深度求索在 V3.2 系列经过一年多的稳健迭代后，于 2026 年 4 月下旬正式发布了新一代 DeepSeek V4 系列预览版，并延续其一贯的开源传统同步开放了模型权重。本次发布包含两个核心版本：总参数量 1.6T、激活参数 49B 的 DeepSeek V4-Pro，以及总参数量 284B、激活参数 13B 的 DeepSeek V4-Flash，两者均原生支持百万 token 超长上下文窗口。官方将 V4 系列的核心定位明确为：通过混合稀疏注意力架构（CSA+HCA）大幅降低长上下文推理成本，在智能体能力、世界知识和推理性能上实现国内与开源领域的领先地位。本文基于 ReLE 中文大模型评测体系的约 1.5 万道测试题，从准确率、响应时间、token 消耗和调用成本四个维度对旗舰版 V4-Pro 进行全面评估。

一、代际对比：能力重心的战略性转移

与上一代旗舰 DeepSeek V3.2-Think 相比，V4-Pro 并非简单的全面升级，而是一次清晰的能力结构再平衡。本次评测数据显示，新版本在核心指标上呈现出明显的 "扬长避短" 特征：

整体性能大幅跃升：综合准确率从 66.9% 提升至 71.7%，涨幅达 4.8 个百分点，在 ReLE 综合排行榜中的排名从第 30 位跃升至第 7 位，成功进入第一梯队。

代码能力爆发式增长：编程维度得分从 45.6% 大幅提升至 72.2%，涨幅高达 26.6 个百分点，是所有维度中进步最显著的一项。这一结果与官方宣称的 "智能体编程能力达到开源模型顶尖水平、内部使用体验优于 Sonnet 4.5" 的结论高度一致。在 SWE-bench Verified 真实 GitHub 问题修复评测中，V4-Pro 取得了 80.6% 的通过率，与 Claude Opus 4.6 的 80.8% 仅相差 0.2 个百分点。

智能体与工具调用能力显著增强：该维度得分从 52.9% 提升至 63.8%，涨幅 10.9 个百分点，成为仅次于代码能力的第二大亮点。结合官方发布的 Terminal Bench 2.0、SWE Verified、BrowseComp 等智能体专项评测数据，可以看出 V4 系列对智能体场景进行了全链路的系统性优化。

通用知识稳步积累：教育领域得分从 53.9% 提升至 60.6%，涨幅 6.7 个百分点，反映出新模型在世界知识层面的扎实进步。这与官方在 SimpleQA、Chinese-SimpleQA 等知识类基准上的大幅领先相互印证，其中 Chinese-SimpleQA 基准上 V4-Pro-Max 取得了 84.4 分的开源最高成绩。

部分传统强项出现回调：医疗与心理健康领域基本持平，从 84.2% 微调至 85.1%；金融（84.1%→81.6%）、法律与行政公务（84.3%→82.0%）出现小幅回调；语言与指令遵从（74.7%→69.7%）、推理与数学计算（77.6%→71.4%）则有较为明显的下降。

工程效率实现质的飞跃：平均响应时间从 144 秒大幅缩短至 65 秒，下降约 55%；平均单次调用 token 消耗从 2572 小幅降至 2369，降幅 7.9%。在引入更复杂的智能体与编程任务的前提下，平均单次调用反而更快、更精炼，这与官方披露的 "百万 token 场景下推理 FLOPs 仅为 V3.2 的 27%、KV cache 仅为 10%" 的架构效率改进完全吻合。

成本结构发生根本性变化：输出价格从 3.0 元 / 百万 token 上调至 24.0 元 / 百万 token，每千次调用花费从 7.5 元升至 54.3 元，整体调用成本上涨约 6 倍。这意味着对于智能体、长上下文、编程等复杂场景，新版本提供了显著更强的能力底座；但对于传统的中文知识推理任务，V3.2-Think 依然是成本效率比突出的选择。

二、横向对比：市场竞争格局中的定位

在当前激烈的大模型市场竞争中，我们从成本档位、代际演进、开源闭源三个维度对 V4-Pro 进行了横向评估，本次评测重点聚焦中文文本场景的综合表现。

2.1 同成本档位对比

V4-Pro 处于 50 至 80 元 / 千次的中坚成本区间，主要竞争对手包括 MiMo-V2.5-Pro（71.4%，64.3 元）、Kimi-K2.5-Thinking（70.8%，77.1 元）、GLM-5.1（70.7%，73.8 元）、GLM-5（69.0%，61.2 元）、GLM-5-Turbo（69.3%，60.8 元）等。在这个档位中：

