swyx 评 DeepSeek v4：不刷榜直甩 SOTA 长上下文与最强开源基模
swyx 称 DeepSeek v4 不刷榜也不秀训练成本，亮出 CSA/HCA/mHC 等 SOTA 长上下文效率技术，flash 定价仅为 pro 的 8%、opus 的约 1.1%，放出最强开源基模后退场，把后训练留给 Agent 实验室。
查看原文AI 资讯解读
核心要点
DeepSeek v4 以务实策略突围：不堆 benchmark 分数、不晒训练账单，而是秀出 CSA/HCA/mHC 等长上下文效率的 SOTA 技术组合。其 Flash 模型定价仅为 GPT-4o Pro 的 8%、Claude Opus 的约 1.1%，在成本性能比上形成碾压式优势。更关键的是，他们放出最强开源基模后将后训练空间主动留给社区，自己退居基础层。
深度解读
swyx 的评价值得细品：这不只是一次产品发布，而是一种战略姿态。DeepSeek v4 选择在长上下文效率上押注，而非盲目追随多模态或长思考叙事——这恰恰切中了当下 Agent 应用落地的核心痛点。当上下文窗口从 32K 膨胀到 1M 时，成本和延迟就成了真实瓶颈，CSA/HCA/mHC 这套技术组合恰好解决了这个问题。
定价策略更是狠招：Flash 仅 1.1% 的 Opus 价格意味着什么？意味着长上下文的门槛被彻底击穿。开发者不再需要在"用得起"和"用得好"之间做痛苦选择，而是可以兼得。这对整个 Agent 开发栈是结构性冲击——当基础模型成本趋近于零，Agent 框架层、中间件层的价值会被重新估量。
最聪明的一步是开源基模 + 让出后训练的组合。这意味着 DeepSeek v4 不做垂直整合，而是做基础设施供应商，让 Agent 实验室们自行在基座上做 RLHF、SFT、RL。类比一下，这类似于 Linux 当年的策略——我不做所有发行版，但我提供最稳固的内核。
值得关注
- Agent 实验室的反应：谁会第一个基于 DeepSeek v4 基模做后训练并公开权重？Anthropic 的 Claude Agent 路线是否会被倒逼加速？
- CSA/HCA/mHC 技术细节：这些长上下文效率技术是工程创新还是算法突破？论文是否公开？开源社区能否复现？
- 闭源模型的定价压力：当开源基模逼近 SOTA 且成本只有 1%，OpenAI/Anthropic 的高端模型定价策略是否会松动？
本解读由 AI 自动生成，仅供参考。请以原文为准。