1. 与市场不同的观点：国产算力适配的探路者，
资本市场对 DeepSeek 的定位存在一定认知偏差，其核心定位已从挑战闭源模型， 转向扛起开源龙头技术普惠与国产算力生态适配的使命。自 DeepSeek V3.13.2 版本起， 其研发重心便从单一模型能力追赶，转向国产算力生态的底层适配与技术开源。模型训 练端率先完成国产芯片的导入与适配，系统性解决国产芯片在大模型落地中的核心痛点， 同时将核心技术全面开源，大幅降低行业对国产芯片的应用门槛与试错成本，从底层推 动国产算力全链条的生态成熟与规模化应用，为国产算力产业创造长期市场需求。
在全球科技竞争加剧、潜在技术脱钩与高端算力出口管制持续升级的背景下， DeepSeek 与国内头部科技企业共同承担着筑牢中国 AI 大模型软硬件自主可控底线的 核心使命。相较于短期性能与性价比的市场争议，其核心价值在于重塑国内 AI 产业对 海外技术与算力的依赖格局，解决了 AI 产业自主发展 “有与没有” 的核心安全问题。
DeepSeek V4 的产业价值与长期布局，契合全球 AI 竞争的核心逻辑——生态主导 权的争夺远重于短期性能差距。DeepSeek V4 预览版不仅实现了对海外主流闭源大模型 的高性价比平替，在保持全球顶级性能梯队的同时，将应用成本降至闭源模型的零头， 既加速了国产算力的规模化落地，更验证了国产算力体系从训推全链路支撑顶级 AI 生 产力的可行性。美国白宫《Winning the AI Race: America’s AI Action Plan》明确提出，AI 生态系统规模将直接影响全球 AI 标准制定权，并决定相关国家能否获得广泛的经济与 军事利益。性能差距可通过技术迭代逐步弥补，但 AI 生态的卡位与构建已刻不容缓， 这正是 DeepSeek 长期布局的核心逻辑，也是当前资本市场普遍忽视的中长期价值锚点。
2. DeepSeek V4：首个实现国产算力训练适配的顶级通用大模型
长期以来，全球顶级通用大模型的训练环节高度依赖 NVIDIA GPU 与 CUDA 生 态，国产算力在大模型领域的应用大多局限于推理侧，难以进入核心的训练环节。核心 瓶颈在于模型底层架构、算子开发、量化体系均深度绑定 NVIDIA 技术栈，向国产芯片 迁移的成本极高、性能损耗显著。而 DeepSeek V4 Flash 版本首次实现了通用大模型训 练侧的国产算力适配，通过三大核心技术设计，开始由纯适配英伟达的训练框架转向国 产算力，为国产大模型的国产化训练奠定了技术基础。
2.1. MXFP4 量化感知训练：打破 NVIDIA 浮点生态强绑定
2.1.1. 什么是 MXFP4
MXFP4（Microscaling Data Formats 4-bit）是由行业厂商联合推出的微缩放 4 位浮点 数格式，核心是通过细粒度的块级缩放因子，实现低精度的数值表示，在大幅降低显存 占用与计算量的同时，最小化精度损失。相较于传统的 INT4 量化，MXFP4 浮点数格 式在动态范围、精度保留上具备天然优势，更适配大模型 Transformer 结构的数值分布 特征。
2.1.2. MXFP4 在 DeepSeek V4 中的具体应用环节
根据 DeepSeek V4 技术文档，模型在训练与推理全流程中，将 MXFP4 量化应用于 两大核心组件，实现了显存与计算量的双重优化：
MoE 专家权重量化：MoE 结构的专家权重是大模型显存占用的核心来源，DeepSeek V4 对所有路由专家参数采用 MXFP4 量化，在训练阶段通过量化感知训练（QAT）让模 型适配精度损失，推理阶段直接使用原生 FP4 权重，大幅降低显存占用与内存加载开销。
CSA 索引器 QK 路径全链路量化：对压缩稀疏注意力（CSA）中闪电索引器的 QueryKey（QK）路径，实现了从激活值缓存、加载到矩阵乘法的全流程 FP4 精度执行，大幅 加速了超长上下文下的注意力分数计算。
辅助量化优化：在 QAT 过程中，将索引器输出的索引分数从 FP32 量化至 BF16， 使 top-k 选择器的执行速度提升 2 倍，同时 KV 条目的召回率仍保持 99.7%，几乎无精 度损失。
