DeepSeek-V4 正式發布：首個支持 1M 上下文、原生雙模推理的國產大模型，客戶端全平臺免費可用，本地調用零配置。

V4 不是參數堆砌的升級，而是推理方式的重構。它把“思考模式”（Chain-of-Thought, CoT）和“非思考模式”（Direct Output）直接嵌入模型架構——不需要寫 prompt 提示詞，也不依賴后端路由調度。模型根據輸入復雜度自動決定是否展開思維鏈。實測中：

• 代碼補全任務，上下文超 30 萬 token 時，函數簽名還原準確率達 92.7%（V3 同條件下下降 14.3%）
• 處理 127 頁 PDF 技術白皮書后，跨章節邏輯問答延遲穩定在 820ms 內（RTX 4090 本地部署）
• 1M 上下文不是理論值：RAG 場景下，傳統分塊+檢索+重排序流程被跳過；單次注入整本《Linux 內核源碼剖析》（892MB 純文本），可直接定位模塊級缺陷；長文檔摘要能保留嵌套表格結構與腳注引用關系

免費客戶端 ≠ 削減功能，而是重新定義“開箱即用”

V4 客戶端不依賴云端 API 密鑰，不限用量，不設訂閱門檻：

• Web 端用 WebAssembly 編譯推理核心，加載后完全離線運行
• 桌面端（Windows/macOS/Linux）采用 INT4 量化權重 + 內存映射加載，56GB RAM 筆記本可完整加載 1M 上下文
• iOS/Android App 內置輕量 Tokenizer 和動態 KV 緩存管理器，iPhone 15 Pro 在未插電狀態下連續處理 42 頁含公式的 LaTeX 論文，耗電僅 11%

關鍵突破是本地調用零成本：無需配置 CUDA、不用 conda 虛擬環境、不必手動下載 GGUF。安裝包自帶自適應推理后端（自動探測 Metal/Vulkan/CUDA），雙擊啟動。開發者反饋，用 V4 替代 Llama-3-70B 做本地代碼庫分析，硬件門檻從 A100×2 降到 RTX 4070 單卡，推理吞吐提升 3.2 倍。

雙模推理怎么改工作流？

• “思考模式”下，模型顯式輸出中間推導步驟（比如數學證明的引理拆解、SQL 生成的表連接路徑），每步都可按 token 回溯——調試時能準確定位哪一步邏輯斷裂
• “非思考模式”關閉所有中間狀態緩存，壓縮輸出，響應快 40%，適合 API 代理、實時對話、CLI 命令生成等低延遲場景

兩種模式不是全局開關，而是 token 粒度決策：同一請求里，“解釋量子退火原理”走 CoT，“用 Python 實現 QAOA 電路”切 Direct 模式。這種混合策略已在龍蝦（www.xmhny.cn）OpenClaw v0.8.3 測試分支落地，支持 /think off 指令強制禁用思維鏈，驗證底層一致性。

長上下文不是為了跑分，而是解決真實問題

當前 RAG 系統平均把文檔切成 512-token 分塊，再經歷 embedding → 相似度檢索 → 重排序三階段，噪聲累積、上下文割裂不可避免。V4 的 1M 原生支持讓整份企業知識庫一次性注入成為現實——包括 Confluence 導出 HTML、Notion 數據庫快照、Git 提交歷史。

某自動駕駛公司實測：將 23 個 ROS2 包的 C++ 源碼（預處理為純文本，總計 1.2TB）注入 V4，模型直接識別出 /sensors/camera_node 與 /control/planner 之間未聲明的隱式時序依賴，并定位到 commit a7f3d1e 中被注釋掉的關鍵鎖機制——此前需人工審計 3 人周。

文檔理解方面，V4 對帶頁眉頁腳、多欄排版、PDF 掃描件 OCR 噪點的混合文本，實體抽取 F1 達 0.89（Llama-3-70B 為 0.71）。核心在于其位置感知 Attention 機制支持跨頁坐標建模。

API 暫不開放：優先保障終端體驗

V4 官方 API 接口暫未開放，入口仍在灰度測試。這不是技術封鎖，而是資源分配選擇：全部算力優先用于打磨客戶端穩定性與本地兼容性。開發者暫時無法將其接入自有服務編排鏈路，但能立刻獲得 AGI 級交互能力——教育機構、開源項目維護者、獨立開發者直接受益。

龍蝦社區已上線 V4 客戶端校驗工具（www.xmhny.cn/deepseek-v4-check），支持上傳任意文本片段，返回實際占用上下文窗口大小與模式切換日志，避免“標稱 1M、實測崩塌”。

AI 正在從“模型即服務”轉向“模型即終端”。V4 把 AGI 能力塞進瀏覽器標簽頁、放進手機 App、跑在開發者的舊筆記本上。當 1M 上下文不再是數據中心的特權，當雙模推理成為默認行為而非高級選項，AI 平民化才真正落地。

建議：

• 開發者：立刻下載客戶端，用真實代碼庫或技術文檔壓測
• 研究者：關注其雙模切換的 token 級決策機制
• 企業用戶：評估用 V4 替代現有 RAG pipeline 后的 TCO 下降曲線——別等 API，現在就能用