梁文锋推迟V4，是为了根治龙虾的健忘症？
DeepSeek什么时候发V4？AI圈所有人都在猜，但正确答案可能只有梁文锋知道。
豆包、千问、元宝……无论大厂还是小厂，他们都在在春节期间扎堆发布新版本，生怕晚一步就被V4的光芒盖过。
换成任何一个正常的CEO，面对这种全行业翘首以盼的局面，早就把半成品推出去了。
先占住声量，再慢慢迭代，这是互联网行业的基本操作。
但梁文锋偏不。跟他关系近的同行说了句大实话：“团队稳，底子厚，不会草率发布。”
外媒报道，V4是架构级重构。包含1万亿参数、百万上下文、原生多模态，并且将于4月份发布。
这次迭代的核心叫做LTM，Long-Term Memory，即长期记忆。
LTM是一套在模型架构内部实现持久化记忆的系统。它能让AI跨对话、跨任务地记住用户是谁、聊过什么、偏好什么。像人一样把重要的东西沉淀下来，而不是每次开机都从零开始。
而这个能力，恰恰是OpenClaw最缺的东西。
虽然OpenClaw可以替人干活，但它的记忆系统本质上只是往本地Markdown文件里写笔记，工作时会持续发送这个笔记到大模型里，这就导致用OpenClaw越久，发送记忆所消耗的token就越多。
整个社区都在想方设法地去解决这个问题，给它打补丁、装插件、装Skill，却没人能从根上解决问题，因为问题出在模型本身，它天生不记事。
LTM要做的，就是从架构层把这个病治好。
此次更新所带来的挑战，远超常规的版本迭代，而且模型的情感交互、个性化记忆等模块尚未完全迁移，还需要进一步调优。
因此梁文锋不是在拖延，而是在克制。
在一个所有人都在比谁先发、谁声量大的行业里，梁文锋选择等所有零件都对了再出手。
R1之所以能一炮封神，靠的不是抢跑，而是一出手就让对手无话可说。
他显然打算用同样的方式对待 V4——要么不发，要发就是王炸。
01 梁文锋到底在憋什么
OpenClaw的爆火让大家认识到了这样一个事，当AI真的开始替人干活，模型对上下文的理解和记忆能力就不再是加分项，而是决定它能不能用的底线。
一个记不住上文的agent，每隔几轮就会重复犯错、丢失任务状态、忘记你刚才说过的话。
所以过去两年，业界也推出了不少的LTM方案。
比如伯克利团队在2023年提出的MemGPT，借鉴虚拟内存的思路，让模型自己决定什么时候把哪些信息从外部存储调入上下文窗口、什么时候换出去。
2025年发布的Mem0，则是把这条路往工程化推了一步，在LOCOMO基准上比OpenAI内置记忆高出26%，token消耗减少90%，这也是现如今OpenClaw社区用得最多的记忆插件。
前两天还有用扩散激活模拟人类联想式记忆提取的SYNAPSE，以及用递归语义压缩解决记忆膨胀的SimpleMem。
但所有这些方案都有一个共同的天花板，那就是它们都是在模型外部运行的中间件。
记忆的提取、压缩、检索，全部由外挂系统完成，模型本身不参与。因此，记忆的质量完全取决于外挂系统的工程水平，模型得到的记忆，也就参差不齐。
并且，所有记忆最终都要通过上下文窗口注入模型，这和OpenClaw碰见的问题一样，记忆越多，那么token成本也就越高。
还有一点，模型无法在外挂记忆上进行“学习”。因为在这个过程中，模型做的事情是在读别人帮它整理好的笔记，而不是真的把经验内化成了能力。
梁文锋要走的，很可能是一条完全不同的路。
从梁文锋署名的Engram论文和V4架构泄露来看，DeepSeek的方向不是在模型外面搭记忆系统，而是把记忆能力直接嵌入模型架构本身。
Engram已经证明，在Transformer内部可以开辟一块专用的条件记忆空间，用O(1)的哈希查找来存取静态知识，在调用已存好的知识时，还不占用上下文窗口的容量，也不增加推理的计算成本。
更关键的是，Engram 的“无限记忆机制”实验表明，这块记忆空间的容量可以近乎无限地扩展，且模型的推理开销保持恒定。
我说得再直白一点，现在的模型想“记住”一件事，唯一的办法是把它塞进对话窗口里，窗口满了就得扔东西。
