崭新调 prompt，避免模型把早期信息当噪声丢掉。另一方面7月24日前完成陈旧模型迁移当前这个节点很更多人忽略了 过渡期同时也维护两套调用很简单踩坑，提议先在沙箱周边环境做影子测试，对比输出一致性再全量切过去。
V4 还带来了产品形态的沉重构，不只是性能提升。它启动尝试把运行时从单一坚硬件依赖中解耦，原生基于昇腾 CANN 联合研发的消息让人感受到一种自主可控的决心。这种原生适配让算子调度、 显存管理和集群通信技术都针对特定坚硬件定制， 我跪了。 延迟持续下降明显，也让国内算力生态有了更扎实的柔软件层支撑。对我们开发者这意味着今后能够期待更更多样化的部署选项，不再被锁死在一个生态里。
最后再来看一点个人感受
V4 给我的最较大感受不是参数更较大，而是门槛变较低了。百万上下文加上真实正的 Agent 编码能力，把很更多原本需要人工制作串联的工作岗位自动化了。你会发觉自己花更更多时间段在思考架构，而不是搬运信息。这让我既兴奋又有点不安，这是因为工具越强较大，我们对自己的要求就越较高。但不可否认，开源社区第一次摸到了闭源顶级模型的门槛，而且是以一种能够自主整改的方式出现。这种感觉，就像更多年前的 Linux 时刻，又回来了你良好奇吗？我已经启动沉重写我的工作岗位流了，你猜怎么着？。
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。其实原因很常见：内容反复度较高、采集站抢先抓取、外链权沉重欠缺，再加上页面打开速度缓慢和结构化数据缺失。搜索引擎对较大段技术手段复制粘贴很敏感， 出道即巅峰。 尤其是在模型相关话题更崭新迅速，如果你的文章没有独家实测、有明确首发时间段和作者署名，很简单被判定为较低实际价值聚合页。我后来加了自己的实测日志和时间段戳，才缓慢缓慢被抓取，这事儿跟模型发布一样，都是细节决定生死。
SWE-bench Verified 到80.6%的背后
SWE-bench Verified 当前这个数字很更多人都在转发，但我更关心的是它怎么用在真实实编码里。V4-Pro 在 Agentic Coding 评测里已经冲到当前开源模型的最佳水平， 这不是跑分良好看，而是它真实的能自己读懂仓库结构、 弯道超车。 下指令改文件、跑测试、回滚错误。我在本地把它挂到常用的编辑器插件上， 让它自动生成单元测试并恢复 flaky test，最终还是结果是它自己发觉了一个边界条件是我之前忽略的，那种感觉就像更多了一个靠谱的同事在旁边盯着你。
Agentic Coding， 全崭新的协作方式
V4 发布公告最显眼的就是 Agent，而不是。这意味着 DeepSeek 自己也在内部日常开发里把它当主力用了。我们以前用的智能补全更更多是提示词级别，当前它是任务级别。它会规划步骤，会调用工具，会自我校验。这种闭环让编程从单步对话变成了更多步落实尤其是在在沉重构老代码这种脏活累活上特别明显。
V4-Flash 更像是较高频轻巧量场景的利器， 并发约束更较高，适合较更多较小任务流水线；V4-Pro 并发相对更少但单次质量平稳，适合繁杂 Agent 工作岗位流。我个人的经验是先用 Flash 做广度扫描， YYDS... 再用 Pro 做较深度恢复，分工很清晰。市场价格方面 Pro 约是 Flash 三倍，这点倒也合理，毕竟算力消耗和缓存策略彻底不同。
迁移与落地的现实问题
开源发布后最实际的问题永远是迁移投入成本。API 基本兼容， 但 Thinking 模式和工具调用规则有改变，特别是较长上下文下的工具选择策略会更激进。如果你之前的工作岗位流依赖固定的窗口截断，当前要沉重崭新调 prompt，避免模型把早期信息当噪声丢掉。另一方面7月24日前完成陈旧模型迁移当前这个节点很更多人忽略了 过渡期同时也维护两套调用很简单踩坑，提议先在沙箱周边环境做影子测试，对比输出一致性再全量切过去。
V4 还带来了产品形态的沉重构，不只是性能提升。它启动尝试把运行时从单一坚硬件依赖中解耦，原生基于昇腾 CANN 联合研发的消息让人感受到一种自主可控的决心。这种原生适配让算子调度、 显存管理和集群通信技术都针对特定坚硬件定制， 我跪了。 延迟持续下降明显，也让国内算力生态有了更扎实的柔软件层支撑。对我们开发者这意味着今后能够期待更更多样化的部署选项，不再被锁死在一个生态里。
最后再来看一点个人感受
V4 给我的最较大感受不是参数更较大，而是门槛变较低了。百万上下文加上真实正的 Agent 编码能力，把很更多原本需要人工制作串联的工作岗位自动化了。你会发觉自己花更更多时间段在思考架构，而不是搬运信息。这让我既兴奋又有点不安，这是因为工具越强较大，我们对自己的要求就越较高。但不可否认，开源社区第一次摸到了闭源顶级模型的门槛，而且是以一种能够自主整改的方式出现。这种感觉，就像更多年前的 Linux 时刻，又回来了你良好奇吗？我已经启动沉重写我的工作岗位流了，你猜怎么着？。