一文搞懂 DeepSeek：从 V3 的 KV 压缩与 MoE，到 V4 的百万 token 上下文

V3 看家本领一：MLA，把 KV 缓存压成"胶囊"

　　大模型聊天时每生成一个 token，都要回头看前面所有 token 的 Key 和 Value——这些 K、V 得一直存在显存里，这就是 KV 缓存。对话越长，缓存越大：每个 token 的 K、V 都要按注意力头一份一份地存，长对话下来显存先装不下，推理也跟着变慢。

　　MLA（多头潜在注意力）的思路很像真空压缩袋：不直接存 K、V，而是把它们联合压缩成一个小得多的潜在向量 c_KV——每个 token 只存这一小条，外加一个携带位置信息的解耦键 k_R。但跟压缩袋不同的是，取用的时候根本不需要"拆袋"：上投影矩阵被"吸收"进了相邻的计算里——算注意力分数时，它折进 Query 一侧，query 直接拿压缩向量算分；算输出时，它折进输出投影，先对压缩向量加权求和、最后一次投影出去。各头的 K、V 从头到尾没有被真正展开过，压缩向量直接上场干活。

　　为什么位置信息要单独留一条？因为 RoPE 这类位置编码跟上投影矩阵没法交换顺序——一旦揉进压缩，刚才说的"折叠吸收"就失效了。所以干脆留一条小的专用通道，位置键直接从输入算出来，不跟内容挤。

　　效果上，KV 缓存大幅缩水，性能却与标准多头注意力基本相当。查询（Query）端也做了同样的低秩压缩，省的是训练时的显存。

V3 看家本领二：DeepSeekMoE，6710 亿参数的"专科医院"

　　模型越大通常越强，但 6710 亿参数全部激活一次，代价太高。MoE（混合专家）的解法是开一家"专科医院"：把前馈层换成一大群专家，每个 token 进门先由"分诊台"（路由器）按 sigmoid 亲和度打分，只派给得分最高的 Top-K 个专家处理，其余专家歇着。这里的专家不是一个个独立模型，而是规格相同、参数各异的前馈网络——同一个模子，各自学出了不同的专长。账面上 6710 亿参数，每个 token 实际只激活 370 亿。

　　DeepSeekMoE 在这个框架上做了两处改良：专家切得更细（细粒度专家，分工更专），另设几个共享专家——相当于全科门诊，什么病都看，保证基础知识不丢。

　　真正难的是负载均衡：如果分诊台总把病人往少数几个专家那儿送，其他专家闲置，就会"路由塌缩"。传统的解决办法是加一个辅助损失，逼着分诊台均衡分配，但辅助损失太大又伤模型性能。V3 的方案是无辅助损失的负载均衡：给每个专家设一个偏置项，分诊时加在分数上——过载的专家下一步就减一点，欠载的就加一点。关键在于偏置只影响"选不选它"，不影响选中之后"它的意见占多大权重"。相当于交通协管员只负责调度车流，从不进手术室。

　　配套还有三样补丁。一是留一道"保险丝"：保留一个权重极小的序列级均衡损失，只管单条序列内部别一边倒，系数小到不碍性能。二是给路由设限：每个 token 最多发往 4 个节点（服务器），按各节点上专家的亲和度总和挑，牺牲一点选择自由，换来跨机通信可控。三是不"拒收"：专家不设容量上限，训练和推理全程一个 token 都不丢。

V3 的另外两笔账：MTP 与 557 万美元

　　标准语言模型每次只预测下一个 token，V3 加了 MTP（多 token 预测）：用一串串联的模块依次预测未来好几个 token，每一级都把前一级的表示和真实的下一个词的嵌入拼起来接着猜，保持完整的因果链。这样训练信号更密，模型还能提前为将来"打腹稿"。推理时这些模块可以直接丢掉，也可以留下来做投机解码加速生成。

　　训练账单同样克制：14.8 万亿 token 的预训练，用 2048 块 H800 跑了 278.8 万 GPU 小时，按市场价约 557.6 万美元——这里面还包括了 FP8 混合精度训练的首次大规模验证，全程没有一次损失尖峰，没有一次回滚重训。

