近日，多位开发者在社交平台透露，DeepSeek已向部分企业客户开放新一代模型DeepSeek-V4的内测权限，与此前版本最大的不同在于多模态能力的大幅强化，尤其是对长视频的理解。据参与内测的技术人员描述，V4可以一次性吞吐数十分钟甚至小时级的视频输入，并输出带时间戳的结构化摘要，比如自动切分出“产品发布—参数讲解—现场演示—问答”四个段落，并对每一段给出关键帧截图位置和文字概括。这与过去视频模型只能处理几秒到几十秒短视频片段的现状形成了明显区隔。
从技术路径看，长视频理解的核心难点并不只是把视频抽帧后喂给视觉编码器，而是如何在有限上下文窗口内保持时间维度上的连贯性。业内普遍认为DeepSeek在V4上采用了更激进的稀疏注意力和分层记忆机制，先把视频按镜头切分做局部编码，再用一个轻量的时间轴聚合模块把片段摘要串联成全局叙事，从而绕开“帧数一多就爆上下文”的老问题。有内测用户反馈，在长达45分钟的行业访谈视频上，V4给出的摘要能够准确区分主持人与嘉宾发言，并提炼出三段核心观点，几乎没有出现时间错位。
这一方向与国内其他玩家的动作高度重合。Kimi此前在长文本上建立了心智优势，近来也在推进视频理解能力，主打“上传录播课直接生成笔记”；智谱清言的视频功能更偏向短视频内容审核与标签生成；字节豆包则依托抖音生态，在视频内容理解和二次创作上持续投入。相比之下，DeepSeek-V4若真能把小时级视频的处理成本压到可商用水平，受影响最大的将是录播教育、会议纪要、内容审核和影视素材检索这几个场景。
值得关注的是成本问题。长视频多模态推理的算力开销远高于纯文本，一小时的视频抽帧后动辄数千帧图像，即便做了分层压缩，token消耗依然是普通对话的几十倍。有开发者估算，若按当前API定价思路推算，处理一部两小时电影的成本可能达到数元到十几元区间，这对批量处理场景仍是不小的门槛。因此DeepSeek是否会为V4单独设计视频计费模式，成为内测之外最受关注的悬念。
从行业节奏看，2024年以来大模型竞争的主线已从“谁的文本更强”转向“谁能吃下更多模态和更长上下文”。视频作为信息密度最高、结构化程度最低的模态，被视为下一个必争之地。DeepSeek此次低调内测而非高调发布，也符合其一贯的产品节奏——先在真实客户场景里打磨，再对外统一亮相。对内容平台、教育机构和企业的视频中台团队而言，分钟级长视频摘要从“Demo可用”走向“生产可用”，可能就在接下来一两个版本迭代之内。
标签：DeepSeek,多模态,长视频理解,大模型