作者：莫潇羽｜首发：无忆研习社（www.wuyi.wiki）｜转载请注明出处
快速摘要
2026 年 4 月 24 日，深度求索（DeepSeek）正式放出全新旗舰系列 DeepSeek-V4 的预览版本，并同步以 MIT 协议在 HuggingFace、ModelScope 开源。 新系列一次性给出两个 MoE（混合专家）模型：DeepSeek-V4-Pro（总参数 1.6T、激活参数 49B） 面向高性能任务，DeepSeek-V4-Flash（总参数 284B、激活参数 13B） 主打快速、经济。两款模型原生支持 1M（100 万）Token 超长上下文，并成为 DeepSeek 全线官方服务的新标配。
核心技术上，V4 用一套「CSA 压缩稀疏注意力 + HCA 重度压缩注意力」的混合架构，把 1M 长度下单 Token 推理的 FLOPs 压到 V3.2 的 27%、KV 缓存压到 10%；再叠加 mHC 流形约束超连接、Muon 优化器、FP4+FP8 混合精度训练等一套组合拳。API 使用上，base_url 保持不变，只要把 model 参数改成 deepseek-v4-pro 或 deepseek-v4-flash 就能调用，同时兼容 OpenAI ChatCompletions 与 Anthropic 两套接口规范。普通用户登录 chat.deepseek.com 或官方 App 就能直接体验"即时模式 / 专家模式"。
如果只想了解大方向：V4 不是一次"参数暴力堆叠"式的升级，而是一次彻底重写长上下文成本结构的基础设施级发布，Agent 编码能力首次明确比肩世界一线闭源模型。下文会从技术原理、使用方法、定价机制、场景落地四个维度做详细拆解，文章较长，建议收藏后慢慢读，莫潇羽@无忆研习社 会尽量把每一处都讲到小白也能看懂。
为了让你更容易抓住重点，我把全文的阅读路径简单说明一下：对技术背景感兴趣的朋友可以顺着前半部分读，从发布背景一路到技术原理拆解；只关心"怎么用"的朋友可以跳到第十一章开始，那里会一步步讲网页端、API、工具链如何接入；预算敏感的朋友请重点读第十四章的定价与缓存命中部分，算清楚账再做决定；做 Agent 的朋友则不要错过第十七章的适配讲解和第二十章的避坑清单。
一、发布事件背景：这一天到底发生了什么
2025 年春节前后，DeepSeek-R1 以"低成本比肩一线闭源模型"的姿态横空出世，直接搅动了全球 AI 资本圈。一年多过去，外界对这家杭州团队的下一次重磅更新望眼欲穿。
此前的技术线索其实已经非常密集。去年 12 月，DeepSeek 先是推出 V3.2 正式版与 V3.2-Speciale，首次把 DSA（DeepSeek Sparse Attention，稀疏注意力）放进旗舰产品里做产线级验证。进入 2026 年之后，关于 V4 的传闻就没断过——从一月的"据说要在二月推出一个代码方向的版本"，到三月"外界怀疑 OpenRouter 上的 Hunter Alpha 是不是 V4"，再到四月初路透社援引《The Information》报道"V4 将在数周内发布、将跑在华为最新芯片上"，最后是四月十日 DeepSeek 创始人梁文锋在内部沟通中明确给出"四月下旬正式发布"的时间表。
于是就有了 4 月 24 日这个周五。当天上午，DeepSeek 官方公众号、HuggingFace 页面、ModelScope 页面、API 文档几乎同步完成更新，V4-Pro 与 V4-Flash 一同亮相，技术报告同时挂出，没有预热、没有倒计时，按 DeepSeek 自己的说法是"率道而行"。
有意思的是，同一天 OpenAI 也上线了 GPT-5.5。一边是美元计价、每百万输出 token 30 美元的闭源旗舰，一边是 MIT 协议开源、输出 3.48 美元的中国开源模型，时间线上的这次"碰面"本身就是一次非常强烈的信号。莫潇羽在无忆研习社后台看了一圈开发者讨论，普遍的共识是：V4 这一代，不再是单点能力追赶，而是重新定义了开源模型的竞争天花板。
