這兩天論文，我聽說DeepSeek V4.0（以下簡稱DS4）灰度上線了，趕緊來試試！
（所謂“灰度”的意思，是隨機挑選一些使用者，也不告訴你，目的是為了做使用者測試、反饋、進一步調整論文。據說DS4本輪的灰度測試是向全部使用者開放的，你也可以用哦！）
首先，要確認一下DS的版本論文。我進入到DeepSeek的官網，直接問它“你是誰”？
根據它反饋的訊息：上下文1M、知識截止至2025年5月，這兩條就可以確認：它不是DS3.2（它只有128K下下文、知識截止至2024年8月），應該就是DS4.0了！
王珏老師也看了一些DS4的介紹，說是技術上也有很多突破，採用了很多創新的技術手段（比如：Engram技術，文末會有簡單介紹），進一步大幅降低了服務成本、提高了響應速度論文。
不過，如果只是作為終端使用者的話，架構的進化、技術的進步並不容易體會到論文。
不過論文，支援1M上下文（可以簡單理解它可以同時處理為100萬字），倒是可以直接體驗的！
先來說說論文，上下文長度，起什麼作用呢？
——如果你遇到過如下情況：當你把若干篇論文、或電子圖書上傳到ds中，ds可能會說：由於超長文字，只能解析其中的x%……這就是上下文長度不夠的原因論文。
此前，DS只支援128K上下文，也就是大約只支援12萬字左右的上下文論文。而DS4在這方面的效能提升了8倍！
以前，有不少老師問我：遇到上下文長度不夠的，該怎麼辦呢？彼時，我只能給大家推薦Google Gemini 3.0 Pro，它是首個支援1M上下文的大模型論文。
現在論文，DS4也能支援1M上下文了，對於需要對大量資料、長文字進行分析、處理的場景（比如文獻綜述），可真是太實用了！
展開全文
以下，是我對DS4是否真的支援100萬字上下文的測試過程論文。
首先，我使用騰訊元寶（它目前用的應該是DS3.2版本）進行對照測試論文。
我向元寶中上傳了一個400頁的英文圖書（文字）、以及該書的中文翻譯稿論文，然後提出指令：找出翻譯稿中，專業術語翻譯不正確的地方：
結果，果不其然！它說“超出字數限制，只能閱讀全文的9%”，最後只給我列出了6條論文。
然後論文，我來到Deepseek官網，做同樣的操作：
DS4果然毫無壓力，列出了全部10個章節中的63條論文。
值得一提的是論文，DS4在回答的最後，還會像GPT-5那樣為你提出下一步的建議，感覺非常貼心：
隨後，我又用老師最常見的場景：上傳若干篇論文，然後做文獻綜述，進行了一輪測試論文。
首先是元寶（DS3.2）論文，我向其中上傳了13篇關於“具身認知”理論的論文：
元寶顯示：只閱讀了其中的38%，最後只列出了9條論文。
然後是DeepSeek官網論文，同樣的操作：
DS4閱讀了全部的文獻內容，最後列出了25條論文。
由於我對這些文獻比較熟悉，我感覺應該全對（不過並沒有校驗、確認，完全憑感覺）論文。
另外論文，25條是否足夠全面呢？這個我就沒辦法知道了——畢竟，對於人類來說，做這項工作實在是太耗精力了，讓人無法提起任何興趣……
最後論文，我還讓DS4將上述對照實驗的資料，總結成為一張表（元寶的9篇我是逐篇確認的，元寶確實只提出了這9篇）：
所以，DS4的上線，確實很好地解決了論文寫作中，對大量文獻進行調研、分析、綜述的問題，感覺棒極了！
據報道論文，DS4還有一個地方提升極大：程式設計！程式設計能力，當然也需要超長上下文的支援，否則編到後面、很容易就對不上前面的了……
王珏老師確實也試了一下，對於比較複雜的程式，確實比DS3.2效果要好很多論文。這裡只作一個情況彙報，就不再贅述了。
最後，如果大家有點興趣的話，以下簡要介紹一下DS中的一個突破性技術：Engram技術論文。這是DeepSeek去年發表的論文中就公開了的。
Engram技術的本質，是對常用的事實性知識引入了“記憶”的機制（儲存在記憶體中）——比如“中國的首都是北京”，需要用的時候只需調出來即可，而不再需要用昂貴的顯示卡、及大量的計算資源，去從頭“計算”這麼簡單的、不變的事實論文。
這樣可以極大地節約成本（直接體現在呼叫 DS API的收費極低），而且還能提高大模型的響應速度和準確性論文。
關於Engram技術、以及它和前代技術路線的差別論文，我讓Banana畫了一幅資訊圖，大家看能看懂不：
好，本文就到這裡了論文。相信你已經迫不及待了吧！
