DeepSeek-V4 实测：谦虚的官方，靠谱的模型

起因

MNN-LFM2 这个任务已经成为我评估编程模型的固定标尺。前三篇文章里，测过的七个模型形成了清晰的三个梯队：

• 第一梯队（一次通过）：Claude Opus 4.6、GPT-5.4
• 第二梯队（提醒后通过）：MiMo-V2-Pro、GLM-5
• 第三梯队（未通过）：Kimi-K2.5、MiniMax-M2.7、Qwen3-Max

前三篇发出后我又补测了 GLM-5.1，也是一次通过——算是国产模型第一次踏进第一梯队，但当时没有单独成文。这次 DeepSeek-V4 千呼万唤始出来，官方发布时相当谦虚：自评达到 Opus 4.6 (no think) 水平，与 Opus 4.6 (think) 还有一定差距。这种敢于把自己和国际 SOTA 放在同一把标尺上、还公开承认差距的态度，在当下的国产模型发布里已经不多见。

我第一时间跑了同一个 LFM2 任务。结果：API 30 分钟、Wall 44 分钟、实际花费 ¥12，端到端一次通过，零人工介入——在这个连第二梯队都跨不过去的真实工程任务上，DeepSeek-V4 跟 Opus 4.6 (think) 表现没有拉开差距。¥12 也是所有一次通过模型里最便宜的。

任务回顾

任务不变：在 MNN 推理引擎中从零添加 LFM2 模型支持，跨 Python 导出 + C++ 推理两端协同，理解 ShortConv（短卷积门控线性注意力）的语义并正确实现。一条指令触发全程，没有方向性引导。

从前几次测试归纳，模型在这个任务上的六大易错点：

1. 架构决策：创建新算子 vs 复用 LinearAttention，前者要改 schema/converter/shape inference，错一处就崩（M2.7、Qwen3-Max）
2. ONNX 导出路径：必须通过 FusedLinearAttention 自定义算子桥接 Python 和 C++（Kimi-K2.5 漏了）
3. 卷积方向：cross-correlation 还是 convolution，搞反数值就不对（M2.7）
4. 算子边界：融合算子内部已经算了 C * conv(B*x)，外部不能重复乘 C（M2.7）
5. 状态管理：滑动窗口应保存卷积输入而非输出（M2.7）
6. Python/C++ 语义一致：Python 注释”NO SiLU”，C++ 就不能加 SiLU（Kimi-K2.5）

测试结果

Token 分两档：deepseek-v4-pro（164.1k/57.2k/8.2M cache，$6.35）+ deepseek-v4-flash（88.9k/20.1k/621.8k cache，$1.26）。/cost 显示的 $7.60 是按 Claude 费率推算的，并非实际扣费——DeepSeek-V4 的实际单价远低于 Claude。

值得一提的是双模型协同：pro 负责深度推理和代码生成（output 占比 74%），flash 承接轻量任务（如文件扫读、简单判断）。这种”大模型思考 + 小模型执行”的自动分工，是 ¥12 总价能打下来的结构性原因——不需要所有 token 都上 pro 档。

代码分析

DeepSeek-V4 修改 8 个文件、+331/-58 有效改动，全部命中关键路径：

source/backend/cpu/CPULinearAttention.{cpp,hpp}              +137/-5
source/backend/opencl/execution/buffer/LinearAttentionBufExecution.cpp  +4/-0
transformers/llm/export/utils/model_mapper.py                +56/-0
transformers/llm/export/utils/transformers.py                +123/-49
transformers/llm/export/utils/{config,custom_op,model}.py    +11/-4

架构决策：复用 FusedLinearAttention，通过 attn_type == "short_conv" 分支区分，不创建新算子、不动 schema、不动 converter——和第一梯队其他模型一致的轻量路径。六大易错点 1、2、3、4、5、6 全部命中。

Python 侧细节：config.py 新增 linear_mix 注意力类型（LFM2 同时存在 full_attention 和 conv 层，前几次测试里所有模型都没明确处理这个分类）。transformers.py 把 LinearAttention 重构为 short_conv / gated_delta_rule 双模式的统一类，原路径代码未受污染。ONNX 导出时用 dummy gate/beta 占位以匹配融合算子签名，把切分/gate/卷积/状态全部封装进 C++。

