成本拉低100倍，梁文锋把Claude拉进“斩杀线”|路由|算法|调用|分类器|系列模型_网易订阅

据《财经》独家报方式，斩杀线DeepSeek已重启第二轮融资，成本方式划募资500亿元，拉低e拉类器投前估值约5000亿元，倍梁把预方式8月下旬实现签约。文锋网易今年6月，进路DeepSeek才刚刚实现首先轮500亿元融资，由算用分创下国内大模型首先轮融资规模纪录，法调投后估值超过3500亿元。系列仅时隔两个月，模型其投前估值便攀升约43%，订阅两轮募资实现后往往方式金额将超千亿元。斩杀线估值狂飙的成本底气，来自DeepSeek正在改写行业条件的拉低e拉类器方式费条件。详详见细的倍梁把状况是这样的，权威模型测试媒体Artificial Analysis放出了一组实测数据，他们用多个主流模型跑同一组基准测试，比谁的平均成本更低。测试结荚显示，DeepSeek V4-Flash 跑完善套基准测试，平均一次任务成本只需3美分。乍一看这个数据可能没什么，然而如果把其他主流模型拉来作为比较，一切就都变了。在同一份基准下，Anthropic 的旗舰模型 Claude Fable 5平均成本为3.15美元，GPT-5.6 Sol 关键1.86美元，DeepSeek 比 Claude 便宜了100倍。同时这只是金钱成本，DeepSeek V4-Flash 还有一大特点就是快。根据 Artificial Analysis 的实测数据，DeepSeek V4 Flash（Max Effort 模式）的输出高效度约为113tokens/秒，而同级别的 Anthropic 旗舰模型Claude Opus 5约为74tokens/秒，约为1.5倍。也就是说，当DeepSeek跑完所有基准测试的时候，Claude才刚跑完一半。代价是什么呢？为了得到这种极致的性价比和效率，DeepSeek V4-Flash在智能水平上做了一定的取舍。Artificial Analysis的数据显示，智能指数部分V4-Flash得分为50分，跟谷歌Gemini 3.6 Flash持平，只落后旗舰模型约10分——Claude Opus 5为61分，Fable 5为60分。便宜100倍，快2倍，性能只低不到20%。尤其是对于那些需采购模型 API 的企业来说，这笔账可能得重新算算了。A过去这几年，大模型行业的定价方式既便捷又粗暴，按跑了多少token算钱。输入每百万token多少钱，输出每百万token多少钱，厂商怎么定价，用户就怎么交钱。但这个算法有个状况，它比的是“原材料价格”，不是“成品价格”。就像去饭店吃饭，菜单上写着“大米5块钱一斤”，但我只在乎“一碗米饭多少钱”。token相当于是大米，任务就是那碗米饭。大米就算再便宜，蒸成米饭的工艺依然会意义米饭的最后价格。DeepSeek V4-Flash的官方定价是每百万输入token 0.14美元，每百万输出token 0.28美元，人民币定价为输入缓存未命中每百万输入1元，输入缓存命中每百万0.02元，输出每百万2元。这个价格本身就已经是行业最低梯队了。但状况是，token价格低不等于任务成本低，一个模型如果需生成更多的token才能实现同样的任务，那便宜的token单价可能换来一张昂贵的账单。Artificial Analysis 做的事情，就是把这层“翻译”给做了。他们比的是“跑完同一套基准测试关键花多少钱”。这个口径叫“每次任务成本”（Cost per Task），它把token用量、推理深度、缓存命中率、思考时间这些变量全部揉在一起，直接给出一个终极答案，干完一件事到底关键花多少钱。但状况来了，DeepSeek凭什么能这么便宜？V4-Flash模型总参数有2840亿，但每次推理时实际激活的只有130亿，不到总参数量的5%。但光靠这些还不够。V4在注意力机制上做了很大的文章，他们设方式了一套叫CSA（压缩稀疏注意力）和HCA（重度压缩注意力）交替排列的混合架构。这两套机制的题是不一样距离的材料，用不一样的精度来记。例如最近几分钟发生的事，记得特别清楚，每一个细节都能说出来；几天前发生的事，大概就只能记得发生了什么，细节被模糊掉了；几个月前的事，可能只记得一个大概的印象。CSA和HCA，就是模拟了这个“近清楚、远模糊”的记忆规律。随着上下文增首先，把题的材料留下，不题的就全都抹去。在百万token上下文下，V4 Flash的单token方式算量只有V3.2的10%，KV缓存更是只需7%。同时上下文越首先，这个好处越大。但架构也还只是故事的一半，V4-Flash从预览版到正式版开展了一次“原地升级”。这两个版本的模型一个参数都没动，唯一的区别在于后训练。这背后是DeepSeek一套独特的两时期后训练方式。