DeepSeek V4灰度曝光，这波我真的热血沸腾，国产模型继续冲啊。

沉默王二约 1715 字大约 6 分钟

大家好，我是二哥呀。

就在刚刚。

偷偷打听到一个内部消息，说 DeepSeek V4 春节期间可能要上线（真不是狼来了），我立马就去测了一手。

看到结果的那一刻，我瞬间就热血沸腾了！

有一种 DeepSeek V1.0 当初发布的那种感觉——国产大模型终于追上了世界级水平。

甚至领先。

这种自豪感是由衷而生的，事实也的确证明了，DeepSeek 引领了大模型的变革。

那 DeepSeek V4 到底有哪些亮点，我也是第一时间想到了几个 case 去测了一下。

马上就给大家揭晓。

01、1M 上下文，吃下超大文档

从截图中大家也看得出来，DeepSeek V4 的上下文有 1M，可以一次性处理超大文档。

这个数字是什么概念？

相当于 200 万字的中文，或者 200 页的 PDF 文档。

所以我就扔了一个《面渣逆袭 RocketMQ》进去，看它能不能一次性吃得下。

我的提示词是：

找出文档中关于消息模型的内容，并总结

从思考过程就能看得出来，DeepSeek 首先探索了文档结构，定位到相关章节，然后提取关键信息进行分析。

这个过程非常严谨，就像一个老程序员在阅读代码。

从预览中也能看得出来，总结非常到位，把 RocketMQ 的消息模型讲得很清楚。

这个能力对于学习新框架、快速阅读技术文档的小伙伴来说，太实用了。

02、知识时效性，截止2025年5月

第二个测试，我考了一下它的知识时效性。

我的问题是：

GLM-4.7 是什么时候发布的？

注意我这里特意把联网搜索关掉了，能看到 DeepSeek 给出的答案是非常准确的：

截至 2025 年 5 月，智谱 AI 官方并未发布名为GLM-4.7的模型版本。

并且强调它的知识库是截止到 2025 年 5 月的。

没有不懂装懂。

这一点非常加分。

很多模型会幻觉，编造一些不存在的信息。但 DeepSeek V4 明确告诉你知识边界，这种诚实的态度反而更让人信任。

03、联网搜索，实时信息获取

第三个测试，我开启了联网搜索功能，来确认一下实时信息获取能力。

这个功能对于需要了解最新技术动态的人来说，很刚需。这个功能我知道，之前的版本就有，但速度明显比之前快多了。

我个人的体感哈，基本在秒级响应。

04、编码能力，手写 LRU 缓存

第四个测试，由于想赶在AI博主发之前我先发了，所以就简单测试了一下编程能力（后面打算和GLM-5.0做个深度对比，敬请期待）。

提示词：

手写一个 LRU 缓存

DeepSeek 新版的响应速度明显加快了，说明算力得到了很大程度上的解决。

当然了，也可能是我测试的比较早，等 DeepSeek 新一轮的爆发，可能就会限流了。

而且上下文能力确实得到了加强。

我就问了一嘴 RocketMQ，它就知道我是个 Java 程序员，没有给我 Python 案例。

代码我就不贴太多了，非常规整。

/**
* 插入/更新缓存
* 若key已存在：更新值，并将节点移到头部
* 若key不存在：新建节点，插入头部，存入哈希表
* 若容量超限：移除链表尾节点（最久未使用），并删除哈希表中的对应项
*/
public void put(K key, V value) {
     Node<K, V> node = cache.get(key);
     if (node == null) {
          // 创建新节点
          Node<K, V> newNode = new Node<>(key, value);
          cache.put(key, newNode);
          addToHead(newNode);
          // 检查容量并淘汰
          if (cache.size() > capacity) {
               Node<K, V> tail = removeTail();
               cache.remove(tail.key);
          }
     } else {
          // 更新值，并移到头部
          node.value = value;
          moveToHead(node);
     }
}