百万上下文之后，拼什么？

过去几天，科技圈的视线全被DeepSeek吸走了。

满屏都是传闻中的估值溢价，或者是跟各类国产算力芯片的适配通稿。市场的狂热情绪，很容易让人迷失在庞大的数字迷宫里。大众的关注点，要么是“百万上下文"这个听起来很唬人的标签，要么是跑分榜单上“谁又赢了谁零点几分”的算术题。

DeepSeek V4-Pro的分数确实好看。从其技术报告披露的底牌来看，在SimpleQA-Verified测试中，它以20个绝对百分点的优势甩开了所有开源对手；在Codeforces代码竞赛里，预期评分直接追平了GPT-5.4。当然，在世界知识的广度上，它依然略逊于Gemini-3.1-Pro；遇到极高难度的复杂任务，跟Claude Opus 4.6也还有微小的身位差。

但这都不重要。

如果你只盯着榜单排名，就完全看漏了这家机构真正的野心。

DeepSeek根本不是在发布一个用来刷榜的模型参数包。它实际上是在一点点拆开“百万上下文”这件事的底座。

大模型的战争，已经从模型层退场，全面接管系统层。

过去几年，行业都在拼脑容量。比谁的参数多，比谁跑分高。但这套玩法到头了。V4的出现，是在定义一套新规矩：模型本身，只是高效工程系统自然结出的一个副产品。

当1M上下文变成所有官方服务的出厂默认值时，从其开源实现中可以清晰地看到一个事实：这绝对不是靠算力硬堆出来的。长文本时代的下半场，拼的从来不是智商。

而是机房调度能力。

13B激活参数，把37B按在地上

调度能力从哪看出来？先看V4最反直觉的一个设计：Pro和Flash的共生关系。

行业里一看到“Pro”和“Flash”，第一反应就是精准刀法：Pro用来打标杆，Flash用来做下沉市场，收割中小企业。

这种典型的商业包装逻辑，放在V4身上，看偏了。这两者根本不是算力降级关系，而是验证同一套底层逻辑的对照组。

大模型过去的长文本能力，本质上是用显存硬堆出来的伪能力。只要给的GPU够多，显存够大，不管多长的文本都能硬吞下去。但代价是，成本高到根本没法在真实的商业环境里铺开。

V4-Pro以1.6T的总参数和49B的激活参数把容量拉到了顶。但真正的大招，是那个只有284B总参数、13B激活参数的V4-Flash。

文档里的一个数据直接戳破了行业的窗户纸：在大量极具挑战性的测试中，只有13B激活参数的Flash-Base，直接超越了上一代37B激活参数的V3.2-Base。

13B的极小激活代价，绝不是能力缩水，而是一次底层的效率重构。Flash的意义，不是为了证明它能有多省钱，而是为了证明“算力霸权是可以被架构重构打破的”。

参数规模，已经彻底失去决定性意义。

调度能力，正在取代参数，成为新的主战场。这让百万上下文不再是高阶英伟达集群的专属玩具，国产芯片也能顺畅地接管战局。未来开源模型的分水岭，不再是看谁的底座大，而是看谁能用十分之一的力气干同样的活。

专家和稀泥，不如各管一段

硬件效率是一面，另一面是软件效率。V4在'后训练'阶段也换了一条路。

大模型的“后训练”阶段，过去一直走在一条死胡同里。

行业惯用的混合强化学习（Mixed RL），说的直白点，就是和稀泥。如果你想让模型既懂微积分，又会写C++，还能做日常规划时，传统的做法是把所有的参数强行往中间捏。结果就是“向均值回归”。

强行捏在一起，特化能力全磨平了，最终只会均值化成平庸的通才。

V4换了一条路。不是改良，是彻底换道。技术报告里交代了新解法：先独立培养专家。数学专家就只管算数，代码专家就只管编程。把单一维度的能力拉到满。

关键在于最后怎么合并。V4不用业内泛滥的参数平均法，而是用了同策略蒸馏（OPD）。

传统的权重合并是一种静态妥协，而OPD是一场动态接管。

统一模型在自己生成轨迹时，遇到数学题，系统就精准引入数学专家的梯度来指路；遇到写代码，就无缝切给代码专家。大家各司其职，不在参数层面打架。

顺着这条线往下看，V4应用端那个很火的“三种推理模式”（无思考、高强度思考、极限思考），根本不是加了个UI按钮那么简单。它是OPD机制在产品端的直接变现。

在极限思考模式下，底层提示词会强制模型去分解问题、穷尽边缘情况。这种极其固执的死磕行为，恰恰是在OPD阶段，在“数学专家”和“编程专家”的高强度捶打下固化下来的本能。