2.1.3. MXFP4 助力国产化适配的核心逻辑
MXFP4 量化体系的设计，从底层动摇了大模型对 NVIDIA FP8 生态的强绑定，是实现国产化适配的核心基石：
无损反量化实现跨平台兼容：DeepSeek V4 的 MXFP4 量化实现了 FP4 到 FP8 的无 损反量化——FP8（E4M3）格式相比 FP4（E2M1）多 2 个指数位，具备更大的动态范 围，只要 FP4 子块的缩放因子比值不超过阈值，细粒度缩放信息就能被 FP8 的动态范围 完全吸收。这意味着整个 QAT 管线可以完全复用现有的 FP8 训练框架，无需修改反向 传播管线。国产 AI 芯片厂商正在加速补齐 FP8、MXFP8、MXFP4 等低精度计算能力。
华为新一代昇腾 950 系列已明确支持 FP8、MXFP8、MXFP4 等格式，寒武纪公开资料 也披露其大模型训练方案具备原生 FP8 计算能力，为未来国产大模型适配打下基础。 为国产硬件预留优化空间：技术文档明确指出，尽管当前硬件上 FP4×FP8 运算的 峰值 FLOPs 与 FP8×FP8 持平，但在未来硬件架构上，FP4×FP8 理论上可实现 1/3 的 效率提升。这一设计为国产芯片厂商提供了全新的技术迭代方向，国产厂商可基于 MXFP4 格式设计专属的计算加速单元，无需跟随 NVIDIA 的技术路线被动迭代。
降低国产硬件的适配门槛：MXFP4 量化大幅降低了模型对显存带宽、计算单元的 要求，使显存与算力规格相对有限的国产芯片，也能承载万亿参数 MoE 模型的训练与 推理，大幅拓宽了国产算力的应用边界。
2.1.4. MXFP4 当前存在的短板
从技术落地的实际情况来看，MXFP4 量化仍存在一定的局限性：
量化覆盖范围有限：当前 MXFP4 仅应用于 MoE 专家权重与 CSA 索引器 QK 路径， 对于模型嵌入层、注意力核心计算、残差连接等核心模块，仍需采用 BF16/FP8 精度， 无法实现全模型 FP4 量化，显存优化的范围存在局限。
权重分布约束性强：FP4 到 FP8 的无损反量化，依赖于权重缩放因子的比值满足阈 值要求，对于极端分布的长尾权重参数，仍可能出现精度损失，进而影响模型在低概率 知识、高难度推理任务上的表现。
硬件生态成熟度不足：包括国产芯片在内的当前主流硬件，对 FP4×FP8 融合计算 的硬件加速支持仍不完善，现阶段 MXFP4 的理论效率优势无法完全发挥，只能通过量 化感知训练模拟实现，实际部署的加速效果受限于硬件生态的成熟度。
2.2. TileLang 领域专用语言：脱离 CUDA 生态的底层算子底座
2.2.1. 什么是 TileLang
TileLang 是由北大团队开发的一款面向现代神经网络内核开发的领域专用语言 （DSL），核心价值是在张量计算的底层开发中，平衡开发效率与运行时性能。传统大模型底层算子开发依赖 CUDA，开发者需要针对不同硬件平台重写算子，开发成本极高； 而 TileLang 实现了开发中可实现跨平台编译优化，让开发者在同一代码库中即可完成算 子的快速原型开发与深度性能优化，无需针对不同硬件架构重复开发。
2.2.2. DeepSeek 采用 TileLang 的核心战略意义
TileLang 的应用，是 DeepSeek V4 实现国产化适配的核心底层支撑，其最大意义 在于彻底脱离了对 NVIDIA CUDA 生态的强绑定。具体体现在三大维度： 跨平台迁移成本大幅降低：传统大模型的底层算子几乎全部基于 CUDA 开发，国 产芯片想要适配，需要逐一对标 CUDA 算子进行重写和优化，不仅迁移周期长，性能往 往无法达到原生水平。而 TileLang 作为跨平台 DSL，基于其开发的融合内核，可在 NVIDIA GPU、华为昇腾 NPU 等不同硬件平台上直接编译优化，无需重写核心代码，让 DeepSeek V4 向国产算力平台的迁移效率实现了量级提升。
