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(gòu)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(zhàn)略轉(zhuǎn)向。

01

開源社區(qū)的狂歡

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

恰逢Hugging Face發(fā)布《“DeepSeek時刻”一周年》博客，盛贊R1對全球開源生態(tài)的重塑作用1，MODEL1的現(xiàn)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(shù)路線的起點？更關(guān)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(shù)競賽

根據(jù)對代碼庫的詳細分析，MODEL1展現(xiàn)出與當前旗艦?zāi)Ｐ虳eepSeek-V3.2（代碼中標識為V32）完全不同的技術(shù)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(xiàn)有模型的簡單迭代，而是一個全新的架構(gòu)序列。

架構(gòu)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(shè)計（128維RoPE + 448維Latent），而MODEL1則將head_dim參數(shù)重新設(shè)定為512維。這一“回歸標準”的動作并非技術(shù)倒退，而是DeepSeek可能已經(jīng)找到了無需依賴非標維度也能實現(xiàn)高壓縮率的新方法。

代碼中提及的Engram機制或許就是關(guān)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(xiàn)了更優(yōu)的性能表現(xiàn)。

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(xiàn)了大量針對英偉達最新Blackwell架構(gòu)（SM100）的專門優(yōu)化，包括SM100接口和B200顯卡的專用內(nèi)核實現(xiàn)。

特別值得注意的是，SM100的Head128實現(xiàn)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(yōu)化了新架構(gòu)。測試數(shù)據(jù)顯示，在尚未完全優(yōu)化的狀態(tài)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(shù)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(xiàn)。代碼中出現(xiàn)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(tài)忽略不重要的Token，從而在顯存占用和推理速度上實現(xiàn)數(shù)量級優(yōu)化。

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

03

戰(zhàn)略迷霧

V4、R2，還是第三條路線？

MODEL1引發(fā)的最大懸念是其產(chǎn)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(fā)布V4，且編程能力“超過現(xiàn)有頂級模型”1。MODEL1對長序列（16K+）的優(yōu)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(nèi)存特性完美契合R系列“高效率解題專家”基因。開發(fā)者社區(qū)認為它可能是“針對大規(guī)模推理優(yōu)化的R1繼任者”，甚至實現(xiàn)“雙RTX 4090運行1M上下文”。

猜想3：架構(gòu)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(chǎn)品，而是新一代基礎(chǔ)架構(gòu)，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(chuàng)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(fā)廣泛關(guān)注的同時，業(yè)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(guī)模使用強化學習技術(shù)，在僅有很少標注數(shù)據(jù)的情況下極大提升了模型的推理能力。與傳統(tǒng)的監(jiān)督微調(diào)不同，R1開創(chuàng)了一種純粹的強化學習方法，通過基于規(guī)則的獎勵系統(tǒng)引導(dǎo)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(shù)學、代碼、自然語言推理等任務(wù)上達到了與OpenAI o1正式版接近的性能。

2025年12月，DeepSeek同時發(fā)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(shù)學問題求解和學術(shù)研究邏輯驗證。

這種產(chǎn)品分化策略表明，DeepSeek早已認識到不同應(yīng)用場景對模型能力的差異化需求。R系列作為專門優(yōu)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(guān)系。

同時，成本控制的突破性是R系列的另一重要價值。

據(jù)DeepSeek技術(shù)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(shù)將推理能力壓縮到小至15億參數(shù)的小模型中。

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

05

從單一產(chǎn)品到生態(tài)矩陣的構(gòu)建

自2025年2月起，華為云、阿里云、百度智能云、字節(jié)火山引擎、騰訊云等國內(nèi)主要云廠商紛紛宣布上線DeepSeek模型。緊隨其后的是各大國產(chǎn)芯片廠商，包括沐曦、天數(shù)智芯、摩爾線程、壁仞科技等十數(shù)家企業(yè)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(chǎn)芯片的利用率得到極大提升。在應(yīng)用層，金融、醫(yī)療、制造、通訊等各行各業(yè)都在積極接入DeepSeek模型，希望借助其能力升級自身服務(wù)。

從代碼結(jié)構(gòu)看，MODEL1并非V3.2的簡單縮小版，而是不同的架構(gòu)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(qū)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(shè)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(fā)現(xiàn)，MODEL1支持動態(tài)稀疏推理和額外的緩存區(qū)，這些設(shè)計可能旨在提升復(fù)雜任務(wù)（如智能體應(yīng)用）的調(diào)度能力。

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