雖然距離春節還有些時日，但國內科技圈的節奏似乎已經提前進入了假期模式，唯獨 DeepSeek 是個例外。
就在昨天，DeepSeek 毫無預兆地在 GitHub 上開源了新模塊 Engram 的相關代碼，并發布了一篇題為《Conditional Memory via Scalable Lookup》的論文。更早一點，在元旦當天，他們還甩出了一篇關于模型架構穩定性的《mHC》。
這兩篇硬核論文的作者列表中，都赫然出現了 DeepSeek 創始人梁文鋒的名字。這種高密度的技術輸出，顯然不是為了湊年底的 KPI，而是在向外界傳遞一個明確的信號：在沉默的這段時間里，DeepSeek 并沒有休息，他們在為下一代模型積攢彈藥。
旺盛的招聘需求似乎印證了這個觀點。鳳凰網科技在檢索社交媒體信息后發現，DeepSeek近期正在大量招人，放出了多個技術核心崗位招聘，包括深度學習研究員（負責LLM各個方向的前沿探索，如預訓練、alignment、codemath、backbone、multimodal等）、深度學習研發工程師（LLM預訓練數據/搜索策略相關）、大模型全棧工程師（算法與工程并重，歸屬于各個前沿探索方向，除了實現還會參與一些環境的部署和搭建）、全棧開發工程師、核心系統研發工程署。且據招聘者表述，校招、社招、實習均開放，另有產品、設計、數據百曉生等崗位開放。
值得一提的是，根據此前梁文鋒署名的論文作者名單，整個DeepSeek的人員穩定性極高，證明此次招聘主要是擴招需求。另據表述，大部分崗位都可以駐扎在北京或杭州。和此前多數崗位需要去杭州已有不同。早在2025年11月，DeepSeek還開放過行政招聘，據相關人士表述“是因為團隊大了，需要更多的行政伙伴”。
現在，彈藥已備好，或許真的該梁文鋒上場了。
梁文鋒已提前開啟“春節檔”
DeepSeek的這個“春節檔”已提前開啟。就在全行業都在盤點 2025 年應用層得失的時候，DeepSeek把目光鎖在了架構層。
最新發布的Engram研究是與北京大學合作完成的。這項研究直指當前Transformer 架構的一個痛點：大模型雖然通過 MoE 實現了“條件計算”，但缺乏原生的“條件記憶”。現在的模型記東西太笨，只能靠計算來模擬檢索。DeepSeek提出的 Engram 模塊，要給大模型裝上一個外掛式的“硬盤”，讓它能像查字典一樣，以 O(1) 的時間復雜度調取知識，而不是靠算力硬抗。
在元旦發布的《mHC：流形約束超連接》中，梁文鋒和他的團隊解決的是另一個問題——超大規模模型的訓練穩定性。隨著模型越來越大，傳統的殘差連接開始失效，訓練容易崩潰。DeepSeek 用一套數學方法，把神經網絡的連接方式約束在特定的流形空間里，恢復了信息傳遞的穩定性。
實驗表明，在 27B 參數的混合專家模型上，mHC 展現出穩定的訓練曲線，最終損失相比基線有降低。
DeepSeek 團隊還為 mHC 架構開發了一系列基礎設施優化。他們使用 TileLang 框架實現了多個融合內核，將原本分散的操作合并執行以減少內存訪問次數。針對 Sinkhorn-Knopp 算法，他們設計了專門的前向和反向內核，在芯片上重新計算中間結果以避免存儲開銷。在流水線并行方面，團隊擴展了 DualPipe 調度策略，通過將 MLP 層的特定內核放在高優先級計算流上執行，實現了計算與通信的重疊。這些優化讓 mHC 在保持性能優勢的同時，減少了額外開銷。
回看過去一年，DeepSeek 究竟在做什么？如果說 V2 和 V3 是證明了“團隊能把 MoE 做得很好”，那么 DeepSeek 的這一年，則是在試圖回答“除了 MoE，大模型還需要什么”。
首先是記憶機制的重構。在 Engram 的設計中，DeepSeek 發現了一個驚人的 U 型擴展規律。他們通過實驗證明，純粹的 MoE 并不是最優解。在同等參數量和計算量（Iso-FLOPs）的限制下，如果把 20%-25% 的資源分給靜態記憶（Engram），剩下的分給神經計算（MoE），模型的效果才是最好的。這是一個反直覺的發現：有時候，少算一點，多記一點，反而更聰明。
數據支撐了這一理論。DeepSeek 將 Engram 擴展到了 270 億參數規模。結果顯示，這個外掛記憶模塊不僅讓模型背書能力變強了（MMLU 提升 3.4），更意外的是，它讓模型變聰明了，BBH 推理能力提升 5.0，數學能力提升 2.4。甚至在“大海撈針”這種長文本測試中，準確率直接從 84.2% 飆升到了 97.0%。這說明，當模型不需要耗費腦力去死記硬背時，它就能騰出更多的注意力去處理復雜的邏輯推理。
其次是底層連接的修補。在 mHC 的研究中，DeepSeek 團隊展現了極強的工程與數學結合能力。他們不只是提出了理論，還針對硬件做了一系列“變態”級的優化：擴展 DualPipe 調度策略，重新設計 Sinkhorn-Knopp 算法的內核，甚至為了減少顯存訪問，把分散的操作強行融合。這些優化讓 mHC 架構在 27B 規模的模型上，訓練損失比基線降低了 0.021，推理能力提升 2.1%。
這一年，DeepSeek 并沒有在應用層的紅海里戀戰，而是退回到了那個最枯燥、最硬核的角落，試圖把 Transformer 這座大廈的地基再夯實一點。Engram 解決了“記不住”和“推理慢”的問題，mHC 解決了“長不大”和“練不穩”的問題。
這讓一年時間過去，DeepSeek還在神壇之上。用一位行業人士的話說，“DeepSeek這家公司始終在創新”。
V4真的要來了？
現在高潮或許快來了，所有的線索都指向了同一個方向：DeepSeek V4。
如果我們把這兩篇論文疊加在一起看，V4的輪廓已經呼之欲出。它極大概率不會是一個單純堆砌參數的龐然大物，而是一個架構極其精巧的“縫合怪”：它將擁有MoE帶來的極致計算效率，同時集成了Engram帶來的海量低成本記憶，底層則由 mHC架構支撐其在超大規模下的訓練穩定性。
Engram的論文中提到了一個細節：這種架構支持“預取-重疊”策略，可以利用CPU內存來存知識，GPU專心算邏輯。這意味著，V4極有可能在保持推理成本低廉的同時，擁有遠超當前一代模型的知識容量和長上下文處理能力。這對于目前受困于顯存成本的行業來說，可能又是一次降維打擊。
此外，mHC的成功驗證意味著DeepSeek已經掌握了訓練更大規模多模態模型、甚至萬億參數模型的“穩定器”。對于算力資源本就不富裕的國內 AI 圈，這種算法層面的效率提升，比單純購買幾千張英偉達芯片更有戰略意義。
技術拼圖已經湊齊，基礎設施的優化代碼也已上傳GitHub。梁文鋒在這個時間點連續拋出硬核研究，顯然不僅僅是為了學術交流。這更像是一場發布會前的“技術路演”。
春節將至，萬物閉藏，但這往往也是驚雷孕育的時刻。DeepSeek V4的發令槍，或許已經握在了梁文鋒的手中，只等那最后一聲槍響。