报告行业投资评级 - 行业投资评级：强于大市（维持）[1] 报告核心观点 - 核心观点：DeepSeek预计在2026年2月中旬推出新一代旗舰AI模型DeepSeek V4，其编码能力将超越Claude和GPT系列，并可能对标市场预期中的R2模型[3]。该模型的发布预计将带来模型成本降低、继续开源并超越闭源模型、基于全新架构以及深化国产芯片融合等多重影响，有望深刻改变AI产业发展格局并利好下游应用与国产算力生态[4] 根据相关目录分别总结 1. DeepSeek最新进展 - 根据The Information报道，DeepSeek计划于2026年2月中旬推出新一代旗舰AI模型DeepSeek V4[3][11] - DeepSeek V4的编码能力据称将超越Claude和GPT系列[3][11] - 报告认为V4将直接对标市场此前预期在2025年5月发布的R2模型，因为DeepSeek在V3.1和V3.2的更新中已转向推出结合基础与推理能力的混合模型，而非沿用V3与R1分离的模式[11] - 此前，DeepSeek在适配国产芯片方面取得进展，例如V3.1采用UE8M0 FP8缩放格式面向下一代国产芯片设计，V3.2-Exp发布当日即获得华为昇腾和寒武纪的零日适配，并通过开源TileLang和CUDA两个版本的算子降低生态壁垒[12] - 在注意力机制上，DeepSeek提出了原生稀疏注意力（NSA）和DeepSeek稀疏注意力机制（DSA），将稀疏注意力从推理拓展至预训练阶段[15] - 在发展路径探索上，V3.2验证了扩大后训练强化学习能提升模型能力，其将相当于预训练成本10%以上的算力投入后训练强化学习，并计划加大预训练规模[17] - DeepSeek-V3.2在强化学习中使用合成数据，在Tau2Bench、MCP-Mark和MCP-Universe等基准测试中性能显著提升[17] 2. 稀疏化分配方案的引入（Engram） - 2026年1月12日，DeepSeek发布论文提出“条件记忆”新机制，引入名为“Engram”的条件记忆模块，通过稀疏查找检索静态知识嵌入，以解决大模型处理知识类问题时浪费推理资源模拟检索的问题[8][19] - Engram通过对文本进行哈希映射至可扩展的静态记忆表，实现常数时间复杂度的知识检索，查找复杂度与模型规模无关[22] - 实验表明，当20%-25%的稀疏参数预算分配给Engram（剩余部分留给MoE）时，模型整体性能达到最佳[22] - Engram的引入成为MoE的理想补充，不仅在知识密集型任务上，还在通用推理、代码、数学问题上带来显著改进，其优势在于减轻了主干网络早期重构静态知识的负担，增加了用于复杂推理的有效深度，并在长文本处理上展现出结构性优势[25] - 性能对比数据显示，在相同激活参数量（约38亿）和训练token数（2620亿）下，引入57亿Engram参数的27B Engram模型在多个基准测试上表现优于同规模的27B MoE模型和41B密集模型，例如MMLU准确率从574%提升至604%，GSM8K准确率从584%提升至606%[26] - Engram架构实现了计算与内存的解耦，允许将模型参数表卸载到主机内存而不带来显著效率损失，这缓解了GPU内存限制，为挂载TB级别超大规模记忆库提供路径，有望大幅缓解国产AI芯片厂商HBM供应受限的境况[8][29] 3. 模型层间信息传输方式的底层架构创新（mHC） - 2026年1月1日，DeepSeek发布论文提出名为mHC的新网络架构，旨在解决信息流动问题[8][30] - mHC架构建立在字节跳动此前发布的Hyper-Connections（HC）基础上，重点改进了ResNet架构信息通道宽度受限、计算冗余和内存占用的问题[8][30] - ResNet是当前Transformer及大模型的主流底层组件，但存在上述局限[30] - HC架构虽能提升性能，但会导致信号被持续放大，使模型训练不稳定，难以应用于大模型[31] - mHC引入类似“加权平均”的思路，通过凸组合保证信号不会被无限放大，解决了HC的稳定性和可扩展性问题[31] - 实验结果表明，在MoE模型上，mHC使得模型训练的收敛速度提升了约18倍[8][31] 4. 长文本输入：用图像承载文本信息，实现高效压缩 - DeepSeek在模型DeepSeek-OCR和DeepSeek-OCR2中，提出将视觉作为文本压缩媒介的新方法，将文本以图片方式输入，以极大减少输入所需token数量，解决长文本输入问题[8] - 实验数据显示，当文本token数在视觉token的10倍以内（压缩率<10×）时，模型解码精度可达97%；当压缩率达到20×时，解码准确率仍保持在约60%[34] - 在DeepSeek-OCR 2中，创新的DeepEncoder V2初步验证了使用语言模型架构作为视觉编码器的潜力，为迈向统一的全模态编码器提供了新的发展路径[37] 5. R1论文更新与训练成本 - 2026年1月4日，DeepSeek将R1论文从22页更新至86页，增加了训练流程、基础设施、消融实验、中间检查点、失败尝试及模型不足等细节，展现了更高的公开透明度[8][38] - 根据论文披露的成本数据，DeepSeek-R1进行进一步训练的成本为294万美元，使得R1的总训练成本达到586万美元[8][39] - 该总成本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%[8][39] 6. V4的潜在创新猜想和影响力预测 - 模型成本降低：基于Engram架构和mHC等新技术，V4的模型成本有望大幅降低，从而较大缓解目前国内缺芯的状况[4][40] - 继续开源且能力超越闭源模型：预计DeepSeek将继续坚持开源路线，同时V4模型能力有望实现较大超越，这可能对OpenAI、Anthropic等专注于闭源大模型的厂商形成较大的盈利冲击，深刻改变海外AI产业发展格局，并利好下游AI应用落地[4][41][45] - 基于独立于Transformer的全新架构：2026年1月20日DeepSeek代码库中意外曝光的名为“Model 1”的新模型，暗示V4可能采用全新的技术路径或基础架构，这将带来里程碑意义的技术突破，开启大模型发展新范式，帮助人类更快通往AGI[4][46] - 与国产芯片深度融合：考虑到2025年已实现的协同优化，2026年DeepSeek有望在国产适配方面取得更多进展，V4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[4][47]