Engram相当于给模型装了一块独立的硬盘，你可以把记忆存在这个外部的存储里，就不用堆在你电脑本身的硬盘中。当你想调取某一个记忆的时候，你把这块硬盘接上就行。
而且这块硬盘理论上可以无限扩容，查找速度恒定不变。
这条路如果走通，意味着 DeepSeek 跳过了整个“外挂记忆”的技术范式，直接进入了“原生记忆”的时代。
如果你了解OpenClaw，你会发现梁文锋他瞄准的，恰恰是OpenClaw最薄弱的一环。OpenClaw让AI有了手脚，却没给它一颗能记事的大脑。
OpenClaw 的记忆系统有三个结构性缺陷。
第一个是压缩损耗。
上下文窗口塞满后，OpenClaw会自动把旧对话压缩成一段摘要来腾空间。事实保留了，但对话的脉络，全部丢失，而且不可逆。
换句话说，你们在讨论什么、决策的推理链条、语气和优先级都没有了，也都找不回来了。
比如压缩前，agent记得一套完整的调试方案，压缩后只剩一句话，“用户在调试一个bug”，具体的排查路径全没了。
第二个是检索失效。
记忆文件用几周就堆到几百条，靠向量相似度检索召回。可是向量检索只能匹配语义相近的片段，无法理解条目之间的逻辑关系。
比如说我用OpenClaw做了三个方案，这三个方案分散在不同文件里，和客户敲定的是最后一个方案。当我后来想检索敲定的方案时，由于这三个方案都是用来发给客户的，就有可能只检索命中第一个方案或者第二个方案。
第三个是记忆容量有上限。
OpenClaw的记忆分两层：核心记忆（MEMORY.md）每次会话启动时全量注入上下文，日志记忆则通过搜索工具按需召回。
听起来合理，然而核心记忆有硬性上限，单文件20000字符截断，所有bootstrap文件合计不超过150000字符。
可是你用得越久，MEMORY.md越长，要么被截断丢信息，要么每次会话的token消耗线性增长。
还没完，日志那边，按需检索的质量完全取决于模型自己的判断，它觉得不相关就不召回，哪怕信息确实存在。很容易就会把重要的信息给丢掉。
说白了，这三个问题是同一件事：窗口就那么大，往里塞的东西越多，要么记错，要么找不到，要么太贵OpenClaw的记忆不是“记住了”，而是“抄了一堆笔记然后翻不到”。
如果V4真的在架构层面跑通了这条路，那它不仅解决OpenClaw的问题，还能让模型变成“可成长的模型”。
用得越久越懂你。这和当前所有大模型的使用体验有本质区别，因为现在的模型无论多强，每次打开都是一张白纸。
腾讯的一项最新研究，从另一个方向印证了这条路的价值。
从OpenAI加入腾讯担任首席AI科学家的姚顺雨，在2月份的时候发布了他入职后的第一篇署名论文。
论文的名字叫CL-bench，全称Context Learning Benchmark，专门测一件事，就是大模型能不能从上下文里真正学到东西。
不是考它背了多少知识，而是考它能不能从你给的材料里现学现用。
结果很难看。
所有前沿模型的平均正确率只有17.2%。正确率最高的模型是GPT-5.1，可它也只做对了23.7%。换句话说，你精心准备了一份详尽的背景资料喂给AI，它有超过八成的概率没有真正“学会”。
姚顺雨在论文中的判断是，当前 AI与真正智能之间的鸿沟，不在于知识的多少，而在于学习的能力。一个装满知识却不会学习的AI，就像一个背了整本字典却不会写作的人。
他在AGI-Next前沿峰会上也说过类似的观点，他认为大模型迈向高价值应用的核心瓶颈，就在于能否“用好上下文”。
如何记忆，很可能成为2026年的核心主题。一旦上下文学习与记忆变得可靠，模型或许就能实现自主学习。
梁文锋不可能不懂这个道理，这就是为什么发布日期一推再推。
02 DeepSeek要补的课
愿景归愿景，现实归现实。
在梁文锋闭关的这一年里，对手们没有停下来等他。DeepSeek要补的课，比外界想象的多。
第一块短板是多模态，这也是最大的一块。
DeepSeek到今天为止，还是一个纯文本模型。它没办法看图、看视频、听语音。
