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。