共计 1384 个字符，预计需要花费 4 分钟才能阅读完成。
DeepSeek“推倒重来”
入口, 才是梁文锋的秘密武器
DeepSeek V4.1 Flash 发布后, 速度更快、内容更准, 还带来原生多模态能力。但比性能提升更值得关注的, 是这次更新几乎把 V4 时代的架构积累推倒重来——对一家数百人规模的公司来说, 这种选择并不轻松。
📌 一次架构层面的“重开”
V4.1 Flash 没有沿用 V4 Flash 的结构, 而是采用了全新的非对称设计。官方论文透露, 新结构让模型在 prefill 阶段每 token 仅激活 8B 参数、decode 阶段激活 16B, 重点改善“输入密集型 Agent 工作负载”的成本效率。
这意味着 V4 阶段积累的大量训练配方、优化技巧和工程适配,到 V4.1 这里大部分不再适用。对一家已不算小作坊的公司而言, 重起新结构既费时也费力, 但 DeepSeek 仍然选择了这条路。
🔍 旧架构装不下新目标
过去的模型结构是为“聊天”设计的: 用户问一句,模型答一句, 输入短、输出长。但在 Agent 时代, 几十轮中间状态长期挂在上下文里, 输入动辄数十万 token, 远大于输出。
有研究指出,在 Agentic 代码任务中 , 输入与输出的 token 比可高达 154:1。旧结构在这种场景下成本效率急剧下降,DeepSeek 由此转向 Causal-Encoder-Decoder(CED) 非对称结构: 前 20 层负责“读”, 后 20 层负责“写”, 全局 KV Cache 压至 V4 Flash 的约四分之一。
结构变化的本质, 不是参数游戏, 而是为 Agent 场景重新设计成本模型。
💡 DSH 反哺模型: 入口成为训练的一部分
V4.1 Flash 的后训练遵循标准 SFT→RL→在线蒸馏范式, 算法本身没有大改, 实质性变化都在数据流水线: 大规模自动合成 Agent 任务与环境, 让模型在 6 种 Agent 框架中反复试错, 其中 DSH 是最重要的一环。
DSH 从 V4 Pro 的伴生产品, 变成了 V4.1 Flash 的“老大哥”。与此同时,DSH 更新到 v0.1.5, 新增文件上传、侧边栏预览、标准化 UI 扩展入口等功能, 并支持在保留 KV Cache 的情况下更新系统提示词——这被视为从极客工具向大众 Agent 产品迈进的关键一步。
📊 几家路线对比: 闭环与入口的分野
- 腾讯混元:Hy4 preview 围绕内部工程师、游戏开发者等真实工作共建数据, 与 CodeBuddy、WorkBuddy 共同设计, 形成产品闭环。
- 智谱:主攻模型自进化,GLM-6.0 强调完全自训练, 由模型自己训自己, 人只负责定目标和验收。
- 月之暗面:通过 AgentENV 分布式沙箱在自建合成环境中把 Agent 能力练到极致, 走的是“闭关修炼”路线。
- DeepSeek:DSH 与 WorkBuddy 直接触达用户, 真实环境中的数据自然回流, 模型在实战里被养大。
智谱和 Kimi 并非没有工具,但它们的工具更像是后挂的外壳, 难以像 DSH 那样反哺模型。差别不在于技术强弱, 而在于闭环是否触达外部真实用户。
🚀 入口之争才是主线
因此,DSH 大量优化用户体验,既是为反哺未来的 V4.1 Pro 乃至后续版本, 也是在抢占入口。模型性能强弱、性价比高低, 已不是叙事的核心——谁能掌握入口, 谁就能吸引并留住更多用户。
从推倒 V4 架构到 DSH 产品化提速,DeepSeek 的动作指向同一个判断:Agent 时代的竞争, 最终会落在入口与数据回流的闭环上。架构只是手段, 入口才是梁文锋真正押注的方向。
