V4 Flash 正式版发布之后，聊聊"后训练"为什么这么强

2026 年 7 月 31 日，DeepSeek V4 Flash 正式版上线，数学、代码、Agent 各项基准数据都很亮眼。但比起参数表，我更想聊它背后一个被反复提起的词：后训练。“性能全靠后训练堆出来的”——这句话在行业里传得很广，可它到底在训练什么，跟预训练又差在哪，多数人其实说不上来。

知识是种子，能力是长出来的光。

为什么要后训练：预训练出来的模型，根本没法直接用

预训练只教模型一件事：预测下一个词。给它”苹果是一种____“，它填”水果”；给它”今天天气真____“，它填”好”。但如果你问它”苹果为什么是红色的”，它不会回答——它只会顺着你的话继续编下一句，编得一本正经，内容却可能完全是瞎说。这不是它笨，是它压根没学过”问答”这件事。

想象一个读完了整座图书馆、却从没跟人说过话的学生。知识全在脑子里，但你问他任何问题，他只会自顾自地复述书里的话，不会针对你的问题作答。

后训练，就是把这个”只会背书的学生”训练成”能回答问题的人”。它发生在预训练之后，作用是把读进去的知识，变成用得出来的能力。

预训练和后训练，差在哪

如果把训练大模型比作培养一个人才，预训练是”读万卷书”，后训练是”岗前培训”。

读万卷书，决定这个人肚子里有多少货——知识面、语言能力、对世界的理解。岗前培训，决定他能不能把肚子里的货用出来——会不会答客户问题、会不会写报告、懂不懂公司流程。

	预训练	后训练
在学什么	世界是什么样	怎么把知识用出来
直接产物	一个会续写的模型	一个能用的助手
决定什么	知识上限	上限兑现多少
成本	天量算力、数据	相对小，但杠杆高
类比	读万卷书	岗前培训

预训练决定知识的边界，后训练决定边界内能兑现多少。

后训练为什么这么强：四件事叠在一起

唤醒。 V4 预训练吃了 33 兆 token——那是多少？相当于人类几千年写下的文字里，相当大的一个比例。模型不缺知识，缺的是调用知识的路径。后训练不做加法，而是把已有的知识串成一条条解题的路。同样的底子，会用和不会用，差一个量级。

强化学习让推理能力自己长出来。 这是最神奇的部分。后训练里有个环节：不给标准答案，只给”对”或”错”的信号。模型在无数次试错里自己发现——多想几步、把问题拆开想，正确率更高。于是”长思维链”自己涌现了：它学会了像人一样，先分析、再作答。DeepSeek 上一代出圈的 R1 靠的就是这个，V4 把它玩得更深——在高中数学竞赛级别的测试（AIME）里做到了 99.4%，接近满分。

Agent 化训练，从”会说”变成”会做”。 前两步都是让模型”说得好”，这一步是让模型”做得到”：真的去调用工具、写代码、跑结果，跑通了给奖励。所以 V4 写代码的实战能力登顶（SWE-bench 第一），不是背题背出来的，是真刀真枪干活练出来的。

蒸馏，小模型抄大模型的作业。 V4 有两个版本：Pro 是 1.6 万亿参数的巨无霸，Flash 是 2840 亿参数的小个子。Flash 怎么继承 Pro 的能力？让 Pro 出题、解题、写出完整思路，Flash 照着学。注意它学的不是答案，是思路——就像抄作业只抄答案会被老师看穿，但把学霸的解题过程看懂，那就是真学会了。Flash 每次只激活 130 亿参数，却能打出接近大模型的表现，靠的就是这个。

为什么焦点转向了后训练

两个原因。

一是预训练走到了瓶颈：高质量数据快被读完了，算力成本一路走高，同样再加一批数据，提升远不如早期。二是后训练的边际收益还很大——在固定底子上榨出更多能力，性价比远高于继续堆底子。这也是为什么 DeepSeek 干脆把后训练框架开源了：后训练的方法论本身，正在变成下一轮竞争的关键。

数据读完了怎么办

预训练见顶，最头疼的就是燃料问题：互联网高质量文本快被读完了。V4 已经用了 33 兆 token，相当于人类全部文字积累的相当大比例。再往后，拿什么喂模型？行业在试四条路。

合成数据（AI 喂 AI）。 真实数据不够，就让大模型自己生成高质量答案和推理，再喂给模型。这是 DeepSeek 的杀手锏之一——让 Pro 生成数据训练 Flash，相当于老师出题给徒弟做。但风险也很明显：模型吃自己吐出来的东西会”退化”，输出越来越单一、错误被不断放大，像近亲繁殖。所以各家都在研究怎么”掺水”——真实数据和合成数据按比例混合，不能纯吃合成的。

多模态数据。 不止文字了：图像、视频、音频、代码运行结果都算数。世界知识不只有”读过的”，还有”看过的""跑过的”。V4 的代码能力有一部分就来自真实运行代码的反馈，而不是读静态文本。

推理数据（self-play）。 让模型自己出题、自己解答、再用验证器对答案。数学和代码领域特别适合——验证器能自动判对错，相当于 AI 自己给自己出模拟卷，无限量供应。这也是强化学习后训练的天然搭档。

数据质量优先。 行业共识正在转变：以前卷”多少 token”，现在卷”什么样的 token”。人工精修的小批量数据，效果远超海量劣质数据。DeepSeek 后训练的成功，很大程度就靠精挑细选的微调数据。

后训练也不是万能的

它补不了知识的短板。 后训练只是把已有的知识用好，底子薄的话，怎么榨也榨不出新东西。预训练没见过的领域，后训练变不出知识来。

它有对齐税。 为了让模型安全、合规、不胡说，后训练要花大量精力”约束”它。约束得越多，模型越规矩，但也可能越保守——这是后训练必须付出的代价。

它会被奖励钻空子。 强化学习里，模型会想尽办法拿高分。如果奖励设置不严，模型会找漏洞——答得”像对的”而不是真的对。训练方要不断和模型的投机斗智斗勇。

预训练给骨架，后训练给灵魂。两者缺一不可，但当下，后训练才是拉开差距的主战场。