　　成绩同样扎实：MMLU 88.5、MMLU-Pro 75.9、GPQA 59.1、MATH-500 90.2、AIME 39.2、Codeforces 51.6、SWE-bench 42.0——当时的最强开源基座，综合表现比肩 GPT-4o 和 Claude-3.5-Sonnet。

V3 的省钱工程：DualPipe、冗余专家与硬件清单

　　557 万美元能训完 671B 的模型，靠的不只是架构省钱，还有一整套工程配合。

　　训练端，流水线是双向的。传统流水线并行里 GPU 总要等上下游的空档（气泡），V3 的 DualPipe 从流水线两端同时喂入数据，正向和反向的计算块两两配对，让计算与跨节点通信互相重叠——通信藏在计算背后，气泡砍掉一半。跨节点通信也做了定制：每个 token 最多发 4 个节点，先走 IB 到目标节点的"同编号"GPU，再立刻转 NVLink 送达，两段传输完全重叠，只用 20 个 SM 就打满了两种带宽。

　　部署端，专家可以开"分身"。预填和解码分开部署（最小 32 卡与 320 卡），线上每 10 分钟统计一次专家负载，热门专家复制副本重新排布——预填阶段常备 32 个冗余专家。MTP 模块留在推理时做投机解码，第二个 token 的接受率 85% 到 90%，整体吞吐再提 1.8 倍。

　　最特别的是，DeepSeek 还给硬件厂商反向开了一份需求清单：132 个 SM 里有 20 个被拉去干通信的活，建议下代芯片把通信卸载给协处理器；H800 的 FP8 累加精度只有 14 位，而他们至少需要 34 位，建议提高累加精度、原生支持细粒度量化——这些需求公开放在那里，留给下一代硬件去兑现。

V3 的后训练：R1 当老师，先学会把话说短

　　V3 的推理能力来自 DeepSeek-R1 的蒸馏，但直接拿 R1 的输出当教材有个问题：准是准，就是话太长、格式还差。于是蒸馏之前先"驯化"数据：每个领域单独训一个专家模型，训练时把"问题 + 原始回答"和"系统提示 + 问题 + R1 回答"两类数据混着喂，再用高温采样让模型自己融合两种风格，最后拒绝采样挑出既准确又简洁的回答当教材。整套教材 150 万条；消融显示，照单全收 R1 的风格确实更准，但回复长度会失控——V3 的教材是精心选过的平衡点。

　　强化学习的奖励信号则分两条腿：能写死规则的一律用规则——数学题按格式判对错、代码题交给编译器跑测试，规则不会被"刷分"；开放式问题才让模型当裁判，而且用 GRPO 算法砍掉了与策略模型同样大的 critic，组内评分自己当基线。更开放的问题干脆让 V3 自己投票给自己打分（自我奖励），它在 RewardBench 上的判断力（投票后 89.6）已经超过了当时的 GPT-4o。

V4 改进一：CSA 与 HCA，注意力再省一个数量级

　　上下文拉到 100 万 token 时，注意力的计算量随长度平方增长，KV 缓存线性增长，V3 的省法不够用了。V4 的答案是两种新注意力层混合排布。

　　CSA（压缩稀疏注意力） 分两步走。第一步压缩：每 m 个相邻 token 的 KV，用一组带位置偏置的 softmax 权重压成 1 条，序列长度先缩到 1/m。第二步稀疏：一个轻量的"闪电索引器"给每条压缩 KV 与当前 query 的相关性打分，只取分数最高的 top-k 条进入注意力。另外再保留一小段最近距离的原始 KV（滑动窗口），近处的细节不经过压缩，直接看原件。最后，注意力用共享 KV 的 MQA 形式，输出端分组投影省算力。

　　HCA（重度压缩注意力） 更激进：每 m′ 个 token（m 的很多倍）压成 1 条——序列已经短到不需要再挑了，直接做密集注意力。

　　两种层混排之后，100 万 token 上下文里，V4-Pro 的单 token 推理 FLOPs 只有 V3.2 的 27%，KV 缓存只有 10%；小号的 V4-Flash 更省：FLOPs 10%、KV 缓存 7%。百万 token 从"演示视频里的能力"变成了可以日常使用的配置。

V4 改进二：mHC 与 Muon，给训练装上"护栏"

