编程表现超越Claude和GPT?DeepSeek准备第二次震惊全世界

去年7月，由于DeepSeek下载量从高峰期的8000多万暴跌至2000多万，下滑72.2%，“DeepSeek跌落神坛”就成为了当时互联网最热门的话题。

但据多位知情人士透露，DeepSeek即将重登王座。他们计划在二月中旬发布新一代模型DeepSeek-V4。

也就是农历2026年新年期间，距离上一代模型DeepSeek-R1的发布正好一年。

这次发布的重点是代码生成和处理能力。

根据DeepSeek内部的基准测试，V4在编程任务上的表现超过了目前市场上的主流竞品，包括Anthropic的Claude和OpenAI的GPT系列。

根据报道，在即将发布的新模型中，DeepSeek团队解决了许多长期困扰AI发展的技术难题。很可能会彻底改变Vibe Coding产业。

01

报道中提到一件事，“DeepSeek-V4模型在整个训练过程中理解数据模式的能力也有所改进，且性能未出现衰减。”

这句话有些难以理解，我们不妨拆开来解读。

首先是前半句，它指的是模型不再只是死记硬背数据，而是能看透数据背后的规律和逻辑。

DeepSeek-R1有个具代表性的例子，就是让模型数strawberry里有几个r。

由于当时的DeepSeek模型并不能理解“数”（count）这个概念，只能根据训练时的数据来输出答案。可这个数据恰好又是错的，所以无论DeepSeek怎么思考，它给出的答案大多数情况都是2，而不是正确的3。

而DeepSeek-V4则会彻底杜绝这个情况，前提是在训练过程中，让模型彻底理解某一件事情。

后半句的性能退化，指的是在AI训练中，随着模型不断学习新东西或训练时间加长，往往会出现“学了新的忘了旧的”或者模型变得不稳定的情况。

这种现象在业内被称为“灾难性遗忘”（Catastrophic Forgetting）或“模型坍塌”（Model Collapse）。

因此，V4在不断变聪明、变复杂的过程中，依然保持了极高的稳定性和原有能力的完整性，没有出现任何“副作用”或能力倒退。

这恰恰是构建编程Agent的前置条件。

在现代软件工程中，一个微小的修改可能波及数个文件、数千行代码的依赖关系。

但是以往的模型往往受限于上下文窗口或注意力机制的衰减，从而没办法对于庞大的项目进行修改。

V4极有可能是一个为“Agent时代”量身定制的模型。

一年前，DeepSeek-R1 的发布确实在行业内引起了不小的波动。那款主打推理能力的模型证明了低成本研发路径的可行性。

然而一年后的今天，人工智能行业的关注焦点已经发生了显著转移。单纯的文本生成或逻辑推理已不再是唯一的竞争高地，代码生成正在演变为大模型能力的“试金石”。

在当前的开发环境中，“Vibe Coding”成为新趋势，要求AI不仅能补全代码，更能理解开发者的意图流（Flow），实现从自然语言到复杂工程逻辑的无缝转化。

DeepSeek似乎已经准备好在新赛道上狂飙了。

02

如果深入梳理DeepSeek团队以及核心人物梁文锋在R1发布之后这一年里的学术轨迹，我们会发现一条清晰且扎实的技术演进路线。

这些公开发表的论文与技术报告，不仅是对过去成果的总结，更是V4强大能力的注脚与预演。

2025年9月，DeepSeek-R1的相关论文成功登上了顶级学术期刊《Nature》的封面，梁文锋署名通讯作者。

面对审稿人关于是否使用了OpenAI模型输出进行蒸馏训练的尖锐质疑，DeepSeek团队在回应中给出了明确的否认，并首次公开了令人咋舌的低成本数据：从V3-Base训练到R1，仅花费了29.4万美元。

当然，这个成本仅指R1的后训练阶段成本，不包含V3-Base基础模型本身约600万美元的训练投入。

数据公开后，以及《Nature》为此专门撰写的社论，标志着DeepSeek在学术严谨性和技术原创性上获得了国际最高认可，彻底洗刷了外界对于中国大模型“套壳”或“跟随”的刻板印象。

不过，真正能佐证DeepSeek-V4在代码方面有大幅突破的证据，是2025年最后一天，DeepSeek团队发表的论文《mHC：流形约束超连接》。

代码生成任务对模型的逻辑深度和上下文跨度有着极高的要求，这通常需要更大规模的模型参数和更深的网络结构。

然而，传统的超连接（Hyper-Connections）架构在模型规模扩大时，会面临严重的信号增益问题，最终导致训练过程极不稳定甚至崩溃。

为了解决这一阻碍模型扩容的根本性物理难题，DeepSeek团队在这篇论文中提出了一种全新的架构mHC。

简单来说，它给狂奔的信号加了一道精密的阀门，将信号增益严格控制在1.6倍左右。

论文数据显示，在3B、9B乃至18B参数规模的模型测试中，应用了mHC架构的模型在BIG-BenchHard推理基准上提升了2.1%。

这项由梁文锋联合署名的研究成果，实际上解决了大模型在“做大”和“做复杂”过程中的稳定性难题。

这意味着V4模型极有可能采用了这种全新的架构，从而在拥有更庞大参数量和更深层推理能力的同时，依然保持了高效的训练效率和极高的稳定性。