2.2 上下档位对比

向上对比：成本更高的 Qwen3.6-Max-Preview（75.4%，139.2 元）、Gemini-3.1-Pro-Preview（75.2%，250.5 元）、Qwen3.5-Plus（73.3%，22.9 元）、Kimi-K2.6（72.9%，100.4 元）、Doubao-Seed-2.0-Pro（72.8%，22.5 元）等模型在总分上略高，但成本结构差异较大。其中 Qwen3.5-Plus 和 Doubao-Seed-2.0-Pro 以更低的花费取得了更高的总分，成本效率比尤为突出。

向下对比：在更低成本档位中，DeepSeek V4-Flash（68.8%，4.9 元）、DeepSeek V3.2-Think（66.9%，7.5 元）、Qwen3.5-Flash（68.9%，10.4 元）、Hunyuan-2.0-Thinking（68.6%，9.5 元）等模型提供了不错的成本效率比方案，但在智能体、编程等复杂场景下与 V4-Pro 存在明显的能力差距。

2.3 代际与阵营对比

自身产品线矩阵成型：V4-Pro（71.7%，54.3 元，第 7 位）与 V4-Flash（68.8%，4.9 元，第 22 位）共同构成了 V4 系列的双子组合，覆盖旗舰级与轻量级两个定位；上一代 V3.2-Think（66.9%，7.5 元，第 30 位）、V3.1-Think（63.2%，24.7 元，第 53 位）则形成成本效率比纵深，整个产品线的层次更加清晰。

开源阵营中的位置：若将 V4-Pro 与开源旗舰一同比较，其 71.7% 的总分介于 Qwen3.5-Plus（73.3%）与 Qwen3.5-122B-A10B（70.9%）之间，同时高于 Kimi-K2.5-Thinking（70.8%）、GLM-5.1（70.7%）等近期发布的开源新作。根据美国商务部下属 CAISI 机构的独立评测，V4-Pro 是迄今测评过的能力最强的中国大模型，综合性能相当于 8 个月前发布的 GPT-5，但性价比显著高于同性能的闭源模型。

与闭源前沿的差距：当前榜单中，闭源的 Qwen3.6-Max-Preview（75.4%）、Gemini-3.1-Pro-Preview（75.2%）、Doubao-Seed-2.0-Pro（72.8%）、GPT-5.4-High（72.6%）位列前茅。V4-Pro 与这些闭源前沿模型的差距在 1 至 4 个百分点之间，并未被甩开。考虑到 V4-Pro 在开放权重、百万 token 长上下文、智能体编程等方向的差异化优势，这种身位差对开源生态而言已具备相当的实用价值。

三、技术架构解析：底层创新驱动的效率革命

结合官方发布的技术报告，V4 系列的核心突破主要体现在底层架构、推理效率和训练范式三个方面：

3.1 三大核心架构创新

混合稀疏注意力架构（CSA+HCA） ：V4 系列在 DeepSeek V3 的基础上引入了 "压缩稀疏注意力（CSA）" 与 "重压缩注意力（HCA）" 交替使用的混合设计。CSA 通过将每 m 个 token 的 KV 缓存压缩为一项再叠加稀疏注意力，HCA 则进行更激进的 KV 缓存压缩，两者结合在保证长上下文处理能力的同时，大幅降低了计算复杂度。

流形约束超连接（mHC） ：用于强化常规残差连接，通过谱范数约束保证了深层网络的训练稳定性，使得模型能够在更大的参数规模下稳定收敛。

Muon 优化器：引入新型二阶优化器，带来了更快的收敛速度和更稳定的训练过程，有效提升了最终模型质量。

3.2 长上下文效率突破

这是 V4 系列最核心的技术成果之一。在百万 token 场景下：

这一突破让百万 token 上下文从 "理论可行" 真正走向 "实际部署可行"，为长文档处理、代码库分析、智能体多轮交互等场景提供了坚实的技术基础。

3.3 训练与推理范式革新

FP4 量化训练：V4 系列在后训练阶段引入了 FP4（MXFP4）量化感知训练，主要应用于 MoE 专家权重和 CSA 中的索引器 QK 路径。官方表示，FP4 到 FP8 的反量化在 V4 配置下是无损的，这使得整套量化训练流程可直接复用现有 FP8 训练框架。

