2026年1月21日，人工智能领域迎来重磅消息——DeepSeek在其官方GitHub代码仓库中更新了FlashMLA优化库，一项此前未公开的模型架构标识“MODEL1”在代码中被发现，引发技术社区的广泛关注与热议。
代码曝光：MODEL1架构初现端倪
在DeepSeek更新的代码中，“MODEL1”标识在总计114个文件中被提及28至31次，且被置于与当前旗舰模型DeepSeek-V3.2（代码中标识为V32）完全独立的平行分支中。这一发现表明，“MODEL1”并非对现有V3系列模型的简单升级，而是一条全新的技术路径。
从架构层面来看，“MODEL1”与V3.2存在显著差异。其head_dim参数被设定为512维，而DeepSeek V3系列模型曾采用576维设计。此外，代码库中还出现了针对英伟达最新算力硬件NVIDIA Blackwell B200（SM100架构）的专用接口，显示出DeepSeek在硬件适配方面的前瞻布局。
技术革新：针对性解决性能瓶颈
“MODEL1”新架构在键值（KV）缓存布局、稀疏性处理方式以及FP8数据格式解码支持等关键技术环节进行了优化调整。这些技术革新针对性地解决了模型运行中的内存占用与计算效率问题，为模型性能提升奠定了基础。
具体而言，通过优化KV缓存布局，可以减少内存访问延迟，提高数据读取速度；改进稀疏性处理方式，则能够降低计算复杂度，提升模型推理效率；而对FP8数据格式解码的支持，则有助于在保持模型精度的同时，进一步减少内存占用和计算开销。
学术支撑：前沿研究成果赋能新模型
DeepSeek研究团队此前已连续发布两篇技术论文，分别提出“优化残差连接（mHC）”的创新训练方法，以及受生物学启发研发的“AI记忆模块（Engram）”。业内普遍推测，即将发布的DeepSeek新模型（可能基于MODEL1架构）有望整合这些最新研究成果，进一步释放AI模型在复杂任务处理中的潜力。
“优化残差连接（mHC）”通过引入流形约束恢复恒等映射特性，解决了大规模模型训练中的不稳定性问题，为模型的可扩展性提供了有力保障。而“AI记忆模块（Engram）”则通过解耦知识存储与神经计算，引入稀疏性分配定律，显著提升了推理与知识任务性能。
行业影响：推动AI技术持续进化
DeepSeek新模型架构的曝光，不仅展示了该公司在AI技术研发方面的深厚实力，也为整个行业树立了新的标杆。随着“MODEL1”架构的逐步完善和落地应用，有望在代码生成、长文本处理、复杂推理等领域实现性能突破，为用户带来更加高效、智能的AI体验。
同时，DeepSeek在硬件适配方面的前瞻布局，也为其他AI企业提供了有益借鉴。通过与英伟达等硬件厂商的深度合作，DeepSeek能够充分利用最新硬件的算力优势，推动AI技术的持续进化和发展。