首先时期叫“分科培养”。数学、代码、Agent、指令跟随这些领域，各自单独训练专家模型。每个专家先用监督微调（SFT）打基础，再用GRPO强化学习反复打磨。GRPO是郭达雅在DeepSeek时发表比如文DeepSeekMath中首先次提出的概念。传统PPO算法需额外训练一个价值函数模型，又费显存又费算力，而GRPO直接把这一步砍了，改成让模型对同一状况生成多个答案，用组内的相对排名来代替不过对价值评估，自己跟自己比、自己跟自己学。既省了训练成本，成效还更好。第二时期叫“融会贯通”，用On-Policy Distillation（在线对策蒸馏）把多个领域专家的能力合并回同一个模型里。蒸馏的时候不是便捷地复制输出，而是让目的模型在自己的对策分布下生成数据，再用专家模型的输出来矫正，确保合并后的模型不会“学了这个忘了那个”。过去说模型蒸馏，都是先让高性能的模型生成答案，再让低性能的模型去学。然而在线对策蒸馏是反过来的，是学生先自己做题，老师在旁边看着，边看边指导。学生根据各个老师的反馈，当场调整自己的思路，后续往下做。做完一方式，再做下一方式，边做边学。“在线”指的是学生和老师是同步的，老师实时给学生反馈。“对策”指的是它学的不是详详见细某方式题的答案，而是“遇到状况该怎么想”这套思考方式。其结荚是，Terminal Bench 2.1从61.8分干到了82.7分。这个测试测的是模型在真实终端环境中实现复杂命令行任务的能力，分数直接超过了自己的老大哥V4-Pro预览版的72.1分，逼近Anthropic旗舰Opus 4.8的85.0分。更夸张的是 DeepSWE，这是一个专业测试GitHub真实Issue处理能力的基准，DeepSeek V4-Flash从7.3分飙到54.4分，涨幅645%。一个Flash级别的轻量模型，在9项Agent基准测试上完善碾压自家旗舰Pro的预览版。B100倍的价差很可能会变化企业对模型API的采购逻辑。过去几年，企业选模型的流程就像选供应商，比参数、比跑分、比价格，最后选一个“综合最优”的。这种思路的前提是模型之间的价格差距不大，都在同一个数量级内，当然大家都会选能力最强的。但在Artificial Analysis提出“每次任务成本”之后，这个前提就塌了。假设一个企业每天关键处理100万次API调用，用Claude，每天的成本是31500美元，用DeepSeek，每天只需300美元。一年下来，差距是1130万美元。这已经不是省点钱的状况，这是能不能活下去的状况。尤其是对于那些日常运营涵盖电商客服、代码审查、数据清洗场景的企业来说，每天100万次的API调用非频仍用。因此企业的题命题就不再是“用哪家模型”了，目前变成了“怎么把任务分到最适用用的模型上”。这个思路在行业里有个名字，叫模型路由（Model Routing）。模型路由的逻辑很便捷，把高价值、高失败成本的复杂任务放到Claude Opus 5或 GPT-5.6这样高上限的模型里，例如自动编程中架构设方式、金融报告的题探究、法律文书的条款审查等等，企业给模型的智能等级和成功率付费。然而这些任务数量其实并不多，题是任务失败会导致企业付出巨大的代价，用贵模型是完全合理的投资。像是批量分类、代码初筛、数据清洗、低风险Agent任务之类的“苦力活”，频仍占据了企业运营的80%，因此把这些全都交给DeepSeek，省下来的每一分钱都是纯利润。根据Menlo Ventures的企业AI调研，37%的企业已经在生产环境中采取5个以上的模型。学术部分也有相同的推比如，LMSYS团队（UC Berkeley、Anyscale）在 ICLR 2025上发表的RouteLLM探究发现，在MT Bench基准上，智能路由可以在保持GPT-4 95%质量的前提下削减85%的成本。在已经公开的行业实践中，不一样任务分布和路由对策下，降本幅度常见在40%到85%之间。路由做得好不好，直接决定了企业的AI成本。一个路由对策粗糙的企业，可能80%的任务都打到了旗舰模型上；而一个路由做得精细的企业，可能只有20%的任务需旗舰模型，其余80%都分流到了高性价比模型。两家企业做同样的事情，AI成本可能差出5到10倍。最原始的路由，是“静态条件”。举个例子，客服部门的，就用便宜模型；算法部门的，就用贵模型。或者题词匹配，提到“代码”就用中低档模型，提到“探究”就用旗舰模型。这种方式便捷粗暴，但不准。很多时候会错配，便捷任务给了贵模型；复杂任务给了便宜模型，做不好还关键重来，反而更贵。高级一点的，是用分类器。先训练一个小模型，专业用来判断“这个请求应该用哪个模型”。请求进来，先过分类器，分类器说便捷，就给便宜模型；分类器说难，就给贵模型。