DeepSeek这条斩杀线，斩的是谁

這支影片從一個真實案例開篇：有人用 Cloud Opus 5 生成遊戲原型，反復寫代碼、跑結果、改進，累計消耗 6.9 億 Token、花費 423 美元（約 3000 人民幣）。這筆帳看似天文數字，但它暴露了一個選型的盲點：過去我們習慣按模型榜單分數選擇，默認分數高就應該多付錢。然而智能體任務的成本算法完全不同。

智能體不是一次性調用。它要自己讀文件、改代碼、跑程式、看結果，失敗了再來一次。任務可能跑幾小時，調用工具幾十次，Token 消耗翻幾十倍甚至幾百倍。這時候，榜單上幾分的能力差距只決定是否需要多試兩輪；但幾十倍的價格差距決定的是整個任務有沒有資格跑起來。講者用一個簡單的三問框架重新定義了選型邏輯：第一，這個任務的單次完成率，候選模型差多少？第二，算上重試，端到端完成一次任務的總 Token 是多少？第三，同樣預算，便宜模型多跑幾次並行嘗試，成功率能不能反超貴模型的單次？大多數時候第三個問題的答案會讓人意外——便宜模型加多次嘗試經常比貴模型加單次嘗試更划算。

就在這個問題被看清楚的時候，DeepSeek 推出了 V4 Flash 0731 版本，定價每百萬 Token 輸出 0.28 美元。對比一下：Claude Opus 4.8 是 25 美元，差了 89 倍。Artificial Analysis 的評測成本對比更直觀——V4 Flash 拿 52 分花了 72 美元，Claude Opus 4.8 拿 57 分花了 3752 美元，價差 52 倍，分差才 5 分。成本曲線突然断裂了。

市場反應也很快。OpenRoute（海外開發者集聚的模型聚合平台）數據顯示，到 7 月 13 日 DeepSeek 已經成為平台第一大模型廠商，市佔 16.7%。更直觀的信號來自 OpenCode，9 天內平台 Token 總量從 3.3 兆漲到 9.2 兆，接近 3 倍。有人猜測这是免費額度燒出來的，但講者的判斷是，免費額度能點燃第一天，燒不出連續 9 天的曲線。背後是真實的需求在轉向。

成本優化不是補貼。講者解剖了 V4 Flash 的技術底氣。總參數 2840 億，但每個 Token 只激活 130 億，配合混合注意力結構、低精度權重和針對長上下文的緩存優化。在 100 萬 Token 上下文下，推理計算量只有 V3 的 10%，KV 緩存只有 7%。同一個模型用更少的計算完成一次推理，更多請求共享緩存，成本自然就下來了。再疊加緩存命中計價和區域差異定價，緩存命中場景的輸入成本還能再降。

另一塊成本挖掘來自後訓練。DeepSeek 分別訓練了數學、代碼、智能體和指令遵循的專家模型，用強化學習加強各自能力，再通過十多個教師模型的無策略蒸餾合併回同一個模型。工具調用被當成獨立問題，設計了專門的呼叫格式減少參數轉移和格式錯誤。交錯思考讓模型拿到工具返回後能接著之前的推理繼續走。內部系統提供幾十萬並發沙箱，讓模型反复練習跑代碼、發現錯誤、改進代碼。這些改動沒增加一個新參數，卻把智能體最常見的失敗一項項修掉了。對於做 AI 產品的團隊，這部分比跑分更有參考價值。

這就回答了開頭那個問題。聊天機器人時代，用戶問一次、模型答一次，為更好的回答多付幾倍錢說得通。智能體時代，模型在循環工作，一次任務調用幾十次、Token 消耗翻幾十倍，衡量模型的單位從「單次回答有多聰明」變成了「完成一項長任務花多少錢、失敗幾次、等多久」。V4 Flash 正好把過去只有頂級模型配做的任務壓近了一個可以反复調用、持續試錯的價格區間。甚至允許你浪費一些 Token。

這場碰撞背後是兩條路線。硅骨巨頭的路線是重金訓練頂級模型、維持高毛利、重心在大客戶和高價值訂單，對普通市場的價格變化反應滯後。DeepSeek 的路線是靠工程優化壓推理成本、開源加雲服務、薄利多銷、先搶開發者、靠規模攤成本。兩條路線談不上對錯，服務的客户不同。但 DeepSeek 證明了一件事：算力投入只是入場券，推理效率、定價策略和生態運營同樣能改寫市場分額。

許多團隊的長期成本低估始於一個習慣：不計算使用成本。梁文峰在投資人交流中表過態，產品要在保留合理利潤的情況下讓更多人用得起。用得起——背後的假設是需求遠遠沒有被滿足，價格降下去用量會涨得更快。這和 Sam Altman 願成為長期低毛利但規模巨大高速增長的基礎設施公司方向一致。兩邊的掌舵人堵的是同一件事：單價降、總量涨得更快。目前的數據站在他們這邊。過去舍不得讓 AI 常駐後台的團隊開始敞開用了，原本問一次就結束的問題變成跑幾小時的智能體任務。

對開發者的直接影響已經很清楚了：選擇變多、成本下降、創新的門檻繼續往下走。這是近幾年對中小團隊最有利的窗口期。

##