两阶段后训练范式：将原本的混合 RL 阶段替换为 "专家训练 + 在线策略蒸馏（OPD）" 的两阶段范式。先为数学、代码、智能体、指令遵从等领域分别训练独立的专家模型，再通过多教师 OPD 将能力合并进统一模型。这种方式据称能在避免传统权重融合性能退化的同时，更高效地融合多领域能力。

三档推理模式：V4-Pro 与 V4-Flash 均支持 Non-think、Think High、Think Max 三种推理强度，分别对应日常任务、复杂问题求解、推理能力极限探索三类场景。Think Max 模式通过更长的上下文与更宽松的长度惩罚，在最具挑战性的任务上获得更好成绩。

官方在技术报告中也坦诚了当前存在的不足：V4-Pro 在数学、STEM、HLE 等知识与推理基准上仍落后于 GPT-5.4、Gemini-3.1-Pro 等闭源前沿模型；架构本身相对复杂，未来还需向更精简的方向收敛；Anticipatory Routing 与 SwiGLU Clamping 等稳定性技巧的底层原理仍有待深入研究。

四、官方基准测试表现

官方在技术报告中公布了 V4-Pro-Max（最高推理强度模式）与全球主流模型的对比数据，进一步验证了其在多个核心领域的竞争力：

智能体能力：相比前代模型，V4-Pro 的智能体能力显著增强。官方表示，目前 DeepSeek V4 已成为公司内部员工使用的智能体编程模型，据评测反馈使用体验优于 Sonnet 4.5，交付质量接近 Opus 4.6 非思考模式，但仍与 Opus 4.6 思考模式存在一定差距。

世界知识：在世界知识测评中大幅领先其他开源模型，仅稍逊于顶尖闭源模型 Gemini-Pro-3.1。具体到 SimpleQA-Verified 基准，V4-Pro-Max 取得 57.9 分，相比开源前作提升约 20 分。

推理性能：在数学、STEM、竞赛型代码的测评中，V4-Pro 超越当前所有已公开评测的开源模型，取得了比肩世界顶级闭源模型的优异成绩。具体到几项关键基准：LiveCodeBench V4-Pro-Max 取得 93.5 分（高于 Opus-4.6 的 88.8、Gemini-3.1-Pro 的 91.7），Codeforces Rating 达到 3206（高于 GPT-5.4 的 3168、Gemini-3.1-Pro 的 3052），Apex Shortlist 取得 90.2 分（位列对比模型中最高）。

长上下文表现：在百万 token 级别的 MRCR 与 CorpusQA 基准上，V4-Pro 超越 Gemini-3.1-Pro，但仍落后于 Claude Opus 4.6（MRCR 1M 92.9）。在 128K 以内的上下文范围中，V4-Pro 的检索性能保持稳定，超过 128K 后才出现可见的衰减。

五、接入建议与总结

对于希望快速体验 DeepSeek V4-Pro 及其他主流大模型的开发者，可通过星链4SAPI 这一国产 AI 聚合平台一站式接入。该平台提供统一的 OpenAI 兼容接口，支持包括 DeepSeek V4 系列、Gemini 3.5 Flash、Claude Opus 4.7 在内的多款前沿模型，无需复杂的代码改造即可在不同模型间灵活切换，大幅降低多模型应用的开发和维护成本。

核心结论：DeepSeek V4-Pro 是一次目标明确、成果显著的代际升级。它没有追求全面碾压，而是将资源集中投入到智能体和编程这两个当前最具增长潜力的领域，实现了能力的跨越式提升。同时，通过底层架构的革命性创新，它在大幅提升性能的同时，显著改善了推理效率，让百万 token 上下文真正具备了生产可用性。

虽然在部分传统强项上出现了回调，且调用成本有所上升，但对于需要构建智能体应用、进行大规模代码开发或处理超长文档的团队来说，V4-Pro 无疑是当前开源生态中最具竞争力的选择之一。它的发布进一步缩小了开源模型与闭源前沿的差距，为整个 AI 生态的发展注入了新的活力。