计算机行业分析报告：DeepSeek近期成果分析及V4影响力预测

分析师：唐月登记编码：S0730512030001tangyue@ccnew.com 021-50586737 ——计算机行业分析报告 证券研究报告-行业分析报告 强于大市(维持) 发布日期：2026年01月29日 投资要点： ⚫The Information报道，DeepSeek将在2026年2月中旬推出新一代旗舰AI模型DeepSeek V4，V4编码能力超越Claude和GPT系列。我们认为V4对标预期中在2025年5月发布的R2模型。 ⚫2026年1月12日，DeepSeek论文聚焦分配的稀疏化方案，引入了名为“Engram”的条件记忆模块，明显改善了模型性能，成为MOE的重要补充。同时通过对计算与内存的解耦，缓解了当前GPU内存受限的困境，有望大幅缓解国产AI芯片厂商HBM被卡脖子的境况。 资料来源：中原证券研究所，聚源 相关报告 《计算机行业月报：手机端AI应用加速，DeepSeek将加大预训练规模》2025-12-08《人工智能专题：DeepSeek的稀疏注意力机制给AI产业释放更大的发展潜能》2025-10-16 《人工智能专题：后R1时代，DeepSeek发展的三大阶段》2025-10-14《人工智能专题：三大要素齐发力，AI应用步入全面加速期》2025-03-07 ⚫2026年1月1日，DeepSeek论文提出了名为mHC的新网络架构，解决信息的流动。mHC架构是建立在此前字节发布的HC基础上，重点改进了ResNet架构信息通道宽度受限、增加的计算冗余和内存占用的问题。在MoE模型上，mHC使得模型训练的收敛速度提升了约1.8倍。 ⚫DeepSeek在模型DeepSeek-OCR和DeepSeek-OCR2中，将视觉作为文本压缩媒介的新方法，将文本以图片的方式进行输入，可以极大减少输入所需要的token数量，解决长文本输入问题。 联系人：李智电话：0371-65585629地址：郑州郑东新区商务外环路10号18楼地址：上海浦东新区世纪大道1788号T1座22楼 ⚫2026年1月4日，DeepSeek更新了R1论文，从22页增加到了86页，让业界对V4的发布充满了更多的期待。根据论文的成本数据，R1的总训练成本为586万美元，远低于顶级模型训练动辄千万美元的门槛，其中预训练和后训练分别占总成本的95%和5%。 ⚫结合DeepSeek当前的研究成果，我们给出V4潜在的创新方向的猜想和影响力预测： （1）模型成本的降低，有望较大缓解地目前国内缺芯的状况。 （2）继续开源路线，同时模型能力超越闭源模型。有望深刻改变海外AI产业的发展格局，利好AI应用的落地。 （3）基于独立于transformer的全新架构。这意味着V4将带来里程碑意义的技术突破，开启大模型发展的新范式，帮助人类更快地通往AGI。 （4）与国产芯片进一步的深度融合，可能部分或全部采用国产芯片进行训练，利好国产算力的生态建设。 风险提示：国际局势的不确定性；海外AI产业竞争格局变化带来市场调整风险。 内容目录 1. DeepSeek最新进展........................................................................................32.稀疏化分配方案的引入，将带来性能提升和计算与内存的解耦......................53.模型层间信息传输方式的底层架构创新..........................................................74.长文本输入：用图像承载文本信息，实现高效压缩........................................85. R1论文从22页更新至86页，更加公开透明.................................................86. V4的潜在创新猜想和影响力预测....................................................................97.风险提示.......................................................................................................10 图表目录 图1：TileLang简介................................................................................................................4图2：模型Scaling的新范式.................................................................................................4图3：Engram引入后的模型架构.............................................................................................5图4：稀疏性分配与Engram的内存拓展对模型性能的影响....................................................6图5：密集型模型、MoE模型、Engram模型之间的预训练性能比较.......................................6图6：mHC、HC、ResNet架构对比图.......................................................................................7图7：DeepSeek-OCR在压缩比和性能上的表现...................................................................8图8：DeepSeek-R1的训练流程...............................................................................................9图9：大模型智能水平随时间增长的情况.............................................................................10 