　　残差连接是 Transformer 的生命线：原始信号一路直通，每层只补充修正量。超连接（HC）的想法是把这条直通车道拓宽几倍，让层与层之间的交流更充分——但车道一宽，信号容易在堆叠中失控，训练频繁出现数值不稳。

　　mHC（流形约束超连接）给拓宽的车道装上护栏：把残差映射矩阵约束到"双随机矩阵"的流形上——矩阵的每行每列之和都是 1、元素非负，谱范数不超过 1，意味着信号经过映射既不放大也不消失。实现上用 Sinkhorn 迭代 20 步把矩阵投影过去；输入、输出两端的映射则用 sigmoid 压到非负有界，防止信号相互抵消。拓宽照做，稳定也保住了。落地的代价也控制得住：配合融合 kernel、选择性重计算和流水线调度调整，mHC 的额外开销压到了 6.7%。

　　优化器也换了：V4 全线改用 Muon，收敛更快，长训练更稳。

V4 的其他升级

• MoE 小改：亲和度函数从 sigmoid 换成 Sqrt(Softplus)；取消路由的节点数上限；最前面几层的稠密前馈层换成 Hash 路由的 MoE 层——不看内容，直接按 token 编号哈希分配专家。
• 后训练两阶段：先分领域特训专家——数学、代码、Agent、指令遵循各自用 SFT 加 GRPO 单独练，再把这群专家用 on-policy 蒸馏合成一个统一模型。
• 训练稳定两招：预判路由（Anticipatory Routing）把主干和路由的更新解耦——用"昨天的路由器"给今天的 token 分专家，平时照常训练，检测到损失尖峰才短回滚并临时启用；SwiGLU 的线性分量钳制在 ±10。两招全程消除了激活离群值，但作者坦白：有效，原理还没搞清，公开给社区研究。
• 确定性 kernel：预训练、后训练、推理三条流水线做到逐 bit 对齐——同一个 token 无论排在 batch 哪个位置，输出完全相同，出了异常能直接定位数值原因。
• FP4 为什么能无损：后训练阶段对 MoE 专家权重和索引器的 QK 路径做 FP4 量化感知训练。这里有个反常识的细节：FP4 先量化、再反量化回 FP8 计算是无损的——FP8 比 FP4 多两个指数位，细粒度缩放信息能被完全吸收。索引得分顺势降到 BF16，top-k 选择提速 2 倍，KV 召回率仍保持 99.7%。
• 两档型号：V4-Pro 1.6T 参数、49B 激活，预训练 33T token；V4-Flash 284B 参数、13B 激活，预训练 32T token。两者都原生支持 100 万 token 上下文。

成绩单：从"比肩闭源"到"摸到前沿"

　　V4-Pro 的最强模式（Pro-Max）在 SimpleQA 和中文 SimpleQA 上做到开源第一；推理成绩超过 GPT-5.2 和 Gemini-3.0-Pro，与 GPT-5.4、Gemini-3.1-Pro 的差距缩到大约三到六个月；Agent 任务上超过 Claude Sonnet 4.5，接近 Opus 4.5；长文本学术评测里甚至压过 Gemini-3.1-Pro。V4-Flash-Max 走性价比路线，加大思考预算也能摸到 GPT-5.2、Gemini-3.0-Pro 的水平。

　　更贴近日常使用的评测也给出了答案：中文功能性写作对 Gemini-3.1-Pro 胜率 62.65%；agentic 搜索对 RAG 胜率 61.7%；30 个中文高阶职业任务上对 Opus-4.6-Max 的非败率 63%；内部工程师出的代码题通过率 67%，明显超过 Claude Sonnet 4.5 的 47%。

　　官方也坦率标出了边界：在 100 万 token 里"捞针"的 MRCR 测试（8 根针）中，128K 以内得分稳定在 0.9 以上，但拉满 100 万 token 时会掉到 0.59——百万上下文可用，但还不是没有代价的。

　　回看两代的成绩曲线：V3 证明开源可以便宜地"比肩闭源"，V4 证明开源可以便宜地"摸到前沿"。

结尾：把算力的水分拧干

　　V3 解决的是"能不能便宜地强"，V4 解决的是"能不能便宜地长"。从 MLA 的 KV 压缩到 MoE 的分诊，从 CSA/HCA 的压缩稀疏到 mHC 的护栏，DeepSeek 每一代做的都是同一件事：把每一分算力的水分拧干，再把拧出来的空间换成能力。