# 影片筆記：DeepSeek V4正式版+Codex工业Agent开发实战！从零手搓AI数据分析Agent，Responses API调用流程与Codex核心功能详解！ p02 02.DeepSeek-V4正式版模型入门介绍

## 一句話總結

本段內容詳細介紹了 DeepSeek V4 正式版的發布歷程、技術架構（284B MOE 模型）、性能提升（Flash 版本提升 30%），並強調其全面兼容 OpenAI Responses API 以無縫接入 Codex 開發生態，同時提供了本地部署的硬體門檻參考及後續課程規劃。

## 核心重點

*   **發布時間線**：DeepSeek V4 於 4 月以 Preview（預覽版）亮相，7 月 31 日推出 V4 Flash 版本，近期正式發布 V4 正式版，結束了三個月的預覽期。
*   **技術架構與性能**：
    *   V4 正式版與預覽版架構無變化，仍為 284B 參數的 MOE（混合專家）模型。
    *   每次推理激活參數約為 13B（註：筆記中提及口誤曾說 3B，後修正為 13B）。
    *   正式版主要通過「後訓練」（Post-training）提升性能，Flash 版本性能較原版提升近 30%。
    *   提及 Dspark 論文，在不改價格情況下推理速度提升 80%。
*   **生態整合與 API**：
    *   V4 正式版底層通信格式全面兼容 OpenAI 的 Responses API。
    *   可無縫接入 Codex，解決了此前需透過第三方工具（如 CCSWITCH）轉換格式的痛點，有利於 Agent 開發。
    *   未來 DeepSeek 可能推出自家 Harness Agent，但底層仍將兼容 Responses API。
*   **本地部署硬體要求**：
    *   穩定運行條件：單節點 8 卡 A100 伺服器。
    *   最小量化需求：Q2 量化，需佔用約 96G 顯存。
    *   替代方案：具備 128G 統一記憶體的设备（如 Mac Studio 或特定 NVIDIA 伺服器）可運行 Q2 或 QR 量化版本。
*   **測評表現**：
    *   對比 G2 5.2（年初國內旗艦開源大模型）：全面領先。
    *   對比 Op4.8：部分指標有微小差距，但在前端開發、命令行操作等關鍵 Agent 指標上表現類似。
    *   與 GPT5.6 LUNA 中號模型對比：性能差別不大，屬於同一梯隊，但價格更便宜。
    *   Pro 模型預測：若 Flash 進步 30%，Pro 模型性能預期將超越 GPT5.6 及 OPPO4.8，強於 KMIK3。

## 詳細大綱

### 一、 DeepSeek V4 發布與迭代歷史
*   **時間線**：
    *   4 月：首次亮相，名為 Preview（預覽版）。
    *   7 月 31 日：上線 V4 Flash 版本。
    *   近期：V4 正式版正式上線，結束三個月的預覽期。
*   **市場反響**：
    *   國內開發者使用廣泛，普及深度廣。
    *   正式版上線後，網上出現大量測評與性能評價。

### 二、 技術架構與性能提升
*   **模型規格**：
    *   參數量：284B。
    *   架構類型：MOE（混合專家模型）。
    *   推理激活參數：每次推理幾乎僅激活 3B（註：文中口誤提及 3B，後文修正為 13B，此處依原文記錄疑點）。
    *   版本劃分：分為 Flash（小杯）與 Pro（大杯）。
*   **性能變化**：
    *   架構無變化，核心底層功能未變。
    *   主要變化在於「後訓練」（Post-training）環節，加入了新的訓練方法。
    *   **Flash 版本提升**：相比原版 Flash，性能提升近 30%。
    *   **推理速度**：提及 Dspark 論文，在不改價格情況下推理速度提升 80%。
*   **測評表現**：
    *   對比 G2 5.2（年初國內旗艦開源大模型）：全面領先。
    *   對比 Op4.8：部分指標有微小差距，但在前端開發、命令行操作等關鍵 Agent 指標上表現類似。
    *   基準測試：Terminal Bench、DeepSWE、Agent Last Exam 等。
    *   邏輯推理與 SVG 代碼理解：透過「看它邏輯推理能力」及「SVG 代碼理解能力」測試。
    *   與 GPT5.6 LUNA 中號模型對比：性能差別不大，屬於同一梯隊，但價格更便宜。
    *   Pro 模型預測：若 Flash 進步 30%，Pro 模型性能預期將超越 GPT5.6 及 OPPO4.8，強於 KMIK3。

