R1一周年，DeepSeek Model 1悄然現(xiàn)身

編輯｜Panda

2025 年 1 月 20 日，DeepSeek（深度求索）正式發(fā)布了 DeepSeek-R1 模型，并由此開啟了新的開源 LLM 時(shí)代。在 Hugging Face 剛剛發(fā)布的《「DeepSeek 時(shí)刻」一周年記》博客中，DeepSeek-R1 也是該平臺(tái)上獲贊最多的模型。

https://huggingface.co/blog/huggingface/one-year-since-the-deepseek-moment

如今，剛過一年時(shí)間，DeepSeek 的新模型又在 GitHub 悄然現(xiàn)身。

這些天，DeepSeek 給其 FlashMLA 代碼庫(kù)推送了不少更新，而在這些更新中，一個(gè)名為Model1的模型引起了廣大網(wǎng)友的注意。

如下截圖所示，這個(gè)目前還很神秘的 Model1 不僅出現(xiàn)在了代碼與注釋中，甚至還有與 DeepSeek-V3.2 并駕齊驅(qū)的文件。

這也不禁讓網(wǎng)友們開始猜測(cè)，這個(gè) Model1 很可能就是傳聞中 DeepSeek 即將在春節(jié)前后發(fā)布的新模型的代號(hào)。

我們也讓 Gemini 幫忙分析了 DeepSeek 的這些 Commit，讓其提取了其中的技術(shù)細(xì)節(jié)，結(jié)果如下：

根據(jù) DeepSeek 在 2026 年 1 月提交的 flashmla 庫(kù)代碼變更，可以推斷出Model1 是 DeepSeek 下一代旗艦?zāi)Ｐ?DeepSeek-V4 的內(nèi)部開發(fā)代號(hào)或首個(gè)工程版本。以下是根據(jù)代碼 diff 提取的技術(shù)細(xì)節(jié)分析：

1. 核心架構(gòu)：回歸 512 維標(biāo)準(zhǔn)

在 csrc/api/common.h 的 DISPATCH_HEAD_DIM 宏中，可以看到 head_dim 的分支處理：

• V32 (DeepSeek-V3.2)：繼續(xù)沿用 d_qk = 576 的配置。這是 DeepSeek-V3 引入的非對(duì)稱 MLA 設(shè)計(jì)（128 維 RoPE + 448 維 Latent）。
• Model1：切換到了 512 維。這表明 DeepSeek-V4 在 MLA 架構(gòu)上進(jìn)行了「標(biāo)準(zhǔn)化」回歸，可能是為了更好地匹配 Blackwell (SM100) 架構(gòu)的算力對(duì)齊，或者優(yōu)化了 Latent 壓縮比例。

2. 全面支持 Blackwell (SM100) 架構(gòu)

代碼庫(kù)中出現(xiàn)了大量針對(duì) NVIDIA 下一代 Blackwell GPU 的專門優(yōu)化：

• SM100 接口：api.cpp 中新增了 FMHACutlassSM100FwdRun。這直接指向了 Blackwell 架構(gòu)的核心指令集優(yōu)化。
• CUDA 版本要求：README 提到在 B200 上運(yùn)行需要 CUDA 12.9。
• 性能表現(xiàn)：在 B200 上，目前尚未完全優(yōu)化的 Sparse MLA 算子已能達(dá)到 350 TFlops。而在 H800 (SM90a) 上，Dense MLA 的計(jì)算吞吐量高達(dá) 660 TFlops。

3. 引入「Token-level Sparse MLA」

這是 Model1 相比 V3 系列最顯著的算子演進(jìn)：

• Sparse & Dense 并行：測(cè)試腳本中出現(xiàn)了 test_flash_mla_sparse_decoding.py 和 test_flash_mla_dense_decoding.py。
• FP8 KV Cache 混合精度：Sparse 算子使用 FP8 存儲(chǔ) KV Cache，但在計(jì)算矩陣乘法時(shí)使用 bfloat16 以保證精度。這說明Model1 在極長(zhǎng)上下文場(chǎng)景下，會(huì)通過「稀疏化推理」來降低顯存壓力和提升速度

4. 新機(jī)制：Value Vector Position Awareness (VVPA) 與 Engram

雖然 diff 主要是算子層面的，但結(jié)合 DISPATCH_MODEL_TYPE 的邏輯和社區(qū)披露，Model1 引入了以下新特性：

• VVPA（數(shù)值向量位置感知）：這可能解決了傳統(tǒng) MLA 在長(zhǎng)文本下位置信息衰減的問題。
• Engram 機(jī)制：這被認(rèn)為是 DeepSeek 在分布式存儲(chǔ)或 KV 壓縮上的新突破，用于配合 Model1 的高吞吐需求

而 Gemini 之所以判斷 Model1 是 DeepSeek 下一代旗艦?zāi)Ｐ?DeepSeek-V4 的內(nèi)部開發(fā)代號(hào)或首個(gè)工程版本，是因?yàn)樗J(rèn)為在下面所示的代碼中，MODEL1 的定位是一個(gè)與 V32 并列且獨(dú)立的分支，「說明它不是 V3 系列的補(bǔ)丁，而是一個(gè)采用了不同架構(gòu)參數(shù)的全新模型。按照 DeepSeek 的命名慣例，在 V3.2 之后的旗艦級(jí)架構(gòu)跨越，邏輯上即為 V4。」

對(duì)此，你怎么看，你覺得 Model1 就是傳說中的 DeepSeek V4 嗎？