DeepSeek 已在 Hugging Face 上發布官方的 DeepSeek-V4-Pro-0813 模型，其基準測試表現較預覽版有顯著提升。該模型展現出高參數效率，僅使用 1.7T 參數便擊敗了使用 2.8T 參數的 Kimi 以及 Opus-4.8 和 GLM-5.2 等競爭對手。

此次發布標誌著 DeepSeek 旗艦模型從預覽版正式升級為官方版本，突顯了其混合專家（MoE）架構的有效性。它為長上下文場景中的高效推理設定了新標準，影響開發者對重型工作負載的模型選擇。

該模型採用結合壓縮稀疏注意力（Compressed Sparse Attention）與高度壓縮注意力（Heavily Compressed Attention）的混合注意力系統，將推理計算量減少 73%，KV 快取使用量降低 90%。它支援高達 100 萬個 token 的上下文視窗及最多 384,000 個輸出 token，且激活比率僅約 3%。

事件背景

DeepSeek 採用混合專家（MoE）架構，在處理每個 token 時僅激活部分參數，與稠密模型相比大幅降低了計算成本。V4 系列引入了先進的注意力機制以更高效地處理長上下文，使模型能夠在擴展總參數數量的同時保持高表現，且推理延遲不會成比例增加。

社群觀察

社群成員讚賞該模型快速的基準測試提升及其效率，指出儘管參數較少，它仍擊敗了主要競爭對手。部分用戶因元數據與實際模型分片之間的配置不匹配而遇到暫時的 404 錯誤，但模型隨後迅速恢復正常。