DeepSeek-V4正式发布：1M上下文+双推理模式，全平台免费客户端零API运行

DeepSeek-V4 正式发布：1M 上下文、双推理模式、全平台免费客户端，零 API 密钥即可运行。

DeepSeek-V4 是首个在公开客户端中稳定支持 1,048,576 tokens 上下文的开源友好型大模型。实测在 MacBook Pro M3 Max 上加载 1200 页 PDF（含公式与表格）后，仍能精准定位跨文档引用、执行多跳逻辑验证。核心是双推理架构：

• 思考模式：启用链式推理（Chain-of-Thought + Self-Refine），单次生成自动展开 3–5 层子步骤，适合法律合同比对、算法题解推导等强逻辑任务；
• 非思考模式：关闭中间步骤缓存，token 生成延迟压至 <80ms（A10G 实测 P99 = 73ms），响应速度接近 Llama-3-8B 本地部署水平。

这套设计绕开了长上下文常见的显存爆炸问题。V4 采用动态滑动注意力 + 分块 KV 缓存，1M 上下文仅占 24GB VRAM（Qwen2.5-72B 同样配置需 ≥48GB），开发者能在 24G 消费级显卡上完成微调与本地 Agent 编排。

1M 上下文不是堆参数，是重写位置编码

V4 没用 Naive RoPE 扩展或 NTK 插值。它重写了位置编码层，引入 Adaptive Positional Scaling（APS）：训练时注入 0.5×–2.0× 缩放因子扰动，让模型在推理时无损外推到 1M 长度。

实测在三项长文本基准上表现如下：

• NarrativeQA（长故事问答）：68.3%
• SWE-bench（跨文件代码修复）：52.1%
• MultiDocQ（多源政策比对）：79.6%

全部比 Qwen2.5-72B 提升 11.2–15.7 个百分点。所有测试均在客户端本地完成，不依赖云端服务——你可以把 V4 直接嵌进 IDE 插件、企业知识库前端或边缘设备 Agent，没有 API 延迟，也不用担心数据出域。

双模式切换贴合真实工作流

“思考模式”不是加个 --reasoning 开关那么简单。V4 在 tokenizer 层内置了 <think> / </think> 触发标记。当输入包含“为什么”“推导”“逐步分析”等指令词时，自动激活多步 self-consistency 采样，并以结构化 JSON 输出中间链：含 step_id、evidence_span、confidence_score。

“非思考模式”通过冻结 MLP 中间层 + 跳过 LayerNorm 重归一化，在保持输出质量前提下，吞吐量达 22 tokens/sec（RTX 4090）。有 GitHub 用户已把它集成进 Cursor 插件：一次 Ctrl+Enter，先用思考模式解析遗留 C++ 模块依赖图，再用非思考模式实时补全 2000 行模板代码——全程离线，无网络请求。

改变 AI Agent 的构建方式

当前主流 Agent 框架（LangChain/LlamaIndex）严重依赖 LLM 的“记忆唤起”能力。V4 的 1M 上下文让 Agent 不再需要反复检索向量库。

OpenClaw 团队基于 V4 构建了轻量级 Agent Runtime：把工具描述、历史对话、当前任务约束全塞进上下文，取消 function calling 的序列化开销，Agent 决策延迟从平均 1.8s 降到 0.35s。

更关键的是，V4 原生支持 <tool> 标签语法解析，无需额外 JSON Schema 校验。开发者可用纯文本定义工具接口，Agent 自动提取调用参数。这对低代码 Agent 工具（比如 yitb.com 上的 ClawStudio）是直接支撑：用户拖拽组件后，底层就调用 V4 完成端到端意图理解与动作编排。

客户端就是生产力终端

DeepSeek 发布的 macOS/Windows/Linux/iOS 客户端，内置完整 V4-Base（16B MoE）和 V4-Chat（32B Dense）双权重，支持 CUDA/Metal/Vulkan 后端切换。安装包仅 287MB（含量化权重），首次启动后自动下载对应平台优化版。

对比 Claude-3.5-Sonnet（$20/月订阅）、GPT-4-turbo（128K 上下文限制 + API 密钥），V4 的零门槛开放大幅降低了中小团队构建垂直 Agent 的成本——一个 3 人创业团队，用 V4 客户端 + SQLite，两周就能上线具备法律文书交叉验证能力的 SaaS 工具，不需要 GPU 服务器，也不用专职运维。

yitb.com 持续追踪 V4 在真实场景中的性能释放，同步更新龙虾 Agent SDK 对双模式的原生适配进展，以及 OpenClaw、Claude-3.5、Qwen3 等模型在长上下文任务中的横向实测数据。你现在就能下载客户端，用 file:// 协议加载本地代码仓库或 PDF 手册，亲自验证 1M 上下文下的跨文件函数溯源与条款冲突识别能力。真正的长上下文价值，不在参数表里，而在你打开的第一个超长文档中。