DeepSeek 推出 V4 系列模型：百萬 Token 上下文與 $120 億融資改寫開源 AI 格局
DeepSeek 正式預覽 V4 系列——Pro 版以 1.6T 參數（49B 活躍）支援百萬 Token 上下文，僅需 V3.2 的 27% 推理 FLOPs 與 10% KV 快取；同期完成 $120 億融資，Tencent 與 CATL 領投，為 2027 年 IPO 鋪路。香港企業應關注長上下文成本急降對 AI 應用架構的深遠影響。
DeepSeek 於 10 月 8 日正式發布 V4 系列模型預覽，推出兩款 MoE（混合專家）語言模型——DeepSeek-V4-Pro（1.6T 總參數，49B 活躍）與 DeepSeek-V4-Flash（284B 參數，13B 活躍），雙雙支援 一百萬 Token 的上下文長度。幾乎同一時間，DeepSeek 被披露正在完成一輪至少 $120 億美元 的融資，由 Tencent（騰訊）與 CATL（宁德时代）領投，估值約 $750 億美元，為 2027 年 IPO 鋪路。
當開源模型能在一百萬 Token 的長上下文中僅用不到三成的算力就完成推理，企業 AI 部署的成本模型正在被重新定義。
架構突破：從注意力機制到訓練優化
V4 系列的核心改進來自由 DeepSeek 自主研發的混合注意力架構，將 壓縮式稀疏注意力（CSA） 與 高壓縮注意力（HCA） 結合，從根本上改善長序列處理的效率。與此同時，流形約束超連接（mHC） 增強了傳統殘差連接的表現力，而 Muon 優化器 則加速收斂並提升訓練穩定性。
在效率層面，V4-Pro 在百萬 Token 長度下僅需 V3.2 的 27% 單 Token 推理 FLOPs 與 10% KV 快取；更具突破性的是，V4-Flash 在此設定下更進一步，僅需 V3.2 的 10% FLOPs 與 7% KV 快取。這意味著以往需要昂貴基礎設施才能處理的超長文檔、代碼庫或代理軌跡，現在不再只是理論可能，而是 日常可行的操作模式。
大規模資金：從 $75B 到 $120B 的加速
據 Bloomberg 報導，DeepSeek 原本計劃融資約 $75 億美元，估值 $750 億美元。由於投資者——特別是 Tencent 和 CATL——表現出的濃厚興趣，融資總額可能最終接近 $150 億美元。這輪融資的核心驅動力來自 V4-Flash 模型在成本與性能上的突破，該模型已證明能以遠低於競爭對手的成本達到接近前沿模型的表現。
融資完成後，DeepSeek 計劃重組並於 2027 年初 IPO。公司同時正在建設一座至少配備 16 萬顆華為 AI 晶片 的資料中心，位於内蒙古。創始人梁文峰持續堅持開放權重策略，即使用 MIT 授權發布模型權重，允許社群自由使用和修改。
從 $2 到 $10 再到接近零：成本曲線的陡降
對比 V4 的價格數據可以發現一個清晰的趨勢。V4-Pro 的 API 價格為每百萬輸入 Token $1.32（峰值）/$0.66（離峰），輸出 Token $3.96（峰值）/$1.98（離峰），快取命中時更可獲得約 97% 的折扣。V4-Flash 更便宜：輸入 $0.44（峰值）/$0.22（離峰），輸出 $1.32（峰值）/$0.66（離峰）。
更值得關注的是新發布的 V4.1 Flash，輸入價格低至 $0.15（離峰），輸出 $0.60（離峰）——不到一個月前同類產品價格的十分之一。當以 DeepSeek V4 Pro 進行百萬 Token 級別的推理，其成本僅為 GPT-6 Astra 或 Claude Opus 5.5 的同類操作的 一小部分。
對香港企業的啟示
長上下文應用的成本門檻驟降。對於需要處理大量合約、政策文件、或研發報告的香港企業，DeepSeek V4 意味著可以在一個上下文窗口中完成整份文件的分析，而不再需要分段處理或依賴 RAG 架構。這直接影響企業在文件審閱、合規檢查、市場研究等場景的工具選擇。
開源模型的戰略優勢日趨明顯。V4 系列以 MIT 授權發布，權重可在 Hugging Face 下載。對於對數據主權有較高要求的香港金融、法律及醫療機構，開源模型提供了一條不需要將數據送出本地就可以使用前沿 AI 能力的路徑。
供應鏈多元化信號。DeepSeek 同時在建設基於 Huawei Ascend 晶片的大型集群，並開源了針對華為晶片的 TileLang-Ascend 等核心庫。對於擔心 NVIDIA 生態系統依賴的亞洲企業，這是一條不那麼被人注意但正在成形的替代路徑。
結語
DeepSeek V4 發布的特別之處不在於參數規模——1.6T 總參數雖然驚人，但業界已對規模競賽產生疲勞——而是在於它同時推進了 效率 與 開放性。當一個開源模型能用十分之一的算力達到同等甚至更好的長上下文效果，並且以 MIT 授權讓任何團隊都能部署它時，前沿 AI 的成本結構就不再只是 OpenAI 或 Anthropic 的內部問題。
對香港企業而言，接下來的六到十二個月需要回答的問題不是「該不該用 AI」，而是「應該把自己的應用建立在哪個模型的成本曲線之上」——這個選擇的經濟影響，遠比任何模型排行榜上的幾個百分點更重要。