DeepSeek發表V3.1：混合架構把「思考」與「秒答」合一

2025年8月21日，中國AI新創DeepSeek正式發表新一代模型DeepSeek-V3.1，並以MIT授權開源釋出。這是DeepSeek首次把過去分屬兩條產品線的能力——V3（一般用途對答）與R1（高強度推理）——合併進「同一個」模型架構，業界稱之為混合推理架構。使用者不需要在兩個模型之間選擇，只要切換聊天模板，就能讓同一個模型在「非思考模式」（快速直答）與「思考模式」（展開逐步推理）之間切換。

規格上，V3.1總參數量達6710億（671B），採混合專家（MoE）架構，實際推論時啟動的參數約370億（37B），與V3、R1一脈相承。最受關注的升級是上下文長度擴展至12.8萬token（128K），大幅提升處理長文件、長對話與大型程式碼庫的能力。官方公布的基準測試顯示，在SWE-bench（軟體工程任務）與Terminal-bench（終端機操作任務）等指標上，V3.1較前代V3與R1的表現提升超過四成。

技術意義：從「兩個模型」到「一個開關」

過去業界推理模型（如R1、o1系列）與一般對答模型分開訓練、分開部署的做法，代表企業或開發者要先判斷任務類型再選模型，增加了工程複雜度與成本。V3.1把「要不要展開思考」變成模型內部的一個模式開關，理論上讓同一套部署同時服務簡單問答與複雜推理兩種場景，對降低服務端維運與延遲成本有直接幫助——這也是「混合推理」近期成為多家實驗室共同方向的原因之一。

與前代的比較：跑分不是重點，「合一」才是重點

單看跑分數字，40%的提升幅度在快速迭代的模型競賽中並不算罕見；真正值得留意的是架構決策本身。DeepSeek選擇繼續以MIT授權開源（可商用、可修改），延續了V3與R1系列在開源社群累積的影響力。128K的上下文長度雖不是業界最長，但搭配MoE架構的推論效率，讓「長上下文＋低成本」的組合更具吸引力，尤其對需要處理長合約、長程式碼庫或大量客服對話紀錄的應用場景而言。

業界反應：開源陣營的持續施壓

V3.1發表後，開發者社群普遍關注的重點集中在終端機／軟體工程類基準的實測表現，因為這類指標直接對應「AI能不能真的幫忙寫代碼、跑腳本、修bug」的實用性，而非單純的語言理解能力。對於已經在用DeepSeek系列模型的團隊而言，混合模式意味著不必再維護兩套模型的路由邏輯，是實務上立即可感受到的簡化。

對管理者而言，這則新聞的意義不在於追逐又一次跑分紀錄，而在於留意「一個模型、多種模式」這個趨勢正在降低企業導入AI工具的技術門檻——未來評估內部導入AI協作方案時，模式切換的靈活度與長上下文能力，可以是與跑分同樣重要的採購考量。