DeepSeek 给大模型划出的「斩杀线」，斩的到底是什么

一天，8 万亿 Token。 这是 DeepSeek V4 Flash 一款模型，在一个 AI 编程工具里的单日用量。 ▲开源 AI Agent 工具 OpenCode 发文称，DeepSeek V4 Flash 正式版通过其平台消耗了 8 万亿 Token。其中，5 万亿来自免费额度，另外 3 万亿来自付费套餐 OpenCode Go。 作为对比，大模型路由平台 OpenRouter 接入了 400 多款模型，每月处理约 200 万亿 Token，平均每天约 6.6 万亿。 也就是说，DeepSeek 一款模型，仅仅在 OpenCode 一个入口里，一天消耗的 Token，就超过了 OpenRouter 全平台的日均规模。 ▲ OpenRouter 上 DeepSeek V4 Flash 是本周最热门模型 这和 DeepSeek V4 Flash 的低价有关，能力提升，价格不变，原本被压抑的使用需求会迅速释放。 但 8 万亿 Token 背后，还有一个更重要的变化：人们使用 AI 的方式已经变了。 过去，我们向模型问一个问题，得到一段回答，任务就结束了。现在的 Agent 会自己读文件、修改代码、运行程序、检查结果，失败后再重新尝试。一次任务可能持续几个小时，调用几十次工具，也可能让多个 Agent 同时工作。 模型写出的代码未必比过去多很多，消耗的 Token 却可能翻上几十倍、几百倍。 有人用 Claude Opus 5 制作一个单页 3D 游戏。模型需要不断生成页面、截图检查、继续修改。最后只是一个 HTML 文件，一句提示词却消耗了 6.9 亿 Token，费用接近 3000 元。 Agent 任务的大量爆发，让模型要证明自己的价值，除了智能的程度，还有性价比的计算；衡量一款模型的单位，从「单次回答有多聪明」变成了「完成一项长任务要花多少钱、多久、失败几次」。 依据这套标准，DeepSeek V4 Flash 开始成了所有模型的斩杀线。 一百万个输出 Token，DeepSeek 收 2 元人民币。Anthropic 的 Claude Opus 4.8，标准价格是 25 美元，约 170 元，只看输出单价，二者相差约 85 倍。 7 月底，DeepSeek 推出 V4 Flash 正式版，保留了模型架构与规模，只是重新做了后训练，重点加强编码和 Agent 任务。 隔天，大模型竞技场 Arena 公布前端编码评测榜单，将 V4 Flash 列入「价格—性能」的前沿模型。截至 Arena 8 月 2 日的页面快照，V4 Flash 的初步排名暂列 Opus 4.8 Thinking 之前。 而在 Artificial Analysis 的 Intelligence Index v4.1 中，V4 Flash Max 得到 50 分，Claude Opus 4.8 Max 得到 56 分。前者跑完整套评测产生的模型调用费约为 72.02 美元，后者则达到 3752.55 美元。 换句话说，Opus 多拿了 6 分，但跑完同一套评测的调用费高出了约 52 倍。 V4 Flash 当然还不能证明自己全面超过 Opus，但只要两者已经能被放进同一轮候选名单，85 倍的价差就足以改变默认选择。 当一款模型的价格高出几十倍，性能领先却只有几个百分点时，这笔账会越来越难算平。 最先受到冲击的，可能并不是最弱的小模型。便宜、快速的小模型仍然适合分类、提取和路由等简单工作。最强的旗舰模型也会仍然用来处理疑难任务，或者成为高失败成本场景里的保险。 真正尴尬的是中间一批模型：它们比 V4 Flash 强一些，却贵几十倍；又没有强到可以稳定解决 V4 Flash 做不了的问题。 这就是 DeepSeek 的斩杀线，它不需要成为最强模型，只要达到「大多数时候可以做完」，就能利用近两个数量级的价格差，把更贵的模型挤出默认调用位。 V4 Flash 为什么能把茅台当矿泉水卖 一直以来，我们都觉得模型的价格大概就是和它的「聪明程度」相关，模型越聪明，自然它就要卖的越贵。 目前主流的几款大模型，Anthropic 家的 Opus 4.8 和 Opus 5 输出都是 25 美元/百万 Token，Fable 5 输出为 50 美元/百万 Token；OpenAI 的 GPT-5.6 在前几天降价后，Luna 输出由 6 美元降至 1.2 美元，Terra 由 15 美元降至 12 美元，Sol 则保持不变，30 美元。 而几款国产大模型，依旧是讨论每百万输出的价格，DeepSeek V4 Flash 是 2 元，刚刚发布的 Qwen 3.8 Max 是 36 元，Kimi K3 是 100 元，GLM 5.2 是 28 元。 ▲DeepSeek 几乎是以免费的价格提供大模型 国产模型之间的对比，还是与国外旗舰模型的对比，DeepSeek 的价格似乎都是一股「清流」，所以是什么造就了模型价格的不同。 最明显的是每生成一个 Token 的直接推理成本。 它受到激活参数量、数字精度、注意力机制、KV Cache 大小、输出长度、硬件利用率和并发量影响。同一款模型，如果能用更少的计算完成一次推理，或者能让更多请求共享缓存，成本就会下降。 V4 Flash 总参数量为 2840 亿，但每个 Token 只激活约 130 亿参数。它同时使用混合注意力结构、低精度权重和针对长上下文的缓存优化。 ▲ V4 系列模型架构图 根据 DeepSeek 在四月公开的 Preview 技术报告估算，在一百万 Token 上下文下，V4 Flash 的单 Token 推理计算量约为 DeepSeek V3.2 的 10%，KV Cache 约为后者的 7%。 这是与 V3.2 的内部架构对比，不代表它只需要其他所有模型十分之一的综合成本，但足以解释 DeepSeek 为什么能把长任务价格压低。 DeepSeek V4 系列结构，改造了一个 Transformer 模块里的三个关键部分，将注意力层改为先压缩再找重点的 CSA 机制和更极致的压缩但全部浏览的 HCA 机制，两种交错排列以平衡成本。 V4 的前馈层沿用 DeepSeekMoE：模型包含大量细分专家和少量共享专家，每个 Token 只被路由到其中一小部分专家。 因此 V4 Flash 虽然共有 2840 亿参数，每个 Token 实际激活的只有约 130 亿；V4 Pro 总参数达到 1.6 万亿，实际激活约 490 亿。它获得了大模型的知识和容量，但不需要每生成一个 Token 都运行全部参数。 其次是完成的服务成本，从模型训练、后训练到评测、安全，以及推理基础设施、空闲算力等服务，这些成本虽然不会出现在 Token 账单里，但是必须由模型厂商承担。 最后是商业定价，API 价格并不是简单的成本加成，厂商还需要考虑市场份额、用户迁移成本、品牌溢价、服务能力，以及客户愿意为可靠性支付多少钱。 所以，模型价格从来不是一张纯粹的成本表。它同时反映了模型需要多少算力，也反映了厂商认为自己的能力、品牌和可靠性值多少钱。 OpenAI 和 Anthropic 的高价格，可能同时包含更高的推理成本、产品生态、安全和服务溢价，以及它们在高难度任务上的定价权。 架构没变，Agent 能力为什么能大涨 目前，V4 Flash 正式版还没有发布新的技术报告，DeepSeek 在 7 月 31 日的更新日志中写：正式版 V4 Flash 与 Preview 的结构和尺寸相同，只重新进行了后训练。 此前预览版报告披露的后训练流程，已经把重点放在代码和 Agent 上：DeepSeek 分别训练数学、代码、Agent 和指令遵循专家，使用 SFT 和 GRPO 强化各自能力，再通过十多个教师模型的 On-Policy Distillation 合并回同一个模型。 工具调用也被当成单独的问题处理。 DeepSeek 设计了专门的调用格式，减少参数转义和格式错误；Interleaved Thinking 让模型在工具返回结果后继续保留前面的推理；DSec 则提供数十万个并发沙箱，让模型反复练习运行代码、读取报错和继续修改。 这些后训练并没有给模型增加新的参数，却可以减少 Agent 最常见的失败：选错工具、填错参数、忘记前面的状态，或者在任务还没完成时停下来。 正式版在 Terminal Bench 2.1 上的 82.7 分，还使用了尚未发布的 DeepSeek Harness 极简模式和 max 推理档。此外，DeepSeek 为 V4 Flash 加入原生 Responses API，并针对 Codex 做了适配。 预训练决定模型的能力底座，后训练主要改变模型如何调用这些能力。 当 V4 Flash 可以部署在「消费级」电脑上 V4 Flash 的另一个变化，是让前沿 Agent 模型离本地设备更近了一步。 虽然每次推理只激活 130 亿参数，但是完整的 2840 亿参数仍然需要存储和调度，官方仓库中的权重文件合计约 167 GB。 DeepSeek 给出的 vLLM 服务示例使用一台配备 4 张 GB300 的服务器。 社区项目 DwarfStar 则通过低比特量化，把 V4 Flash 的 q2 版本放进了 96GB 或128GB 统一内存设备，q4 版本建议使用至少 256GB 内存。在部分128GB Mac测试中，短上下文速度可以达到每秒二十多 Token。 q2 版本能运行，也不代表它能复现官方 API 的 Agent