顺便把 DeepSeek 这家公司的背景也交代清楚一下，很多新读者对这家团队并没有太多直接印象。深度求索（DeepSeek）总部位于杭州，2023 年由梁文锋创立，母公司是量化投资机构幻方量化。团队人数相比 OpenAI、Anthropic 要小很多，却在短时间内交付了 V1、V2、V2.5、V3、V3.1、V3.2 一连串模型，并在 2025 年初用 R1 打出了全球知名度。和大多数同行不同，DeepSeek 一贯采用"开源权重 + 低价 API"的打法，不做 C 端付费订阅、不做 ToB 专属合同里那种复杂的按席位计费——极度克制又极度务实。这次的 V4 依旧延续了这个路线：模型权重全开，价格依然贴着成本走，技术报告依然慷慨到每一页都有干货。
二、一句话先把 V4 看明白
如果只给一句话的介绍，那就是——DeepSeek-V4 是一款原生支持 1M 上下文、基于混合注意力与 MoE 架构、面向长文档与 Agent 场景深度优化的新一代开源大模型，同时提供 Pro（旗舰）与 Flash（轻量）两个版本，API 完全兼容 OpenAI 生态。
在这一句之下，再展开一点：
- 模型结构上，V4 在每一层都用"CSA + HCA"交错堆叠的混合注意力，替代了 V3 时代的 MLA（多头潜在注意力），重点解决"上下文从 10 万拉到 100 万时计算量指数式增长"的老大难问题。
- 能力表现上，V4-Pro 在 Agentic Coding 评测中达到当前开源模型最佳水平；内部评测显示其使用体验优于 Claude Sonnet 4.5，交付质量接近 Claude Opus 4.6 的非思考模式；世界知识维度仅稍逊于 Gemini-3.1-Pro。
- 部署形态上，官网、官方 App、API 服务同步上线，HuggingFace 与 ModelScope 同步开源权重，允许个人开发者下载、量化、微调、二次分发。
- 时间维度上，官方明确提醒：旧的
deepseek-chat和deepseek-reasoner两个模型名将于 2026 年 7 月 24 日 正式下线，过渡期内它们分别指向deepseek-v4-flash的非思考模式与思考模式。
三、两个版本到底怎么选：Pro 与 Flash 对比
很多刚接触大模型 API 的朋友第一眼容易看晕："两个版本我到底选哪个？" 我在无忆研习社的读者群里被问过不下二十次，这里一次性讲清楚。
DeepSeek-V4-Pro 定位是"顶级性能款"。总参数量 1.6 万亿，推理时激活 490 亿参数。官方说它"比肩世界顶级闭源模型"，在数学、STEM、竞赛型代码三个最考验硬推理的赛道上超越全部已公开评测的开源模型。它的目标用户很明确：对输出质量要求极高、愿意为复杂推理任务付出更高 token 成本的研发团队和尖端场景。举个具体的例子——做跨仓库代码重构、多步骤 Agent 链路、长文档深度研究这种活儿，上 Pro 不会错。
DeepSeek-V4-Flash 则是"经济高效款"。总参数 2840 亿，激活参数 130 亿，大概是 Pro 激活规模的四分之一。听起来小，但它在推理能力上非常接近 Pro，只是世界知识储备稍逊。Agent 评测里，Flash 在简单任务上几乎和 Pro 打平，只有在最复杂的高难度任务上才拉开差距。它的应用定位是——面向延迟敏感、预算敏感、任务复杂度中等的企业应用、批量生产线、日常对话类产品。
两个版本的共性同样重要：上下文都是 1M，都同时支持非思考模式与思考模式，都走 MoE 架构。区别主要体现在参数规模、单 Token 调用的专家深度、对复杂任务的上限能力、以及 API 价格。
这里莫潇羽@无忆研习社给一个朴素的选择建议：先从 Flash 起步，拿一批真实业务 Prompt 做 A/B 测试，看质量差距是否足够大；只有当你验证了 Pro 的质量提升是真金白银有价值的，再升到 Pro。这也是官方开发者文档隐含的最佳实践——Flash 是日常款，Pro 是复杂场景款。
如果读到这里你还在问"总参数和激活参数到底是啥关系"，我再插一段科普。MoE 全称 Mixture of Experts，中文叫"混合专家"。它的核心思路是：把一个超大模型拆成很多个小的"专家子网络"，每次处理一个 token 时，只激活其中的一小部分专家参与计算。这样一来，模型的"知识容量"取决于总参数（1.6T），但"推理成本"只取决于激活参数（49B）。举个生活化的比喻——总参数相当于一整个大学的师资库，激活参数相当于一堂课里真正给你上课的几位老师。老师越多代表可调度的知识面越广，但真正同时授课的永远只是少数几个。V4-Pro 在每个 token 上大约激活 8 个路由专家加 1 个共享专家，V4-Flash 则激活 6 个路由专家加 1 个共享专家。门控函数也从 V3 时代的 Sigmoid 换成了 Sqrt(Softplus)，前几层的 dense FFN 换成了 Hash 路由 MoE，整体的专家利用率比 V3 更高。