开发效率与运行性能的完美平衡：DeepSeek V4 的创新架构原本会产生数百个细粒 度的 Torch ATen 算子，调用开销大、性能损耗显著。通过 TileLang 开发融合内核，替代 了绝大多数原生算子，实现了最优的运行性能。同时，TileLang 的 Host Codegen 技术， 将主机端的运行时检查、参数校验等逻辑从 Python 侧移至生成的主机代码中，把 CPU 端的校验开销从数十到数百微秒降至 1 微秒以内，解决了国产硬件平台上 Python 调度 开销大的核心痛点。
全流程数值一致性保障：TileLang 默认关闭 fast-math 优化，提供符合 IEEE-754 标 准的数值内联函数，同时对齐 CUDA 工具链的代数简化与降级规则，可实现与手写 CUDA 内核位级一致的输出。这一特性保证了 DeepSeek V4 在预训练、后训练、推理全 流程中，跨不同硬件平台的数值一致性，解决了“国产芯片训练、英伟达推理”的跨平 台部署数值漂移难题，实现了训练与推理的硬件解耦。
架构创新的快速迭代支撑：TileLang 集成了 Z3 SMT 求解器，实现了形式化整数分 析，可处理张量索引的复杂算术运算，解锁向量化、屏障插入、代码简化等高级优化。 这让 DeepSeek 团队可以快速迭代 CSA、HCA、mHC 等创新架构的算子原型，同时保证 在国产硬件上的性能表现，为国产算力平台上的大模型架构创新提供了底层工具支撑。
2.3. 自研 MegaMoE2 融合内核：解决国产硬件 MoE 通信瓶颈
MoE（混合专家）模型的训练核心瓶颈在于专家并行的跨节点通信。传统专家并行 方案中，通信与计算串行执行，对硬件的互联带宽与延迟要求极高，而国产硬件的互联 能力往往是短板，难以承载万亿参数 MoE 模型的训练。
DeepSeek V4 自研的 MegaMoE2 融合内核，实现了专家并行的细粒度通信-计算重 叠。MegaMoE2 通过将专家拆分调度为多个波次，在稳态下实现当前波次的计算、下一 波次的 token 传输、已完成专家的结果发送三者并行执行，理论加速比可达 1.92 倍。该 内核已在华为昇腾平台完成适配跑通，在通用推理负载上实现 1.50~1.73 倍的速度提升， 在 RL 推理等延迟敏感场景中，最高提速可达 1.96 倍，彻底解决了国产硬件环境下 MoE 模型的通信瓶颈，让万亿参数 MoE 模型在国产算力上的训练成为可能。
3. 性能表现：跻身全球第一梯队，百万级上下文实现商用级突破
DeepSeek V4 系列在知识储备、推理代码、Agent 能力、长上下文、中文创作五大 核心维度，均实现了开源模型的新标杆，多项指标比肩甚至超越国际顶级闭源模型。其 中百万级上下文能力的突破，更是为长程 Agent 任务的落地奠定了核心基础。
3.1. 知识储备：开源模型新标杆，大幅缩小与闭源模型差距
DeepSeek-V4-Pro-Max 在事实知识与专业知识两大维度，均领跑全球开源赛道。在 衡量参数化事实知识的 SimpleQA-Verified 基准上，模型取得 57.9 分，远超 Kimi-K2.6 （36.9）、GLM-5.1（38.1）等主流开源模型；在中文 SimpleQA 基准上，模型得分达 84.4， 直接逼近 Gemini-3.1-Pro 的 85.9，大幅缩小了开源模型与闭源头部模型的中文知识差距。
在高等教育级别的专业知识基准上，Pro-Max 版本在 MMLU-Pro、GPQA Diamond 分别取得 87.5、90.1 的得分，均位列开源模型第一。其中 GPQA Diamond 是面向研究生 级别的多学科知识基准，90.1 的得分意味着模型在专业学术知识上的能力已接近人类专 家水平，仅小幅落后于 Gemini-3.1-Pro 的 94.3。
3.2. 推理与代码能力：开源模型首次追平闭源头部水平
在代码与数学推理这两大硬核能力维度，DeepSeek V4 实现了开源模型的历史性突 破。在 Codeforces 代码竞赛基准上，Pro-Max 版本取得 3206 的 Elo 评分，位列人类选手 排行榜第 23 名，是开源模型首次在该基准上追平 GPT-5.4 等顶级闭源模型；即便是轻 量化的 Flash-Max 版本，Codeforces 评分也达到 3052，推理性能追平 GPT-5.2、Gemini- 3.0-Pro 等闭源模型，实现了小参数规模下的推理能力飞跃。
