DeepSeek V4 開源在即！

2026 年 1 月 21 日，技術社區在 DeepSeek 的 FlashMLA 優化庫中發現了一個關鍵線索——一個名為「Model1」的新模型標識符出現在最近的代碼提交中。這些提交跨越多個文件，並將 Model1 與當前的 V3.2 模型並列提及，清楚地表明這是一個獨立的新分支。

這一發現與科技媒體 The Information 本月早些時候的獨家報導不謀而合——DeepSeek 正緊鑼密鼓地準備在 3 月上旬的農曆新年期間發布代號為 V4 的下一代旗艦模型。從開源社區的蛛絲馬跡到權威媒體的交叉驗證，關於 Model1 即為 V4 的推測已幾乎是板上釘釘。

致敬開源一週年的技術獻禮

整整一年前，DeepSeek-R1 的發布開啟了開源 LLM 的新時代，並成為 Hugging Face 平台上最受歡迎的模型。如今，在 R1 開源一週年之際，V4 的代碼悄然現身，延續了 DeepSeek 對開源領域的承諾。

與專注於推理能力的 R1 不同，預計 V4 將帶來全面的架構升級。根據洩露的信息，V4 擁有總計 6710 億個參數，採用混合專家 (MoE) 架構和流形約束超連接 (mHC) 技術，其中 Engram 記憶模組的加入可能是其最大亮點。

技術社區正密切關注 GitHub 上 DeepSeek FlashMLA 倉庫 的更新，因為每一次提交都可能揭示更多關於 V4 的技術細節。從目前的提交記錄來看，DeepSeek 工程師正在密集優化稀疏注意力機制和 FP8 推理支持，這一切都是為 V4 的大規模部署做準備。

Engram：改變遊戲規則的「記憶外掛」

最令人期待的是 Engram 技術在 V4 中的潛在整合，這是一項由 DeepSeek 最近開源的革命性架構創新。其核心理念是將「記憶」與「計算」分離——傳統的 Transformer 模型需要使用多層網絡來識別固定短語和常識，而 Engram 允許模型通過查找表「超級字典」直接檢索靜態知識，從而釋放深層網絡以專注於複雜推理。

這種設計帶來了反直覺的結果：即使對於數學和代碼生成等需要強大推理能力的任務，性能也顯著提高。因為模型不再需要分散算力去「死記硬背」。研究表明，與純 MoE 基線相比，Engram-27B 在 BigBench Hard 推理任務上提高了 5.0 分，在 HumanEval 代碼生成上提高了 3.0 分。

更重要的是，Engram 架構支持將數千億參數的「知識庫」存儲在廉價的 CPU 內存中，推理期間的吞吐量損失低於 3%。這意味著企業部署大模型的成本有望顯著降低，不再完全依賴昂貴的 GPU VRAM。

從社區熱議到行業期待

關於 Model1 代碼洩露的討論已經在 Reddit 的 MachineLearning 板塊和 Hacker News 上持續了數天。開發者們正在逐行分析 GitHub 上的最新提交，試圖從代碼變更中拼湊出 V4 的全貌。

「這是典型的 DeepSeek 風格——沒有過度的營銷預告，讓代碼自己說話，」一位資深開發者在技術論壇上評論道。這種「用技術說話」的方式反而在技術社區積累了更強的信任和期待。

從 R1 的開源成功到 V4 的蓄勢待發，DeepSeek正在建立一種新的開源範式：在正式發布之前，通過代碼庫的漸進式更新，讓社區提前參與和適配。這種策略不僅降低了新模型的採用門檻，還創造了一種獨特的社區共建氛圍。

複製「春節發布」的成功策略

DeepSeek 似乎深諳「春節發布」的黃金法則。去年，R1 在農曆新年期間發布，利用全球開發者相對空閒的時間，迅速在開源社區形成了病毒式傳播。

這種時機選擇充滿了戰略考量：避開西方科技公司的密集發布期，在相對安靜的科技新聞週期中佔據主導地位。同時，開發者和研究人員在春節期間有更多閒暇時間，更願意深度測試和探索新模型，從而在社區形成更深層次的口碑傳播。

隨著 Model1 代碼的持續更新，想要獲取 DeepSeek V4 最新消息和深度解讀的讀者可以繼續關注 deepseekv4.app 上的追蹤報導。這個獨立的追蹤網站整理了從代碼洩露到技術分析的全鏈條信息，成為許多開發者獲取 V4 進展的首選渠道。

從 R1 到 V4，DeepSeek 始終在證明一點：真正的創新不僅在於模型規模，還在於架構智慧與開源精神的完美結合。當 Model1 的代碼在 GitHub 上悄然傳播時，我們看到的不仅是一个新模型的誕生，更是一個新範式的開啟。這個農曆新年，開源 AI 世界或許將迎來又一次重大的突破。