1.DeepSeek最新进展 根据The Information报道，DeepSeek将在2026年2月中旬推出新一代旗舰AI模型DeepSeek V4，V4编码能力超越Claude和GPT系列。 继2025年春节期间推出DeepSeek-R1以后，预期在2025年5月推出的R2一直是市场关注的焦点，但是R1在5月仅进行一次小版本更新看齐头部模型性能。接着在后续V3.1和V3.2的更新中，DeepSeek不再采取基础模型加推理模型这种模式（V3和R1），而是直接推出两者结合的混合模型，因而V4就已经对标预期中的R2模型。 此前我们在专题报告中分析了DeepSeek在R1之后进行的重要发展动向，包括： （1）适配国产芯片：2025年8月DeepSeek发布了V3.1，其采用UE8M0 FP8缩放格式训练，面向即将发布的下一代国产芯片而设计。9月DeepSeek发布V3.2-Exp，发布当天华为昇腾和寒武纪宣布完成对其的零日适配，V3.2-Exp还同时开源TileLang和CUDA两个版本的算子，极大地改善了CUDA带来的从英伟达GPU切换到国产芯片的生态壁垒难题（详见《人工智能专题：后R1时代，DeepSeek发展的三大阶段》）。 资料来源：北京大学，中原证券研究所 （2）在新的注意力机制上的研究：包括了在2025年2月在论文《Native SparseAttention: Hardware-Aligned and Natively Trainable Sparse Attention》中提出了原生稀疏注意力（NSA），在2025年9月发布的V3.2-Exp中引入了DeepSeek稀疏注意力机制（DSA），从而将稀疏注意力从推理阶段进一步拓展到了预训练阶段，为模型计算效率的提升、模型上下文的拓展、后训练潜能的释放留下了更多的发展空间（详见《人工智能专题：DeepSeek的稀疏注意力机制给AI产业释放更大的发展潜能》）。 资料来源：中原证券研究所 （3）大模型发展路径的探索：2025年12月1日，DeepSeek发布了V3.2和V3.2-Speciale，同时进行了更多关于模型发展路径及Scaling的有效性的探索。V3.2并没有针对测试集的工具进行特殊训练，是真实获得的泛化能力，证明了强化学习有效性。同时在模型训练方面，V3.2验证了扩大后训练强化学习带来的模型能力提升路径（DeepSeek-V3.2把相当于预训练成本10%以上的算力投入在了后训练的强化学习中），同时DeepSeek也计划加大预训练规模来实现模型能力更大的提升。DeepSeek通过在强化学习中使用合成数据，带来了DeepSeek-V3.2在Tau2Bench、MCP-Mark和MCP-Universe基准测试中的性能显著提升，取得了在真实环境中进行强化学习所无法获得的能力，证实了合成数据的发展潜力。（详见《计算机行业月报： 手机端AI应用加速，DeepSeek将加大预训练规模》） 下面我们将就DeepSeek后续发布的5篇论文展开技术走向分析，并对V4的潜在影响力进行预测。 2.稀疏化分配方案的引入，将带来性能提升和计算与内存的解耦 2026年1月12日，DeepSeek发布新论文《Conditional Memory via Scalable Lookup:A New Axis of Sparsity for Large Language Models》，聚焦分配的稀疏化方案。 当前主流的大语言模型在面对知识类的问题时，仍然需要动用宝贵的推理资源通过计算来模拟检索过程，造成了大量的资源浪费。考虑到大模型的稀疏性不应该只体现在计算上，还应该体现在分配上，DeepSeek本次提出了“条件记忆”的新机制，并引入了名为“Engram”的条件记忆模块，依靠稀疏查找来检索固定知识的静态嵌入。 资料来源：DeepSeek，中原证券研究所 由于Engram是对文本进行哈希映射，映射对象为规模可扩展的静态记忆表，进行常数时间复杂度的知识检索，查找复杂度与模型规模无关，因而达到了稀疏的效果。实验表明，当20%-25%的稀疏参数预算分配给Engram时（剩余部分留给MoE），模型整体性能达到最佳。 资料来源：DeepSeek，中原证券研究所 DeepSeek的实验数据研究表明，Engram的引入可以实现更高的效率，成为MoE的理想补充。除了知识密集型任务，Engram的引入还可以使得通用推理、代码、数学问题上获得显著的改进。DeepSeek认为这主要源于Engram减轻了主干网络在早期重构静态知识的负担，从而增加了可用于复杂推理的有效深度。同时，Engram架构还在长文本处理方面展现出了结构性优势，在处理需要极高精度的长文本任务时，具备更强的优越性。 除此以外，Engram引入后，将模型参数表卸载到主机内存并不会带来显著效率损失，因而很大程度上缓解了当前GPU内存受限的困境，为模型参数的进一步提升打开了通道。这意味着Engram实现了计算与内存的解耦，为挂载TB级别的超大规模记忆库提供了可行路径，有望大幅缓解国产AI芯片厂商HBM被卡脖子的境况。 3.模型层间信息传输方式的底层架构创新 2026年1月1日，DeepSeek发布新论文《mHC: Manif