四、核心技术拆解一：混合注意力机制 CSA + HCA
V4 的第一处关键突破，就在注意力层。要看懂这里讲的东西，先得补一下背景：传统 Transformer 的注意力机制，每一个 token 都要和前面所有的 token 算一次相似度。上下文从 1 万拉到 10 万、从 10 万拉到 100 万，计算量不是线性涨，是平方级涨的。这就是为什么过去两年所有厂商谈"长上下文"，背后其实都在拼硬件和成本。
DeepSeek V4 的做法，是把传统的稠密注意力拆成两种不同压缩粒度的机制交错堆叠。
第一种叫 CSA（Compressed Sparse Attention，压缩稀疏注意力）。它的思路是"先压缩、再稀疏选择"。具体来说，CSA 先把每 m 个 token 的 KV（Key-Value，键值对）压缩成一个条目——V4-Flash 里 m=4，也就是把相邻的 4 个 token 合并成一条摘要。压缩完之后，原本一百万个 token 就变成了二十五万条摘要。然后再引入一个叫 Lightning Indexer（轻量索引器）的小模块，给每条压缩后的 KV 条目打分，每个查询 token 只从中挑出 Top-k 条（一般是 512 到 1024 条）做真正的注意力计算。索引计算用 FP4 精度，开销几乎可以忽略不计。
这么做的妙处是：既用"压缩"把序列长度砍短，又用"稀疏"只看真正值得看的内容。整体上，序列维度被压缩到 1/m，注意力维度被进一步稀疏化，双重节约。
第二种叫 HCA（Heavily Compressed Attention，重度压缩注意力）。它走的是更激进的路子。压缩率拉到 m'=128，也就是把 128 个 token 合并成一条，比 CSA 整整高出 32 倍。但 HCA 不再做稀疏选择——所有压缩后的条目都参与稠密注意力计算。用极致的压缩换全局视野。
为什么要两种机制交替堆叠？因为两者的职能不同。CSA 擅长"精细检索"，在大量 token 里找到真正相关的局部片段；HCA 擅长"全局感知"，理解文档整体结构与章节脉络。CSA 像拿放大镜扫细节，HCA 像站在高处看整体。两者交替，再加上每层 128 token 的滑动窗口分支来捕捉最近邻的 token 依赖，就形成了"粗粒度 + 细粒度、稀疏 + 稠密"的组合拳。
还有几个工程细节值得一提：
- Query 和 KV 条目仅在最后 64 维施加 RoPE 位置编码，其他维度不编码，保留了相对位置信息。
- Core attention 用了 Attention Sink 技巧，每个头增加一个可学习的 sink logit，允许模型在某些头上"选择什么都不关注"，避免把注意力胡乱分散。
- KV 缓存采用混合精度存储，RoPE 维度用 BF16，其余维度用 FP8，相比纯 BF16 存储再砍掉近一半。
- 推理框架把压缩 KV 和滑动窗口 KV 分成两块管理，支持磁盘级缓存复用，请求命中相同前缀时可以直接读取，避免重复 prefill。
所有这些加在一起，就是技术报告里那句简短但分量极重的数字——1M 上下文设置下，V4-Pro 单 Token 推理 FLOPs 只需要 V3.2 的 27%，KV 缓存只需要 10%。以常规 BF16 GQA8（头维度 128）为基线，V4 在 100 万 token 下的 KV 缓存只有基线的约 2%。换个角度说，同一张显卡、同一份显存，能同时伺候的并发请求数翻了 3 到 4 倍。这对大模型服务商而言是实打实的成本下降，对用户而言就是更便宜、更快的 API。
五、核心技术拆解二：mHC 流形约束超连接
除了注意力机制，V4 在残差连接层也做了一个冷门但重要的改造，叫 mHC（Manifold-Constrained Hyper-Connections，流形约束超连接）。
要解释清楚，先补一句背景：深度学习里的"残差连接"是 2015 年 ResNet 提出的经典设计，解决的是深层网络训练时梯度消失或爆炸的问题。但是当模型堆到 1.6T 参数、几百层深度时，即使有残差连接，信号在层与层之间的传播仍然会出现 degradation（退化），训练到中后期容易出现 loss spike（损失突然飙高），甚至训练崩掉。