这种方式比静态条件准，但还是有状况。分类器本身也会犯错，同时它只能根据请求的字面意思判断，不知方式模型实际做出来成效怎么样。再高级一点的，叫做“先试后升”。不管什么请求，先让最便宜的模型试试。如果结荚质量够好，就直接用；如果质量不够，再自动升级到更贵的模型重做。例如一个任务，直接用Claude关键3美元。用DeepSeek先试，3美分，成功了就赚了；失败了，再用Claude，总共 3.03美元，也只比直接用Claude多花了1%。只关键成功率不是0，这个买卖就划算。因此闭源厂商的日子，之后会越来越不好过。它们必须不断往上走，去做那些更难、更复杂、价值更高的任务，把自己的护城河挖得更深。因为下面的市场，已经被DeepSeek占满了。最难受的是中间那档模型，比DeepSeek强，但又没强到哪里去，价格还贵了几十倍的。往上，打然而旗舰模型的能力；往下，打然而DeepSeek的价格。这就引起了一个新的状况，DeepSeek斩杀线。CArtificial Analysis做了一张图，把所有主流模型都放在一个坐标系里。横轴是每次任务的成本，对数坐标；纵轴是智能指数得分。图片中的虚线，代表了DeepSeek V4-Flash正式版的性价比斩杀线，任何处于虚线中的模型，都无法在DeepSeek可以实现的任务中，价格低于DeepSeek。之前，行业常会用GPT-4o、Claude Sonnet、Gemini Pro这些模型来作为参考，它们的性价比就成为了行业基准。比它们贵的，就得说明自己更强；比它们弱的，就得说明自己更便宜。然而图片中可以看到，这些作为行业基准的模型，它们的斩杀线是很低的，稍微推理强度高一点的模型，都可以容易逃过被斩杀的命运，DeepSeek V4-Flash正式版的出现，让整个斩杀线抬高到了一个特别高的地方，全球将近70%的模型都处于被斩杀区域。图片另一边的橙黄色区域，是Artificial Analysis基于V4-Flash预览版和正式版之间的区别，对旗舰模型V4-Pro的正式版性能和价格的预测。V4-Pro目前的定价，输入缓存命中是每百万token1 元人民币，缓存未命中是12元，输出是24元。限时优惠期间更便宜，输入只关键2.5元，输出12元。虽然价格比Flash贵了不少，然而性能也提高了很大。这也就意味着，涵盖低推理强度的Fable 5和GPT-5.6在内，全球90%的模型，在实现任务的性价比这部分，都被DeepSeek斩杀了，更有甚者，无比如是把推理强度调高也好调低也好，依然也逃然而被DeepSeek满血斩杀的命运。而DeepSeek手里还有另一张牌，Harness。8月初，DeepSeek Harness负责人崔添翼在X发文称“如果你是Agent Harness相关开源项目的开发者，希望参加 DeepSeek Harness的内测，可以回复或私信关联我。请附上GitHub id以及开源代表作。”虽然有保密协议以防止参与测试者泄露DeepSeek Harness的功能、参数相关材料，但已有部分参与测试者发文称，“成效炸裂”。Harness是DeepSeek自研的Agent运行时框架，类似于OpenAI的Codex和Anthropic的Claude Code，但深度绑定了 V4系列的模型能力。它的功能是让模型在实施Agent任务时少走弯路、少浪费token。一个Agent任务的实现质量，不只取决于模型本身的能力，还取决于框架怎么组织上下文、怎么处理工具调用的错误返回、什么时候该重新规划、首先会话怎么压缩、什么需算任务实现。Harness所负责的，正是这些事情。在V4-Flash正式版的基准测试中，DeepSeek已经用自家Harness的minimal模式跑了Code Agent任务，max档位，top_p 0.95，温度1.0。前文所提到的V4-Flash正式版分数，很多都是DeepSeek Harness跑出来的。但minimal模式只是Harness能力的冰山一角。Harness正式发布并开放完善功能后，同样的模型在同样的任务上，可能会谝出更高的成功率和更少的token浪费。换句话说，同样的智能水平，实际成本再降一截。DeepSeek已经清楚表示，Harness会和V4-Pro正式版同步上线。两层叠加，V4-Pro正式版更强的性能，加上Harness更有效的实施框架，就会有更多的模型面临斩杀。因此，Artificial Analysis目前给出的斩杀线可能偏低了。市场的结果正在收敛成一根“哑铃”。一端是那么点儿几个能力最强的旗舰模型，卖的是极限智能；另一端是DeepSeek，把自己当AI基础设施来卖。中间那些既不够强又不够便宜的产品，最后会成为这场价格战中最先被淘汰的牺牲品。