本文写于2026年1月14日，deepseek v4估计中国农历新年发布。本文是一些前瞻性预测，如果与事实不符，敬请原谅。

刚刚，deepseek 发表了 Engram的文章，就是大模型记忆的文章，结合先前的一篇论文讲稀疏哈希的，笔者预示着即将发布的deep seek4 的一些特点：本文全部用大白话讲deep seek v4的特征，谁都可以读懂。 如果技术人员需要跟技术性参数，可以具体可以通过下面的提示词询问deepseek。

• Engram的优势特点可以介绍吗？
• 结合梁文锋先前的稀疏原理的文章，可以推理出即将发布的v4会有哪些新特点？

1. 记忆

先前的大模型都是用户提问，大模型推理用来推理的，推理就是用户一提问，大模型一步接一步思考，就是动脑，费时费力。 但有时用户场景，大模型只是像专家系统，用户提问一个问题，只要在记忆里，就可以取出内容。 这种场合，不需要推理。 其实记忆就是一张表。可以比作，健值和取值。用户的提问和健值差不多，就取值。 如果这张表足够大，所存的内容就多，大模型部分功能就像专家系统。询问，查询健值，表里取值，就是一个查询，不费脑，也就不费算力。

2. 比例

deepseek的论文又说 推理的稀疏参数占75-80%，记忆的参数占20-25%。因为记忆，参数不需要存在昂贵的GPU里，放在便宜的CPU里就行。

3. 成本

因为很多回答都是类似专家系统的取答案，就是查表就是了，所以，算力开销肯定低，大模型的延迟低，并发量就提高，这样成本势必降下来。

4. 训练：

目前阶段，笔者推测，英伟达的GB200 NVL72卡 用来训练deepseek v4. 因为双向通道速率可以达到 1.6TB/s，国内GPU集群有的还只能36卡，通道还只能400GB/s，所以，英伟达GB200 NVL 72卡集群是最好的用来训练deepseek v4。国产GPU 卡追赶还有一段时间。

5. 意义

目前阶段，算力成本还是高昂，成本不下降，AI应用普及会很难。中小企业用不起。deep seek v4给未来大模型的工程技术提供了指引，就是降成本，更快速。 比如

• CPU用来存储一部分稀疏参数，
• 记忆表免去算力推算，做到低延迟，同时又可以降低开销。

而且，性能，准确率还能有提升。