mHC 的做法是：把每一层的残差映射矩阵约束在"双随机矩阵流形"（数学上称为 Birkhoff 多面体）上。这个约束保证了映射矩阵的谱范数不超过 1，意味着信号在深层传播过程中既不会发散，也不会萎缩。投影过程通过 Sinkhorn-Knopp 算法迭代约 20 次实现。
实现上还有一个巧妙的解耦——mHC 把"残差宽度"和"隐藏层维度"拆开，用一个比 hidden size 小得多的 expansion factor n（V4 里 n=4）控制额外开销。参数的生成也分成两部分：输入相关的部分由当前 token 的 hidden state 经过 RMSNorm 后动态产出，输入无关的部分则由可学习参数直接提供。
这其实是 DeepSeek 团队今年 1 月公开过的一篇论文成果，V4 是它第一次被放进旗舰产品。对于做架构研究的读者来说，这一点非常有意义——它说明 V4 不只是工程上打磨出来的产品，也在学术层面做了一定原创贡献。莫潇羽@无忆研习社注意到，国内很多评测文章对这部分一笔带过，但这恰恰是 V4 能把"极深网络 + 长上下文"同时稳住的关键原因之一。
六、核心技术拆解三：Muon 优化器上位
大模型训练里，优化器的选择看似枯燥，其实影响极大。从 GPT、Claude 到早期的 DeepSeek 模型，绝大多数团队都在用 AdamW 这套成熟配方。V4 这一次做了一个相对激进的决定——把大部分模块的优化器从 AdamW 换成 Muon。
Muon 是近两年出现的一种新优化器，核心思想是"基于矩阵正交化做参数更新"。它的数学味道更浓一点：每一步更新时，先对梯度矩阵做 Newton-Schulz 迭代求近似正交矩阵，再把这个正交矩阵作为方向更新参数。好处是收敛更快、稳定性更好，尤其在大规模训练上体现得非常明显。
DeepSeek 团队还做了两处本土改造：
- 在标准 Newton-Schulz 的基础上改进出"Hybrid Newton-Schulz"，分快速收敛和精确稳定两个阶段，训练效率更高。
- 叠加 Nesterov trick 和 RMS rescaling，让原本 AdamW 的超参数（学习率、权重衰减等）可以直接复用，迁移成本几乎为零。
并非所有模块都用 Muon。Embedding、Prediction head、静态 bias、RMSNorm 这些对矩阵正交化不友好的部分，仍然保留 AdamW；其余主干参数走 Muon。
训练基础设施层面也有一个工程上的难题：Muon 需要完整的梯度矩阵做参数更新，这和 ZeRO 分布式训练的"element-wise 切分"思路是冲突的。DeepSeek 为此设计了一套 hybrid ZeRO bucket 分配策略——dense 参数限制并行度并用 knapsack（背包）算法做负载均衡，MoE 路由专家参数用 EP 分组分配。整体跑下来，既用上了 Muon 的优化收益，又没牺牲训练并行性。
七、核心技术拆解四：FP4+FP8 混合精度训练
浮点精度是硬件、成本、性能三方博弈出来的结果。过去大模型训练基本稳定在 BF16 或 FP16 上，推理侧近两年开始大规模用 FP8。V4 这次往前再进一步——MoE 专家权重用 FP4，其余大部分参数用 FP8，这是 DeepSeek 第一次在旗舰模型上全面跑 FP4 量化感知训练。
为什么是 MoE 专家层？因为这一层的参数量占了模型总参数的绝大部分。V4-Pro 总参数 1.6T，其中绝大多数都在路由专家里。把这一层压到 FP4，相当于用四分之一的存储空间保存专家权重，显存压力骤降。
这里有个硬件层面的小细节很关键。当前主流 AI 芯片上，"FP4 乘 FP8"的理论峰值算力和"FP8 乘 FP8"是完全一样的。但新硬件（比如华为 2026 年 3 月发布的昇腾 950PR）原生支持 FP4 精度，能做到比 FP8 再快三分之一。也就是说，V4 的 FP4 选择不只是当前省显存的权宜之计，而是为下一代硬件铺好了路。
训练 schedule 也值得说一下。序列长度从 4K 起步，逐步扩展到 16K、64K，最后扩到 1M。注意力机制先用稠密注意力预热到 1T token，64K 序列长度时切到稀疏注意力（也就是 CSA）再继续训练。Batch size 从小逐步爬到 75.5M token。学习率 linear warmup 2000 步，2.7×10⁻⁴ 维持大部分训练，最后 cosine 衰减到 2.7×10⁻⁵。整体预训练总 token 量超过 32T。
