（来源：上观新闻）
这一发现出乎研💀究团队的预🔦🤜料，也进一步🚟⚪验证了KV P🚹acket设计的🥺🤵内在稳健性👇。4月24日这天🐿✝打破了🏅😷这个惯🐻例💠📻。在长文本场景下，🇨🇼优势更加💕惊人：大海捞针任📃务上首Token🍩时延降低🦀了整整19.4🇺🇾5倍，Mu⛳siQu🇧🇧e任务上🦜降低了5.81倍🏩。这个选择放💶🕋在当前的行业👨👨👧👧🚑格局里是一个🦵有意识的取舍🦊。总体来看，在🥾复杂数据库开👩👩👧👦🚹发这种综合考察🇨🇴模型长程🍴规划能力、🚮自我纠错能力、🇱🇷长上下文👩🔧👘能力和推理🏴‼能力的👎任务上，De🇨🇱💮epSeek-V🇧🇼🗣4-Pro的🚸表现可以说远远🇳🇿🇪🇸超过了DeepS🦙eek-V3🍻.2🚺🐃。
通过将虚拟👘🇸🇯宇宙与实际观测比🆙🚢较，将为研📓🚷究暗物质🎭👯♂️、暗能🍪🌠量等基础🕶🇵🇲宇宙学问题🐏提供重要🌉🇬🇦支撑，🐼同时为中国空间站🇨🇴🕥巡天望💁♂️🥾远镜（CS🇽🇰ST）、欧几里5️⃣🇮🇷得空间望远镜（😼😪Euc🦹♀️lid）等大型巡👄🏂天项目提供科学🇰🇲🎑支撑🍪。报告还披😈✨露，V4的Mo👢E专家权重和🍒稀疏注意力索♍引器都采用FP4🎓📏网站推广精度——而FP4🦇🕳（mxF🎈P4）恰恰🇱🇹🔣是昇腾📶950的原生支🇽🇰持格式⏭。措辞是"双方芯🐪模技术紧密🌻🇬🇭协同"🇨🇾😳，意味着De👽epSeek和昇🇲🇦💈腾的适🏋️♀️🌴配工作🇲🇰从模型研发阶📘段就在同🍧🚔步推进👋🇲🇹。
在Llama🇩🇰模型上，KV P🏂👹ack🇸🇱et在人🇧🇩物传记⭐🕣任务上🌺👁比最接近的🇺🇿重计算方♣案快1.36倍🔝，在Hotpot🧙♀️QA上快3◼.3倍♦。更致命的是，上下🇧🇳🐿文越长🔢，模型🤵☝在关键信息🚖上的注意力越容🖕😷易稀释🔨🖨。Q&A 🏡Q1：🧰KV缓存是什😣么，为什🇵🇬么大语言模💧型需要它↙👨🎨？ A：KV缓存📂🤳是大语言模型把📠😲已经处理过的文本🚕信息存储起来👛🇽🇰的一种机制，⤵💴避免每次💃对话都要🏢从头重新👩👩👦计算🇲🇰⏭。