倒不是说DeepSeek完全没有视觉能力。在今年1月的时候，他们发布了OCR 2，这是一个3B参数的文档理解小模型。它的核心是用一个叫DeepEncoder V2的编码器替代了传统的视觉编码器，让模型能像人一样按阅读顺序理解文档页面。
仅在文档解析的基准测试上，OCR 2用最少的视觉token战胜了Qwen3-VL-235B这种千亿级选手。
但OCR 2只能做一件事：把文档里的文字、表格、公式提取出来。本质上是“图像→文本”的单向转换，不是通用的视觉理解。
换句话说，OCR 2证明了DeepSeek有能力做好视觉编码，但从“能读文档”到“能看视频、听语音、理解自然场景”，中间隔着的不是一步，而是一整个技术代际。
与此同时，其他大厂早就进入了“全模态”时代。
字节的Seedance 2.0证明了优秀的多模态模型有多大的用户基础和商业潜力。GPT-5.4已经原生支持音频、视频和计算机操作。
有消息透露，梁文锋近半年的主要工作之一就是补齐视觉内容处理的短板。
第二块短板是agent能力。
DeepSeek微信公众号自己置顶的文章标题就是“迈向agent时代的第一步”，这就足以说明梁文锋知道该往哪个方向前进。
随着越来越多的人开始使用OpenClaw，无论是大厂还是小厂，都在强调自己模型的agent能力。
Kimi K2.5已经能自主调度100个子agent、并行处理1500个步骤。ChatGPT的agent功能可以自动填表、订机票、跨网站拉取信息。Claude推出了Agent Teams，多个AI协同完成复杂任务。
第三块短板是AI编程。
这是2026年发展最快、商业化最成熟的赛道。
在编程基准测试SWE-bench Verified上，Claude Opus 4.6得分80.8%，GPT-5.3 Codex约80%，DeepSeek V3.2只有73.1%。
在更难的基准SWE-bench Pro上测试，DeepSeek V3.2得分为40.9%，远低于GPT-5.4的57.7%。
更关键的是，行业已经从“Vibe Coding”，进化到了“Agentic Engineering”，让AI独立完成工程级任务。
智谱的GLM-5论文标题就叫《From Vibe Coding to Agentic Engineering》，它能连续24小时跑代码、700次工具调用、800次上下文切换，从零构建出一个GBA模拟器。
此前曾有爆料称，DeepSeek-V4的内部测试结果，在编程能力上超越了Claude Sonnet 3. 。可如今，Claude Sonnet 3.5已经被Anthropic官方完全停用了。
第四块短板是AI搜索。
现在几乎所有ChatBot产品都是联网的，你已经见不到还把模型联网单独设为一个开关的APP了。
OpenAI有ChatGPT Search，Google有Gemini Embedding 2搜索。DeepSeek的搜索能力一直是短板，而且其搜索结果经常会出现幻觉。
Vectara的测试显示，DeepSeek R1的幻觉率高达14.3%，是V3（3.9%）的近四倍。
在学术引用检索的测试中，这个数字更夸张，其引用的结果中，91.43%都是错的，包括但不限于捏造论文标题、虚构DOI、张冠李戴作者。
DeepSeek自己也承认，幻觉是当前阶段“不可避免的”问题。
DeepSeek在它没有自己的搜索基础设施，只能依赖第三方接口，信息源的质量不可控。
模型本身的事实校验能力不够强，即使拿到了正确的检索结果，也可能在生成环节引入错误。这两个问题叠加在一起，就是用户体验上的“搜了也不准”。
在agent时代，搜索不是加分项，而是必选项。
DeepSeek的短板，没有一块是小修小补能解决的。梁文锋不是在做一个更强的V系列模型，他是在同时打四场仗。
4月，箭在弦上。但如果再跳票，也不必意外。对梁文锋来说，“不发”永远比“发错”重要。
本文来自微信公众号“字母AI”，作者：苗正，36氪经授权发布。