稳定性上也做了两件事：
- Anticipatory Routing：把主干网络和路由网络的同步更新解耦，用前一步的网络参数提前算好这一步的路由索引，避免 MoE 训练中常见的 loss spike，几乎没有额外开销。
- SwiGLU Clamping：借鉴 GPT-OSS 的做法，对 SwiGLU 激活函数输出做截断，消除 outlier（异常值），对训练性能没有损失。
八、核心技术拆解五：后训练流程——独立专家 + OPD 在策略蒸馏
V4 在 post-training（后训练）阶段也做了路线切换，从传统的"单模型多任务微调"改成"两阶段独立专家 + 统一蒸馏"。
第一阶段，针对数学、代码、Agent、指令跟随等几个重要领域，每个领域单独训练一个专家模型。先用该领域的高质量数据做 SFT（监督微调），再用 GRPO（Group Relative Policy Optimization，群组相对策略优化）做强化学习，让每个专家都在自己的细分赛道上跑到最优。这一阶段是"深度"优先——每个专家不需要面面俱到，只在自己的领域里把能力推到极致。
第二阶段，用一种叫 On-Policy Distillation（在策略蒸馏，简称 OPD）的方法，把多个领域专家合成回一个统一的学生模型。具体做法是：学生自己生成回答，然后对每个回答去匹配"最懂这个问题的专家"的输出分布，通过 logit 级别的对齐把能力吸收进来。和传统的离线蒸馏相比，在策略蒸馏更贴近真实推理时的分布，整合效率更高。
这套流程的工程挑战在于：同时加载多个万亿参数级的教师模型做在线推理并不现实。DeepSeek 的做法是把所有教师权重统一卸载到分布式存储，只缓存每个教师最后一层的 hidden state，训练时按教师索引排序样本，保证任意时刻 GPU 显存里只驻留一个 teacher head。这种"流式轮换"的设计很有巧思，本质上是用时间换空间，降低了硬件门槛。
顺带一提，在 Agent 方向上，V4 把它提升为和数学、代码并列的独立专家方向单独训练。工具调用格式从过去的 JSON 切换到带特殊 token 的 XML 结构，降低了转义错误；跨轮次的推理痕迹在工具调用场景下被完整保留，不再像 V3.2 那样每轮清空，让模型在长时间 Agent 任务中能保持连贯的推理链。DeepSeek 还自建了一套叫 DSec 的沙箱平台，单集群可并发管理数十万个沙箱实例，专门支撑 Agent 强化学习的训练与评测。
九、1M 百万上下文：参数之外的真实落地场景
1M 上下文这个词说起来很酷，但到底意味着什么？很多刚接触大模型的朋友对数字没概念，我用几个场景做一下翻译。
按英文 1 个 token 约等于 0.75 个单词、中文 1 个 token 约等于 1.5 到 2 个字的估算：
- 1M token 大约相当于 75 万英文单词，差不多是一部《战争与和平》全本加一部《百年孤独》全本。
- 中文的话，大约是 150 万到 200 万汉字，相当于一整部《三体》三部曲外加一整部《三国演义》。
- 在代码场景下，1M token 可以一次性装下 一个中等规模开源项目的全部源码（比如大约 10 万行 Python 代码加配套文档）。
能装下不等于能用好。过去很多号称百万上下文的模型，实测下来在 20 万 token 之后就开始"瞎编"、"失忆"，到 50 万基本不可用。V4 在长上下文基准上的两个关键数字是 MRCR 1M 得 83.5（Gemini-3.1-Pro 是 76.3、Opus 4.6 是 92.9）、CorpusQA 1M 得 62.0（Opus 4.6 是 71.7）。MRCR 侧重"关键信息是否还在"，CorpusQA 则要求"在百万 token 里精确定位并分析"。对比下来，V4 的长上下文能力在开源阵营已经是第一梯队，距离顶级闭源模型还有一段路要走。
真正的落地价值体现在哪里？莫潇羽@无忆研习社总结了几个已经被验证的高价值场景：
- Repo-level Coding（仓库级编程）：把整个项目的源码、日志、配置一次性塞进去，让模型理解完整依赖关系。过去传统模型只能改单个文件，V4 可以做跨文件、跨模块的重构。
- 长文档审阅：一次塞进整本法律合同、招股书、政策文件，让模型做风险点扫描、条款对比、摘要生成。过去需要拆成几十段分别处理的工作，现在一步到位。
