DeepSeek V4 并非范式革命，而是沿 R1 确立的测试时扩展路线，以 “极致稀疏” 为核心思想，在注意力机制、优化器、残差结构与基础设施四方面协同突破：放弃 MLA，采用 SWA + CSA + HCA 混合稀疏注意力；引入 mHC 流形约束超连接提升训练稳定性；全面应用 Muon 优化器并推动其工程标准化；落地 TileLang 编译框架与 FP4 低精度训练。模型达 1.6T 参数、仅约 3% 激活，单 token 计算量与 KV cache 大幅降低，但长上下文与 Agent 任务中优势显著。评测显示其编程能力接近但未超越国际头部模型，内部亦有 9% 工程师不首选 V4 Pro。嘉宾强调，当前关键不在刷榜，而在定义新能力（如真实代码交付、自主 Agent 行为）及构建可信评估体系 ——benchmark 终将饱和，而 evaluation 是永恒追求。