DeepSeek V4灰度上线，一举解决了论文写作中的一大难题！

这两天，我听说DeepSeek V4.0（以下简称DS4）灰度上线了，赶紧来试试！

（所谓“灰度”的意思，是随机挑选一些用户，也不告诉你，目的是为了做用户测试、反馈、进一步调整。据说DS4本轮的灰度测试是向全部用户开放的，你也可以用哦！）

首先，要确认一下DS的版本。我进入到DeepSeek的官网，直接问它“你是谁”？

根据它反馈的消息：上下文1M、知识截止至2025年5月，这两条就可以确认：它不是DS3.2（它只有128K下下文、知识截止至2024年8月），应该就是DS4.0了！

王珏老师也看了一些DS4的介绍，说是技术上也有很多突破，采用了很多创新的技术手段（比如：Engram技术，文末会有简单介绍），进一步大幅降低了服务成本、提高了响应速度。

不过，如果只是作为终端用户的话，架构的进化、技术的进步并不容易体会到。

不过，支持1M上下文（可以简单理解它可以同时处理为100万字），倒是可以直接体验的！

先来说说，上下文长度，起什么作用呢？

——如果你遇到过如下情况：当你把若干篇论文、或电子图书上传到ds中，ds可能会说：由于超长文本，只能解析其中的x%……这就是上下文长度不够的原因。

此前，DS只支持128K上下文，也就是大约只支持12万字左右的上下文。而DS4在这方面的性能提升了8倍！

以前，有不少老师问我：遇到上下文长度不够的，该怎么办呢？彼时，我只能给大家推荐Google Gemini 3.0 Pro，它是首个支持1M上下文的大模型。

现在，DS4也能支持1M上下文了，对于需要对大量资料、长文本进行分析、处理的场景（比如文献综述），可真是太实用了！

以下，是我对DS4是否真的支持100万字上下文的测试过程。

首先，我使用腾讯元宝（它目前用的应该是DS3.2版本）进行对照测试。

我向元宝中上传了一个400页的英文图书（文本）、以及该书的中文翻译稿，然后提出指令：找出翻译稿中，专业术语翻译不正确的地方：

结果，果不其然！它说“超出字数限制，只能阅读全文的9%”，最后只给我列出了6条。

然后，我来到Deepseek官网，做同样的操作：

DS4果然毫无压力，列出了全部10个章节中的63条。

值得一提的是，DS4在回答的最后，还会像GPT-5那样为你提出下一步的建议，感觉非常贴心：

随后，我又用老师最常见的场景：上传若干篇论文，然后做文献综述，进行了一轮测试。

首先是元宝（DS3.2），我向其中上传了13篇关于“具身认知”理论的论文：

元宝显示：只阅读了其中的38%，最后只列出了9条。

然后是DeepSeek官网，同样的操作：

DS4阅读了全部的文献内容，最后列出了25条。

由于我对这些文献比较熟悉，我感觉应该全对（不过并没有校验、确认，完全凭感觉）。

另外，25条是否足够全面呢？这个我就没办法知道了——毕竟，对于人类来说，做这项工作实在是太耗精力了，让人无法提起任何兴趣……

最后，我还让DS4将上述对照实验的数据，总结成为一张表（元宝的9篇我是逐篇确认的，元宝确实只提出了这9篇）：

所以，DS4的上线，确实很好地解决了论文写作中，对大量文献进行调研、分析、综述的问题，感觉棒极了！

据报道，DS4还有一个地方提升极大：编程！编程能力，当然也需要超长上下文的支持，否则编到后面、很容易就对不上前面的了……

王珏老师确实也试了一下，对于比较复杂的程序，确实比DS3.2效果要好很多。这里只作一个情况汇报，就不再赘述了。

最后，如果大家有点兴趣的话，以下简要介绍一下DS中的一个突破性技术：Engram技术。这是DeepSeek去年发表的论文中就公开了的。

Engram技术的本质，是对常用的事实性知识引入了“记忆”的机制（存储在内存中）——比如“中国的首都是北京”，需要用的时候只需调出来即可，而不再需要用昂贵的显卡、及大量的计算资源，去从头“计算”这么简单的、不变的事实。

这样可以极大地节约成本（直接体现在调用 DS API的收费极低），而且还能提高大模型的响应速度和准确性。

关于Engram技术、以及它和前代技术路线的差别，我让Banana画了一幅信息图，大家看能看懂不：

好，本文就到这里了。相信你已经迫不及待了吧！