- 研究文献综述：把几十篇相关 PDF 的全文塞进去，让模型做交叉分析、观点对比、引用追溯。
- 长对话客服：把过去 3 个月的客户对话历史全部带入上下文，做真正有记忆的客户服务。
- 长链 Agent 任务：跨轮次保留完整推理痕迹，跑多步骤的研究、预订、报告生成类任务。
十、三档推理强度：Non-thinking、Think High、Think Max
从 V3.2 开始，DeepSeek 就引入了"思考模式"，让模型可以先输出一段 reasoning_content（推理过程），再输出最终回答。V4 把这一套做得更精细，给出三档推理强度：
- Non-thinking（非思考模式）：完全跳过推理过程，直接输出答案，响应速度最快，成本最低。适合日常对话、简单问答、轻量生成任务。
- Thinking High（思考 · 高档）：启用推理过程，但推理长度控制在中等规模。平衡质量与成本，适合大多数有一定复杂度的任务。
- Thinking Max（思考 · 最大档）：放开推理长度限制，让模型充分展开推理链条。这一档能跑出技术报告里的最高分，但也最费 token。官方推荐：只有在复杂 Agent 场景、高难度数学推理、关键决策类任务上才开启 Max。
在 API 里，切换这三档的方法非常简单。思考模式的启用通过 thinking 参数或 extra_body 控制，强度通过 reasoning_effort 参数切换（取值 high 或 max）。具体示例会在后面的 API 使用章节给出。
官方在技术文档里还特别提醒一点：Think Max 模式下，建议上下文窗口至少预留 384K token 给推理内容使用。也就是说，如果你的输入已经塞到 900K，那么再开 Max 就容易撞到上限。
十一、普通用户怎么用：网页与 App 直接体验
对绝大多数人来说，不需要懂什么 API、什么 SDK，直接用官方提供的入口就能体验 V4。主要有两条路：
一是用官方网页版。打开浏览器访问 https://chat.deepseek.com，用手机号或邮箱注册登录之后，输入框上方就能切换"即时模式（Instant Mode）"和"专家模式（Expert Mode）"。即时模式对应的是 V4 的非思考模式，响应快、支持图文识别和文件上传；专家模式对应的是思考模式，擅长复杂问题，会先展示推理过程再给答案——当前版本里专家模式暂不支持上传文件和多模态，高峰期可能需要排队，这些都是官方提前说明过的。
二是下载官方 App。iOS 和安卓应用市场搜索 "DeepSeek" 都能找到官方正版。App 端和网页端是同一套账号体系，对话历史自动同步。外出、通勤、开会间隙，App 用起来更顺手一些。
这两条路全部免费，也没有每日消息条数的硬性上限（高峰期会有排队或响应变慢）。对于想先体验再决定是否深入的朋友，这是成本最低的路径。无忆研习社后台经常有读者问"要不要开会员"——目前 DeepSeek 官方产品还没有像 ChatGPT Plus 那样的付费订阅体系，C 端用户基本都是免费使用。
十二、开发者怎么用：API 接入的完整流程
真正的生产力来自于把 V4 接入自己的应用。这部分我按最小可运行的路径梳理一遍，新手照着走就能跑通。
第一步，注册账号并获取 API Key。打开 https://platform.deepseek.com，用账号登录后，在左侧侧边栏找到"API Keys"，点击"创建 API Key"，起一个容易辨认的名字（比如 wuyi-test），然后立即复制保存——这串 key 只在创建那一刻完整显示一次，关掉窗口后就只能看到掩码。按惯例把它存在本地环境变量里：
# Linux / macOS
export DEEPSEEK_API_KEY="sk-xxxxxxxxxxxxxxxx"
# Windows PowerShell
$env:DEEPSEEK_API_KEY = "sk-xxxxxxxxxxxxxxxx"第二步，选择接口规范。V4 同时兼容两套接口规范：
- OpenAI ChatCompletions 规范，
base_url为https://api.deepseek.com - Anthropic Messages 规范，
base_url为https://api.deepseek.com/anthropic