C++ 侧细节：CPULinearAttention::short_conv_mnn 卷积方向正确（padded[l+k] * weight[k]），滑动窗口存的是卷积输入而非输出，prefill/decode 按 seqLen > 1 自动分流，多线程按 B*H channel 并行。

两个非任务核心的细节，是拉开梯队差距的关键：

1. OpenCL 显式 fallback：FusedLinearAttention 的 OpenCL 实现只支持 gated_delta_rule，DeepSeek-V4 在 LinearAttentionBufExecution.cpp 里加了 4 行，识别 short_conv 时返回 nullptr 让框架自动回退到 CPU。既没崩溃，也没写半成品 kernel。这种”知道自己不知道”的克制，其他模型都没做到。

2. Mlp 健壮性修复：原 Mlp.__init__ 无条件访问 self.experts，LFM2 是 Dense 模型会抛 AttributeError。DeepSeek-V4 加了 if self.is_moe: 守卫，并给 act_fn 加了 silu fallback（LFM2 的 FeedForward 没有 act_fn 属性）。这两处都是执行测试时遇到报错后自主修复的——也是它能一次通过的直接原因。

横向对比

加入 DeepSeek-V4 和 GLM-5.1 后的完整对比：

价格维度：¥12 是目前所有一次通过模型里最低的——大约 Opus 4.6 的 1/4、GPT-5.4 的 1/2。

Token 效率维度，一次通过的四个模型形成鲜明梯度：

*GPT-5.4 首测数据，xhigh 模式下未单独统计。

Opus 4.6 的 token 效率断崖式领先，input 少了两个数量级——几乎是”读一遍文件就知道怎么写”的水平。DeepSeek-V4 比 GLM-5.1 省了约 37 倍 input token，是目前国产模型里最精准的一档。GLM-5.1 虽然也一次通过，但 input 接近千万级，反映出它更依赖”大面积反复阅读代码”的策略——能跑通，但效率低。

耗时：DeepSeek-V4 和 GLM-5.1 都在 30 分钟左右，略慢于 Opus（14 分）和 GPT-5.4（20 分），仍在可接受范围。

顺手修 bug 维度：一次通过的四个模型里，只有 DeepSeek-V4 主动修复了非任务范围内的问题（Mlp.__init__ 对非 MoE 模型的健壮性、OpenCL 后端对 short_conv 的显式 fallback）；GPT-5.4 的贡献是主动写了单元测试；Opus 4.6 和 GLM-5.1 只完成任务本身。这种”全局意识”在复杂工程任务中是很可贵的品质。

结论

梯队更新

从前三篇到今天，国产模型一路在逼近”一次通过”这条线：GLM-5 没过 → M2.7 失败 → MiMo-V2-Pro 提醒后通过 → GLM-5 提醒后通过 → GLM-5.1 终于一次通过 → DeepSeek-V4 再次一次通过，且价格打到 ¥12。拐点不是一个模型造成的，是接连两代模型的持续跨越。

“最后一公里”是什么

对比 MiMo-V2-Pro（提醒后通过）和 DeepSeek-V4（一次通过），两者核心架构决策几乎完全一致（都复用 LinearAttention、卷积方向都对）。差距全在 Mlp.__init__ 那种非任务核心的地方——DeepSeek-V4 跑测试时遇到 AttributeError，自己加了 is_moe 守卫、自己给 act_fn 加了 fallback；顺便识别出 OpenCL 后端的边界，显式 fallback 到 CPU。

第一梯队的本质不是把核心逻辑写对，而是把运行时遇到的所有问题都解决到代码真的能跑为止。 实现完成不等于任务完成，跑通才是。

写在最后

LFM2 的 Dense 部分已经成了一个不错的标尺。MoE / VL / Audio 三个更复杂的变体还等着被测试——目前只在 Claude Opus 4.6 上验证过全部通过，其他模型还没来得及测。第一梯队里开始出现国产选手之后，后续的加码空间也就打开了。

官方谦虚自评对标 no think，实测却和 think 打成平手——在一个充斥着夸大宣传的行业里，这种”说少做多”的姿态值得一记。

国产模型的拐点，好像真的来了。