DeepSeek凌晨低调更新，新增“快速模式”与“专家模式”，首次在产品端引入模式分层设计，DeepSeekV4至今仍未揭开神秘面纱

DeepSeek凌晨低调更新，上线专家模式，或是V4版本发布前奏！

4月8日凌晨，DeepSeek迎来重要更新，最新版本中，DeepSeek输入框上方新增“快速模式”与“专家模式”，而这是DeepSeek走红以来首次在产品端引入模式分层设计。不过目前新版本还处于灰度测试中，并不是全量版本，可以在对话框里输入“专家模式”，就会自动启用新版本。

快速模式与专家模式有所区别，快速模式适合日常对话，即时响应，支持图片和文件中的文字识别；专家模式擅长复杂问题，支持深度思考和智能搜索。

值得注意的是，从2026年2月至今，DeepSeek错过了多个发布窗口，至今V4仍未揭开神秘面纱。业内猜测这次对话界面更新或许是V4版本发布的前奏。

3月底，DeepSeek连续三天出现服务中断的意外状况。3月29日至31日，DeepSeek旗下服务连续三天出现不同程度异常，涉及网页对话、App及API等。当时，多名国产模型供应商人士推断此次只有DeepSeek面向C端的产品服务中断，或与模型迭代过程中进行灰度测试有关。有技术社区负责人认为，DeepSeek已经为测试V4准备好了相关基础设施。

至于DeepSeekV4，外界目前尚不得而知，不过或可以从此前梁文锋的论文方向中窥探一二。

1月12日，DeepSeek发布新论文《Conditional Memory via Scalable Lookup: A New Axis of Sparsity for Large Language Models》（基于可扩展查找的条件记忆：大型语言模型稀疏性的新维度）。该论文为北京大学与DeepSeek共同完成，合著作者署名中出现梁文锋。论文提出条件记忆（conditional memory），通过引入可扩展的查找记忆结构，在等参数、等算力条件下显著提升模型在知识调用、推理、代码、数学等任务上的表现。同时，DeepSeek开源相关记忆模块Engram。

这项研究直指当前Transformer 架构的一个痛点：大模型虽然通过 MoE 实现了“条件计算”，但缺乏原生的“条件记忆”。现在的模型记东西太笨，只能靠计算来模拟检索。DeepSeek提出的 Engram 模块，要给大模型装上一个外挂式的“硬盘”，让它能像查字典一样，以 O(1) 的时间复杂度调取知识，而不是靠算力硬抗。

此外，在元旦发布的《mHC：流形约束超连接》中，梁文锋和他的团队解决的是另一个问题——超大规模模型的训练稳定性。随着模型越来越大，传统的残差连接开始失效，训练容易崩溃。DeepSeek 用一套数学方法，把神经网络的连接方式约束在特定的流形空间里，恢复了信息传递的稳定性。

中信证券在最近的研报中指出，DeepSeek V4.0等新一代模型有望将Engram融入已成熟的DSA MoE架构，通过分层存储关键常用信息实现Transformer架构中注意力层计算量的指数级下降，进而实现超长上下文处理，提升模型效率的同时精进代码、Agent能力，补齐多模态短板。

中信证券认为，DeepSeek下一代新模型有望延续高性价比开源模型路线，带来模型原厂、AI应用、AI 基础设施方向的新投资机遇。