文章重點
- DeepSeek V4預計2月17日發布，瞄準農曆新年檔期，復刻R1的爆款策略
- 兩篇奠基論文：Engram條件記憶和mHC流形約束超連接，被稱為「可能塑造基礎模型進化」的突破
- 上下文窗口超過100萬token，可一次性處理整個代碼庫
- 設計可在消費級硬件運行：雙RTX 4090或單RTX 5090即可部署
- 內部測試顯示在編碼任務中超越Claude 3.5 Sonnet和GPT-4o（尚待獨立驗證）
農曆新年的「驚喜彩蛋」
2025年1月底，DeepSeek在農曆新年前夕發布R1，一夜之間登頂美國iOS App Store下載榜，震驚全球科技界。一年後的今天，歷史似乎即將重演。
根據The Information引述知情人士的消息，DeepSeek V4——這家中國AI實驗室的下一代旗艦模型——預計在2月17日（農曆新年期間）發布。2月11日，用戶已發現DeepSeek悄悄將上下文窗口從128K擴展到100萬token，知識截止日期更新至2025年5月——這些很可能是V4的預覽。
兩篇論文，兩大突破
V4的技術基礎建立在DeepSeek近期發表的兩篇重要研究之上，它們代表了Transformer架構的根本性創新：
Engram：條件記憶
2026年1月12日，DeepSeek與北京大學聯合在arXiv發表了Engram論文（arXiv:2601.07372）。Engram引入了「條件記憶」作為傳統混合專家（MoE）計算之外的互補稀疏性軸。
其核心創新在於：使用確定性雜湊查找（O(1)複雜度）處理靜態模式識別，同時將計算資源保留給真正需要推理的動態任務。這就像給AI模型裝上了一個「記憶索引」——重複出現的模式不需要每次都重新計算，直接從記憶中提取即可。
mHC：流形約束超連接
在2025年的最後一天，DeepSeek發布了mHC（Manifold-Constrained Hyper-Connections）論文，由創始人梁文鋒共同署名。mHC解決了大規模AI訓練中最頑固的問題之一：訓練不穩定性。
mHC為什麼重要？
知名機器學習研究者Sebastian Raschka稱mHC為「一個引人注目的突破，可能塑造基礎模型的進化」。傳統上，訓練超大規模的Transformer模型時，模型容易出現梯度爆炸或消失，導致訓練失敗——這是耗資數億美元的訓練過程中最令人恐懼的問題。mHC通過在流形空間中施加幾何約束來穩定訓練過程，使得「激進的參數擴展」成為可能——突破了GPU記憶體的限制。
一次處理整個代碼庫
超過100萬token的上下文窗口是V4最引人注目的實用特性。這意味著開發者可以將整個中型代碼庫一次性送入模型進行分析——不需要切分、不需要摘要、不需要遺失上下文。對於代碼審查、重構和跨文件的Bug定位，這將是質的改變。
消費級硬件的民主化
與追求更大集群、更多GPU的行業趨勢背道而馳，DeepSeek V4被設計為可在消費級硬件上運行：雙NVIDIA RTX 4090或單RTX 5090即可部署。這延續了DeepSeek一貫的「高效率」理念——用更少的資源做更多的事情。如果V4如期開源（按照V3和R1的先例），這將極大降低前沿AI模型的使用門檻。
性能聲稱與待驗證
DeepSeek內部人員的測試據稱顯示V4在編碼任務中超越了Anthropic的Claude 3.5 Sonnet和OpenAI的GPT-4o。然而，這些聲稱尚未獲得獨立驗證。在AI模型評測領域，自我報告的基準測試成績和獨立測試之間往往存在差距。關鍵的參考基準是SWE-bench，目前Claude Opus 4.5以80.9%的解決率領先。
開源的戰略意義
DeepSeek持續以寬容許可證開源旗艦模型的做法，正在對整個AI行業產生結構性影響。正如MIT Technology Review所觀察的：2026年，越來越多矽谷應用正在悄悄使用中國開源模型作為底層技術。中國模型與西方前沿之間的差距已從數月縮短到數週，有時甚至更短。
對香港及大灣區的影響
DeepSeek V4的消費級硬件友好設計，對於香港和大灣區的中小型科技企業尤為重要。不需要昂貴的雲端GPU集群，本地開發團隊就能部署前沿級別的AI編碼助手。加上DeepSeek的中文理解優勢，這可能推動香港軟件業對AI工具的加速採用。然而，企業也需要謹慎評估使用中國AI模型在數據安全和合規方面的考量。