### 三、 開發生態與 API 整合
*   **Responses API**：
    *   定義：OpenAI 於去年 3 月 11 日發布的 Agent 定義與通信範式，類似於 LongChain 或 Agent Loop。
    *   作用：將模型、提示詞、工具綁定，快速搭建 Agent。
    *   V4 狀態：V4 正式版底層通信格式全面兼容 Responses API。
*   **Codex 接入**：
    *   優勢：V4 正式版可無縫接入 Codex，無需中間轉換環節。
    *   影響：對於國內開發者影響巨大，解決了此前 DeepSeek 缺乏官方 Harness Agent 的問題，允許開發者直接使用 Codex 進行開發。
    *   對比：此前需透過 CCSWITCH 等工具接入，存在格式轉換瓶頸。
*   **未來展望**：
    *   DeepSeek 未來可能推出自家 Harness Agent（名稱未定，內測邀請已發，預計 8 月上線）。
    *   即使推出自家工具，底層仍將兼容 Responses API，確保與 Codex 的互通性。

### 四、 本地部署硬體要求
*   **硬體門檻**：
    *   穩定運行條件：單節點 8 卡 A100 伺服器。
    *   最小量化需求：Q2 量化，需佔用約 96G 顯存。
    *   替代方案：
        *   Mac Studio：具備 128G 統一記憶體，可運行 Q2 量化下的 DeepSig V4 Flash。
        *   NVIDIA 伺服器：具備 128G 統一記憶體，可運行 QR 量化下的 Dipsick V4 Flash。
*   **資源獲取**：
    *   權重已開放，提供從 Q2 到 Q4 等不同量化版本的下載入口。

### 五、 課程內容安排
*   **第一部分**：DeepSeek V4 Flash (0731) 模型基本情況。
*   **第二部分**：Responses API 接口的具體使用與底層交互協議。
*   **第三部分**：Codex 開發實踐。
    *   涵蓋桌面端 APP 使用。
    *   重點講解 CLI（命令行環境）操作，強調其對靈活高效完成複雜系統開發的重要性。

## 工具 / 模型 / 名詞整理

*   **模型名稱**：
    *   Deepseek v4 (Preview / 正式版)
    *   Deepseek v4 Flash
    *   Deepseek v4 Pro
    *   Deepseek V1
    *   G2 5.2
    *   Op4.8 (或 OPPO4.8)
    *   GPT5.6 (LUNA 地球模型 / 中號模型)
    *   KIMI K3 (或 KMIK3)
*   **產品與工具**：
    *   Codex (含桌面端 APP 及 CLI 命令行環境)
    *   Responses API (OpenAI 發布)
    *   LongChain (開發框架)
    *   CCSWITCH (工具)
    *   Dspark (論文/伺服器提及)
    *   DeepseekTY (項目，後改名為 Resenix)
    *   Resenix (項目)
    *   Mac Studio (硬體)
    *   A100 (顯卡/伺服器)
    *   NVIDIA (硬體品牌)
*   **測試與基準**：
    *   Terminal Bench
    *   DeepSWE
    *   Agent Last Exam
    *   SVG 代碼理解能力測試
    *   探索細胞結構測試
    *   發動機結構拆解測試