如果你之前已经有基于 OpenAI SDK 写的业务代码，直接切 base_url 和 model 即可，几乎零改造。Anthropic 规范适合那些已经用 Claude Code、Claude SDK 写好工具链的团队，切换成本同样极低。
第三步，写最小可运行示例。以 Python + OpenAI SDK 为例：
# 先装好 openai：pip install openai
import os
from openai import OpenAI
client = OpenAI(
api_key=os.environ.get("DEEPSEEK_API_KEY"),
base_url="https://api.deepseek.com",
)
response = client.chat.completions.create(
model="deepseek-v4-pro", # 也可以改成 deepseek-v4-flash
messages=[
{"role": "system", "content": "你是一位耐心的技术讲师。"},
{"role": "user", "content": "请用一段话解释 MoE 架构的核心思想。"},
],
stream=False,
reasoning_effort="high", # 思考强度 high / max
extra_body={"thinking": {"type": "enabled"}}, # 开启思考模式
)
print(response.choices[0].message.content)Node.js 版本同样简洁：
// npm install openai
import OpenAI from "openai";
const client = new OpenAI({
apiKey: process.env.DEEPSEEK_API_KEY,
baseURL: "https://api.deepseek.com",
});
const res = await client.chat.completions.create({
model: "deepseek-v4-flash",
messages: [
{ role: "system", content: "You are a helpful assistant." },
{ role: "user", content: "Hello!" },
],
reasoning_effort: "high",
// 通过原生 extra_body 透传 DeepSeek 专属参数
// @ts-ignore
thinking: { type: "enabled" },
});
console.log(res.choices[0].message.content);如果你习惯 cURL 命令行快速验证：
curl https://api.deepseek.com/chat/completions \
-H "Content-Type: application/json" \
-H "Authorization: Bearer ${DEEPSEEK_API_KEY}" \
-d '{
"model": "deepseek-v4-pro",
"messages": [
{"role": "system", "content": "You are a helpful assistant."},
{"role": "user", "content": "你好！"}
],
"thinking": {"type": "enabled"},
"reasoning_effort": "high",
"stream": false
}'第四步，处理响应与错误。V4 的响应格式遵循 OpenAI 规范，主内容在 choices[0].message.content，思考模式下的推理过程在 choices[0].message.reasoning_content。实践中要注意几个常见错误码：
- 429 Too Many Requests：达到并发或频率限制，用指数退避策略重试。
- 4xx 错误：通常是参数写错或权限问题，不要自动重试，先修代码。
- 5xx 错误：服务端偶发问题，可以短时间重试。
第五步，做好成本观测。每一次调用，DeepSeek 都会在响应的 usage 字段里返回 prompt_tokens、completion_tokens、reasoning_tokens 三个数字。建议把这三个数字接入自家监控或日志系统，一旦出现 reasoning_tokens 异常飙升，大概率是 Prompt 写得有问题或者任务难度突变。
