4月24号DeepSeek V4发布，我第二天就上去试了。试完当天就决定把我们一个小项目的API切过来了。
不是因为我多看好国产，而是——真的便宜。
为什么换
之前用的是GPT-5.5，一个月的API费用够我买两双球鞋了。后来降了点价，但跟DeepSeek V4比起来还是贵。
0.2元/百万Token，这个价格我第一反应是看错了。
实测了一下，效果不能说完美，但处理我们这种"写SQL、做数据清洗、出简单报表"的需求，够用了。
技术细节
CSA+HCA混合注意力这个架构，我没太深入研究底层原理，大概理解就是用算法换算力——用压缩的方式处理长序列，省显存省计算。
# 我们目前的接入方式，简化版
from openai import OpenAI
client = OpenAI(
api_key="你的API_KEY",
base_url="https://api.deepseek.com" # 官方接口
)
response = client.chat.completions.create(
model="deepseek-chat",
messages=[
{"role": "user", "content": "帮我写个统计UV的SQL"}
],
max_tokens=1024
)
print(response.choices[0].message.content)
代码生成的效果，说实话比我预期的强一些。我让它写了一个数据导出的脚本，大概100行左右，能跑，没有明显bug。
但有个问题——复杂SQL还是容易翻车。比如那种嵌套三四层的查询，它输出的结果得人工review一遍才敢上线。
昇腾适配
这个我没测。我们团队没有昇腾环境的机器，但群里有人部署成功了，据说配置起来比想象中简单。
如果你们公司有昇腾需求，我建议直接去官方文档看，比看我的测评靠谱。
百万Token上下文
我测了一下长文档理解，扔了一篇30页的技术方案进去。
# 测试长上下文
with open("技术方案.txt", "r") as f:
content = f.read() # 约8万字
response = client.chat.completions.create(
model="deepseek-chat",
messages=[
{"role": "user", "content": f"请分析以下文档的核心观点：\n{content}"}
],
max_tokens=2048
)
效果：大部分时候能正确理解，但如果文档结构比较复杂（比如多个章节交叉引用），偶尔会出现"张冠李戴"的情况。
这个能力我给70分，够用，但别指望它像人一样理解。
成本计算
我们目前的用量：
- 每天大概50万Token
- 一个月1500万Token左右
- DeepSeek V4费用：约3元/月
之前用GPT-5.5：约150元/月
差了50倍。当然这是因为我们的场景简单，用量大价格敏感。如果你的场景复杂、处理质量要求高，那贵的可能确实有贵的道理。
垂直领域微调
我们暂时没做微调，但看官方文档LoRA这块支持得还可以。如果你们有金融合同、医疗问答这种垂直场景，可以试试。
我看到GitHub上已经有人基于DeepSeek V4微调出了一些垂直模型，评价还行。不过我建议先跑通官方版本再折腾，毕竟有些bug是底层的，微调解决不了。
坑
说两个我踩过的：
- 长context下偶尔会"失忆" ——超过5万字的时候，有时候会忘记前面的内容。官方说支持100万Token，但实测超过这个阈值就容易出问题
- 中文标点有时候抽风——这个好像是训练数据的问题，输出的中文偶尔会有全角半角混用
适合谁
- 预算有限、量大的场景
- 中文为主的任务
- 对"绝对准确"要求不高的场景
不适合：
- 金融、医疗等高可靠性需求
- 复杂推理任务
- 需要处理非常长上下文（>10万字）
就这么多了，有问题评论区见。不保证回复，但看到了会回。
*以上均为个人使用体验，不构成任何建议