OPD不搞平均。遇到数学题，接数学专家；遇到代码，接代码专家。各管一段，不在参数层面打架。

Agent跑了三小时，不能失忆

换完训练方法，换应用场景，长上下文到底能干嘛？

如果只是为了在十万字的研报里找一句话，那不叫长上下文，那叫高级检索。真实的商业场景里，Agent要替你重构代码、跨系统验证数据、甚至跑一整晚的流程。

在这个过程里，最致命的问题是“失忆”。

V3.2有个让工程师极其头疼的痛点：新消息一进来，模型之前的思考痕迹直接清空。普通聊天这么干没问题，省资源。但如果是跑了三个小时的Agent任务，半路插进去一句话，模型脑子一白，整个状态全部丢失，得从头算。

这种链条断裂，在实际业务中直接接不住。

V4给出的方案是“交织思考”。逻辑很冷酷，分场景算账。

只要是带工具调用的长程场景，跨越消息边界，推理链条完整保留。如果是闲聊，继续清空，绝不多浪费一丁点算力。模型开始真正懂得“在什么场合，该记住什么”。

更绝的是它的快速指令（Quick Instruction）。

以前行业里做意图识别，都习惯在外面挂个小模型。这意味着每次有新请求进来，不管长短，系统都得把用户的提示词重新嚼一遍。这本质上是在白白浪费预填充计算。

V4没这么干。从其开源代码中可见：直接在输入序列末尾插几个隐式指令。主模型之前算好的海量特征（KV Cache），直接复用。

长上下文的核心问题，从来不是“记得多”，而是“算得起”。

这其实就是粗暴地砍掉了一次冗余的预填充计算。行业默认一个功能配一个小模型，V4用行动证明：不用。KV Cache复用吃透了，长程Agent才能跑起来。

完全缓存、定期存、不存，都疼

能跑不代表能卖。

第17页有个细节，自动生成的kernel，跟手写CUDA逐位比对。不是差不多，是每一位都一样。这种工程洁癖，业务里少见。有这底线，才敢算部署账。

高并发的百万上下文，拼的根本不是大模型懂不懂人类，拼的是你懂不懂硬件的物理极限在哪。

文档里三种调度策略都列出来了，没有藏着掖着，全是取舍。

想追求计算零冗余？上“完全缓存”。但代价是，固态硬盘的I/O通道可能在几秒钟内被高频写入直接挤爆。

想保护硬盘？上“定期检查点”。隔一段距离存一次。硬盘保住了，但GPU得时不时腾出算力来给丢失的尾部数据擦屁股。

要是干脆不上物理硬盘缓存呢？那就选“零缓存”。省下全部存储带宽，全靠长程特征做锚点，碰到问题GPU现场硬算。

这三条路，哪条都不是完美的。这本质上就是一场关于硬件寿命、并发峰值和用户延迟容忍度之间的极限算账。它把冷冰冰的现实摆在所有人面前：AI早已不是单纯的算力密集型产业，它正在加速变成调度密集型产业。

写在最后

看DeepSeek V4，如果还停留在跑分榜上，那就连门槛都没摸到。

OPD的能力动态接管，交织思考的记忆保留，砍掉预填充的快速指令，还有那些把硬盘和显存算计到骨头里的落盘策略。

这些枯燥的细节，其实是一根线上的蚂蚱。

大模型在变。

不再是陪聊的玩具。

而是开始接管真实世界的业务链条。

DeepSeek不是在赌未来，它是在建机房。外界还在聊分数，分数只是机房运转时的副产品。

当对手还在为跑分榜上的零点几分沾沾自喜、向市场炫耀那几百亿参数时，DeepSeek已经在算每百万Token的电费。

战局已经很清晰了：

下一场长文本战争，决胜点不是智商，是机房成本。