十三、旧模型迁移：deepseek-chat 与 deepseek-reasoner 的过渡期
官方在发布公告里做了一个重要的兼容性安排：旧的两个模型名 deepseek-chat 和 deepseek-reasoner，在过渡期内分别指向 deepseek-v4-flash 的非思考模式 与 思考模式。过渡期截止时间是 2026 年 7 月 24 日（UTC 时间 15:59），之后这两个名字彻底下线。
对于个人开发者，影响其实不大——只需要在代码里把 model 参数从 deepseek-chat 改成 deepseek-v4-flash，再根据需要加上 thinking 和 reasoning_effort 即可。但是对接了生产环境的团队，这三个月要有意识地去做迁移：
- 盘点所有引用旧模型名的代码路径、Prompt 模板、日志字段。
- 梳理当前业务对"思考模式"的依赖是否必要，做一次回归测试，对比 V4-Flash 与 V3.2 在自家核心场景下的质量差异。
- 决定是全量换到 V4-Flash，还是按场景分流到 V4-Pro 与 V4-Flash。
- 更新计费口径，因为 V4 的定价与 V3.2 不完全一致。
莫潇羽@无忆研习社在自己的站内项目上做了一轮小规模替换，整体体感是：纯对话场景，Flash 基本无痛替换；涉及复杂 Agent 或代码重构的场景，Flash 表现已经有明显提升，但需要重新做 Prompt 调优。
十四、定价机制详解：缓存命中是成本优化的关键
V4 的 API 定价表如下（以美元/百万 Token 为单位，来自 DeepSeek 官方英文定价页）：
|
模型 |
上下文 |
最大输出 |
输入（缓存命中） |
输入（缓存未命中） |
输出 |
|
deepseek-v4-flash |
1M |
384K |
$0.028 |
$0.14 |
$0.28 |
|
deepseek-v4-pro |
1M |
384K |
$0.145 |
$1.74 |
$3.48 |
按当前汇率换算成人民币大致是：
- V4-Flash：输入命中约 0.2 元、未命中约 1 元、输出约 2 元（每百万 token）
- V4-Pro：输入命中约 1 元、未命中约 12 元、输出约 24 元（每百万 token）
这里最值得展开讲的是"缓存命中"。DeepSeek 从 2024 年 8 月就上线了上下文硬盘缓存功能，会自动把共享的 Prompt 前缀缓存下来。当你下一次请求的前缀和某个已缓存条目完全一致时，这部分 token 按"缓存命中"价格计费——相比未命中，直接打到 1/10 到 1/12 的折扣。
这意味着什么？对生产应用来说，合理设计 Prompt 结构 是直接省成本的关键。几条实战建议：
- 系统 Prompt、工具定义、文档模板这些"长期不变"的部分，全部放在 Prompt 的最前面。
- 每次请求动态变化的用户输入、历史对话，放在最后面。
- 尽量保持不变部分的字节级一致（空格、大小写、标点都要一样），否则缓存就会失效。
按这个规则写出来的业务，生产环境的缓存命中率普遍可以做到 70% 以上，整体 API 成本能压到原来的 1/3。官方另外还公布了一个细节——Pro 版本当前服务吞吐受限于高端算力供给，预计下半年华为昇腾 950 超节点批量上市之后，Pro 价格将大幅下调。也就是说，现在的 Pro 定价是一个阶段性价格，未来还有下降空间。
输出价格方面，有朋友会拿 V4 和 V3.2 做对比，发现 Flash 的输出价从 3 元/百万 token 降到了 2 元，Pro 的输出价从 3 元上涨到 24 元。这里要理解：V4-Pro 对标的不是 V3.2，而是 Claude Opus、Gemini Pro、GPT-5 这一级的顶级模型。即便是 24 元的输出价，在全球顶级模型里仍然是最便宜的那一档，官方英文定价表里明确写了"DeepSeek-V4-Pro is the cheapest of the larger frontier models"。
十五、开源生态：HuggingFace、ModelScope 权重下载
和过去一样，V4 保持 DeepSeek 一贯的开源传统，权重直接挂在国际与国内两个
