百万上下文之后，拼什么？

「模型本身，只是高效工程系统自然结出的一个副产品。」——这句话藏在DeepSeek V4-Pro技术报告的第3页，却道破了整个行业的转向。

过去一周，所有人都在聊DeepSeek的估值传闻、国产芯片适配通稿，还有那个「百万上下文」的标签。但如果你只盯着SimpleQA-Verified测试里20个百分点的领先优势，或者Codeforces上追平GPT-5.4的评分，就彻底看偏了。

这场发布真正的野心，藏在参数表背后：大模型的战争，已经从模型层退场，全面接管系统层。

Pro与Flash：一对反直觉的对照组

行业里看到「Pro」和「Flash」，本能反应是精准刀法——Pro打标杆，Flash做下沉市场，收割中小企业。这种商业包装逻辑，放在V4身上，看偏了。

V4-Pro的配置确实拉满：1.6T总参数，49B激活参数。但真正的大招，是那个只有284B总参数、13B激活参数的V4-Flash。

技术报告里有个数据直接戳破窗户纸：在大量极具挑战性的测试中，13B激活参数的Flash-Base，直接超越了上一代37B激活参数的V3.2-Base。

13B对37B，这不是能力缩水，是一次底层的效率重构。

Flash的意义从来不是证明「我能多省钱」，而是证明「算力霸权是可以被架构重构打破的」。当百万上下文变成所有官方服务的出厂默认值，开源代码已经说明白：这绝对不是靠算力硬堆出来的。

调度能力，正在取代参数规模，成为新的主战场。

这让百万上下文不再是高阶英伟达集群的专属玩具。国产芯片能顺畅接管战局，核心原因就在这里——未来开源模型的分水岭，不再是看谁的底座大，而是看谁能用十分之一的力气干同样的活。

后训练换道：从「和稀泥」到「各管一段」

硬件效率是一面，另一面是软件效率。V4在「后训练」阶段也换了一条路。

行业惯用的混合强化学习（Mixed RL），说的直白点就是和稀泥。想让模型既懂微积分，又会写C++，还能做日常规划？传统做法是把所有参数强行往中间捏。结果是「向均值回归」——特化能力全磨平，最终均值化成平庸的通才。

V4的解法不是改良，是彻底换道。

技术报告交代了新流程：先独立培养专家。数学专家只管算数，代码专家只管编程，把单一维度的能力拉到满。关键在于最后怎么合并——V4不用业内泛滥的参数平均法，而是用了同策略蒸馏（OPD）。

传统的权重合并是一种静态妥协，OPD则是一场动态接管。

统一模型在自己生成轨迹时，遇到数学题，系统精准引入数学专家的梯度来指路；遇到写代码，无缝切给代码专家。大家各司其职，不在参数层面打架。

顺着这条线往下看，V4应用端那个很火的「三种推理模式」（无思考、高强度思考、极限思考），根本不是加了个UI按钮那么简单。它是OPD机制在产品端的直接变现。

极限思考模式下，底层提示词会强制模型分解问题、穷尽边缘情况。这种极其固执的死磕行为，恰恰是在OPD阶段，被「数学专家」和「编程专家」高强度捶打后固化下来的本能。

长上下文的真问题：不是「记得多」，是「算得起」

换完训练方法，换应用场景。长上下文到底能干嘛？

如果只是为了在十万字研报里找一句话，那不叫长上下文，那叫高级检索。真实的商业场景里，Agent要替你重构代码、跨系统验证数据、甚至跑一整晚的流程。

这个过程里最致命的问题是「失忆」。

V3.2有个让工程师头疼的痛点：新消息一进来，模型之前的思考痕迹直接清空。普通聊天这么干没问题，省资源。但如果是跑了三个小时的Agent任务，半路插进去一句话，模型脑子一白，整个状态全部丢失，得从头算。

V4的方案叫「交织思考」。逻辑很冷酷：分场景算账。

只要是带工具调用的长程场景，跨越消息边界，推理链条完整保留。如果是闲聊，继续清空，绝不多浪费一丁点算力。模型开始真正懂得「在什么场合，该记住什么」。

更绝的是快速指令（Quick Instruction）。

以前行业做意图识别，习惯在外面挂个小模型。这意味着每次有新请求进来，不管长短，系统都得把用户的提示词重新嚼一遍——本质上是在白白浪费预填充计算。

V4没这么干。从开源代码可见：直接在输入序列末尾插几个隐式指令。主模型之前算好的海量特征（KV Cache），直接复用。

这其实就是粗暴地砍掉了一次冗余的预填充计算。行业默认一个功能配一个小模型，V4用行动证明：不用。KV Cache复用吃透了，长程Agent才能跑起来。

调度策略的诚实：没有完美方案，只有极限算账

技术报告第17页有个细节：自动生成的kernel，跟手写CUDA逐位比对。不是差不多，是每一位都一样。

这种工程洁癖，业务里少见。有这底线，才敢算部署账。

高并发的百万上下文，拼的根本不是大模型懂不懂人类，拼的是你懂不懂硬件的物理极限在哪。

文档里三种调度策略都列出来了，没有藏着掖着，全是取舍。

想追求计算零冗余？上「完全缓存」。代价是，固态硬盘的I/O通道可能在几秒钟内被高频写入直接挤爆。

想保护硬盘？上「定期检查点」。隔一段距离存一次。硬盘保住了，但GPU得时不时腾出算力，给丢失的尾部数据擦屁股。

干脆不上物理硬盘缓存？选「零缓存」。省下全部存储带宽，全靠长程特征做锚点，碰到问题GPU现场硬算。

这三条路，哪条都不是完美的。这本质上就是一场关于硬件寿命、并发峰值和用户延迟容忍度之间的极限算账。

它把冷冰冰的现实摆在所有人面前：AI早已不是单纯的算法竞赛，而是一场系统工程的总力战。

当1M上下文变成出厂默认值，当13B激活参数能跑赢37B，当KV Cache复用砍掉冗余小模型——这些动作指向同一个结论：大模型的竞争规则，已经从「谁的脑容量大」变成「谁的调度效率高」。

接下来值得观察的是：当效率重构成为新门槛，那些还在堆参数、刷榜单的玩家，会不会突然发现，自己手里的筹码已经贬值了？