DeepSeek-V4 技术升级与国产算力适配交流纪要

摘要： 本次会议重点解读 DeepSeek-V4 模型的发布，分析其在技术架构上的创新（如稀疏注意力机制、Token 压缩、MoE 架构）及其对国产算力生态的适配意义，探讨了中美大模型在 B 端与 C 端路径的差异以及国产算力集群的演进趋势。

行业主线：

1. 技术降本增效：DeepSeek-V4 通过 Token 压缩和稀疏注意力机制，大幅降低了 GPU 计算量（减少约 30%）和 KV 存储（下降至 20% 左右），实现了极高的推理性价比。
2. 国产算力适配：V4 首次在发布时同步推出针对国产算力（如华为昇腾）的推理引擎适配，通过低精度量化（FP4/FP8）优化，旨在打破对英伟达芯片的依赖。
3. 模型竞争格局：国内模型（如 Kimi、MiniMax）在架构上存在互相借鉴，竞争焦点正从纯参数规模转向 AI Coding 等生产力场景的落地。

关键变化与分歧：

1. 推理与训练的脱节：目前国内大模型训练仍高度依赖英伟达 H800 等芯片，但推理侧已开始大规模向国产卡迁移。
2. B 端与 C 端差异：市场认为 Claude 等模型在 B 端软件工程和任务流控制上具有先发优势，而 OpenAI 在 C 端用户规模上领先。

受益方向与风险：

1. 受益方向：国产高性能算力集群（如昇腾 950 系列）的量产上市将进一步降低推理成本；能够快速适配高效开源模型的 B 端应用厂商。
2. 核心风险：国产芯片在超大规模集群训练上的经验不足；地缘政治导致的高端芯片供应持续受限；国产算力与模型生态的磨合周期长于预期。