DeepSeek MODEL1橫空出世，R系列將被放棄還是新生？

一行代碼泄漏的新架構標識，正悄然揭示這家中國AI獨角獸在輕量化與專用化賽道上的戰略轉向。

01

開源社區的狂歡

2026年1月20日，DeepSeek-R1發布一周年之際，一位開發者在DeepSeek官方GitHub倉庫更新的FlashMLA代碼中發現了一個神秘標識——“MODEL1”。這個隱藏在114份文件、數十處代碼注釋中的名字，迅速點燃了全球AI社區的好奇心。

恰逢Hugging Face發布《“DeepSeek時刻”一周年》博客，盛贊R1對全球開源生態的重塑作用1，MODEL1的現身仿佛一場精心編排的周年獻禮。

它究竟是V4的雛形、R2的前奏，還是DeepSeek第三條技術路線的起點？更關鍵的是：曾以推理能力驚艷世界的R系列，會被放棄嗎？

02

時代的技術競賽

根據對代碼庫的詳細分析，MODEL1展現出與當前旗艦模型DeepSeek-V3.2（代碼中標識為V32）完全不同的技術路徑。在總計114個文件中，MODEL1被提及28至31次，且被置于與V3.2平行的獨立分支中，這明確表明它并非現有模型的簡單迭代，而是一個全新的架構序列。

架構層面的標準化回歸是MODEL1最顯著的特征之一。

DeepSeek V3系列曾采用獨特的576維非對稱MLA設計（128維RoPE + 448維Latent），而MODEL1則將head_dim參數重新設定為512維。這一“回歸標準”的動作并非技術倒退，而是DeepSeek可能已經找到了無需依賴非標維度也能實現高壓縮率的新方法。

代碼中提及的Engram機制或許就是關鍵所在，這種機制被認為是DeepSeek在分布式存儲或KV壓縮上的新突破。通過更完美的GPU Tensor Core計算特性對齊，MODEL1在換取更高計算通用性的同時，可能實現了更優的性能表現。

對下一代硬件的深度適配是MODEL1的另一大亮點。代碼庫中出現了大量針對英偉達最新Blackwell架構（SM100）的專門優化，包括SM100接口和B200顯卡的專用內核實現。

特別值得注意的是，SM100的Head128實現僅支持MODEL1，而不支持V3.2，這被解讀為DeepSeek為適配新一代硬件專門優化了新架構。測試數據顯示，在尚未完全優化的狀態下，MODEL1的稀疏算子在B200上已能達到350 TFlops的算力利用率，顯示出其技術前瞻性。

計算效率的顯著提升通過引入“Token-level Sparse MLA”機制得以實現。代碼中出現了test_flash_mla_sparse_decoding.py測試腳本和FP8 KV Cache混合精度支持。這意味著DeepSeek正在將MLA機制從“全量計算”進化為“Token級稀疏計算”，允許模型在處理超長上下文時動態忽略不重要的Token，從而在顯存占用和推理速度上實現數量級優化。

此外，MODEL1每個token的KVCache大小為584字節，相比V3.2的592字節有所減少，在32K長度序列中可節省約256KB內存，這對于邊緣設備部署具有重要意義。

03

戰略迷霧

V4、R2，還是第三條路線？

MODEL1引發的最大懸念是其產品定位。目前線索指向三種可能：

猜想1：旗艦全能模型V4

此前傳聞DeepSeek將于2月發布V4，且編程能力“超過現有頂級模型”1。MODEL1對長序列（16K+）的優化、對文檔與代碼場景的適配，符合V系列“全能專家”定位。

猜想2：新一代推理專家R2

其稀疏計算、FP8解碼、低內存特性完美契合R系列“高效率解題專家”基因。開發者社區認為它可能是“針對大規模推理優化的R1繼任者”，甚至實現“雙RTX 4090運行1M上下文”。

猜想3：架構層通用底座，支持V與R雙線迭代

最可能的情形是：MODEL1并非具體產品，而是新一代基礎架構，可同時衍生V系列（重知識廣度）和R系列（重推理深度）——類似“芯片級創新”，上層可靈活封裝不同能力。

04

R系列的價值重估

在MODEL1引發廣泛關注的同時，業界對R系列未來命運的擔憂不無道理。

DeepSeek-R1在后訓練階段大規模使用強化學習技術，在僅有很少標注數據的情況下極大提升了模型的推理能力。與傳統的監督微調不同，R1開創了一種純粹的強化學習方法，通過基于規則的獎勵系統引導模型進行邏輯推理。

這種“推理即訓練”的自我進化機制，突破了自GPT大模型以來的人類輸入瓶頸，在數學、代碼、自然語言推理等任務上達到了與OpenAI o1正式版接近的性能。

2025年12月，DeepSeek同時發布了DeepSeek-V3.2和DeepSeek-V3.2-Speciale兩款模型，前者被形容為“話少活好”的助手，主打高性價比與日常使用；后者則像“偏科”的科研天才，專攻高難度數學問題求解和學術研究邏輯驗證。

這種產品分化策略表明，DeepSeek早已認識到不同應用場景對模型能力的差異化需求。R系列作為專門優化的推理模型，與通用對話模型V系列形成了良好的互補關系。

同時，成本控制的突破性是R系列的另一重要價值。

據DeepSeek技術報告，DeepSeek-V3的訓練成本僅為557.6萬美元，遠低于OpenAI的GPT-4（1-2億美元）和谷歌的Gemini（2億美元）。R1不僅繼承了這種成本控制能力，還通過模型蒸餾技術將推理能力壓縮到小至15億參數的小模型中。

令人驚訝的是，R1的15億參數蒸餾模型在數學基準測試中能夠優于更大的專有模型，在AIME上獲得28.9%的分數，在MATH上獲得83.9%的分數。這種“四兩撥千斤”的技術路線，正是DeepSeek能夠在算力受限環境下實現突破的關鍵。

05

從單一產品到生態矩陣的構建

自2025年2月起，華為云、阿里云、百度智能云、字節火山引擎、騰訊云等國內主要云廠商紛紛宣布上線DeepSeek模型。緊隨其后的是各大國產芯片廠商，包括沐曦、天數智芯、摩爾線程、壁仞科技等十數家企業宣布完成了對DeepSeek模型的適配和上線。

由于DeepSeek打破了對高算力的約束限制，國產芯片的利用率得到極大提升。在應用層，金融、醫療、制造、通訊等各行各業都在積極接入DeepSeek模型，希望借助其能力升級自身服務。

從代碼結構看，MODEL1并非V3.2的簡單縮小版，而是不同的架構選擇。V3.2追求最大性能和精度，MODEL1則可能追求效率和可部署性。社區對MODEL1的身份有多種猜測：一種觀點認為它可能是一個追求極致效率的輕量級模型，更適合邊緣設備部署；另一種分析則指向它可能是一個“長序列專家”，專門為處理超長文檔或代碼項目而生。

更深入的代碼解讀發現，MODEL1支持動態稀疏推理和額外的緩存區，這些設計可能旨在提升復雜任務（如智能體應用）的調度能力。

綜合以上分析，我們可以得出一個明確的結論：R系列不會被放棄，而是會在DeepSeek的技術演進中扮演新的角色。