评分 7.35 · 来源：36氪 · 发布于 2026-03-21
评分依据：多维度深度分析，有具体时间线对比和论文引用，揭示了开源模型从快速迭代到系统工程的必然转型
要点
DeepSeek V4 的发布时间从 1 月「春节前后」推迟到传闻中的 4 月，已经历四次跳票。36氪从三个维度拆解了背后的原因：
第一，从「模型发布」走向「系统工程」的难度跃升。 DeepSeek V3.2 已明确转向 tool-use 和 agent 训练，引入了覆盖 1800+ 真实环境、8.5 万+复杂指令的 agent 数据合成方法。梁文锋近期署名的两篇论文——条件记忆机制和流形约束超连接——也指向同一方向。训练验证复杂度的指数级上升，直接拉长了迭代周期。
第二，开源明星的包袱。 与闭源厂商不同，DeepSeek 的每次发布都要面对开源社区的放大镜检视。一次平庸的迭代会被视为「走下神坛」，太激进则推理成本劝退开发者，工具链不配套则生态失望。作为「用 1/10 成本达到 GPT 同等性能」的效率标杆，DeepSeek 没有犯错的空间。
第三，竞争节奏的倒逼。 同期 OpenAI 迭代 4 次（GPT-5.3 到 5.4），Anthropic 密集发布 Claude 4 系列，而 DeepSeek 大版本更新次数为零。
🤖 AI 点评
这篇文章揭示了一个被忽视的结构性问题：开源模型的「快」是有天花板的。DeepSeek V1-V3 的火箭迭代靠的是基础模型能力的一次次突破，但到了 Agent 时代，瓶颈不再是如何训练一个更聪明的模型，而是如何构建一个能在真实环境中持续运行的系统。这个转型难度对所有人都是一样的——只不过 OpenAI 和 Anthropic 可以用闭源+产品的组合来缓冲，而 DeepSeek 必须把所有底牌都亮出来。开源模式在 pre-training 时代是效率引擎，在 agent 时代可能反而成为约束。这个判断值得行业深思。