## 操作流程整理

*   **模型選擇與部署流程**：
    1.  根據硬體條件選擇模型版本：
        *   若擁有單節點 8 卡 A100 伺服器，可穩定運行。
        *   若使用 Mac Studio 或具備 128G 統一記憶體的 NVIDIA 伺服器，可選擇 Q2 或 QR 量化版本。
    2.  下載權重：從官方入口下載從 Q2 到 Q4 等不同量化版本的權重。
*   **Agent 開發流程**：
    1.  利用 DeepSeek V4 正式版底層對 Responses API 的兼容性。
    2.  直接接入 Codex（桌面端或 CLI），無需透過 CCSWITCH 等第三方工具進行格式轉換。
    3.  在 Codex 中綁定模型、提示詞與工具，快速搭建 Agent。
    4.  （未來選項）若 DeepSeek 推出自家 Harness Agent，仍可透過兼容 Responses API 的方式與 Codex 互通。

## 值得注意的限制或風險

*   **硬體門檻限制**：
    *   本地部署對硬體要求較高，穩定運行需單節點 8 卡 A100。
    *   量化版本（Q2）仍需約 96G 顯存，僅具備 128G 統一記憶體的设备（如 Mac Studio）可運行，存在硬體兼容性限制。
*   **性能預期風險**：
    *   Pro 模型超越 GPT5.6 及 OPPO4.8 的預測基於 Flash 版本進步 30% 的假設，實際表現需視具體測評而定。
*   **生態依賴風險**：
    *   目前高度依賴 OpenAI 的 Responses API 標準來實現與 Codex 的無縫接入，若 API 標準發生重大變更，可能影響開發流程。

## 逐字稿辨識疑點

*   **參數激活數量矛盾**：
    *   文中先提到「3B 的每次推理幾乎的參數量」，後文又提到「推理是 13 個檔位...推理是 13 個...激活 13B 的參數」。需查證 V4 Flash 實際激活參數為 3B 還是 13B。
*   **模型名稱拼寫**：
    *   「DeepSig V4 Flash」：疑為 DeepSeek 的聽寫錯誤。
    *   「Dipsick V4 Flash」：疑為 DeepSeek 的聽寫錯誤。
    *   「OPPO4.8」：疑為 Op4.8 或特定模型名稱，需查證。
    *   「KMIK3」：疑為 KIMI K3 的聽寫錯誤。
    *   「GPT5.6」：需查證是否為 GPT-4o 或其他版本的口誤，或確實存在此版本。
    *   「LUNA 地球模型」：需查證 GPT5.6 是否對應 LUNA 模型，或為口誤。
*   **產品名稱**：
    *   「DeepseekTY」：需查證該項目確切名稱，文中提及後改名為 Resenix。
    *   「Cloud code」：文中提及「Cloud Code」，需確認是否指 Google Cloud Code 或其他特定產品，或為口誤。
    *   「Dspark」：文中提及「Dspark 這樣一篇論文」及「英偉達 Dspark 那樣的伺服器」，需查證 Dspark 具體指代何種技術或硬體。
*   **技術術語**：
    *   「QR 量化」：需查證量化格式是否為 QR，通常常見為 Q4、Q5 等，QR 可能為口誤或特定格式。
    *   「後訓練」：文中強調 V4 正式版僅在「後訓練」環節有變化，需確認此技術描述是否準確對應官方技術文檔。

## 可延伸追問

*   DeepSeek V4 Flash 版本的實際激活參數究竟是多少？是 3B 還是 13B？
*   「GPT5.6」和「LUNA 地球模型」具體指代哪款模型？是否存在該版本號？
*   「Dspark」論文或伺服器具體是指什麼技術？與 NVIDIA 的關係為何？
*   「QR 量化」具體是什麼格式？與常見的 Q4_K_M 等格式有何區別？
*   DeepSeek 即將推出的自家 Harness Agent 預計何時正式上線？其與 Responses API 的具體兼容機制為何？
*   對於普通開發者，使用 Mac Studio (128G) 運行 Q2 量化版本的 DeepSeek V4 Flash，在實際 Agent 開發中的體驗與性能表現如何？