短讯成本拉低100倍，梁文锋把Claude拉进“斩杀线”

今年6月，DeepSeek才刚刚完成首轮500亿元融资，创下国内大模型首轮融资规模纪录，投后估值超过3500亿元。仅时隔两个月，其投前估值便攀升约43%，两轮募资完成后累计金额将超千亿元。 具体的情况是这样的，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。 乍一看这个数据可能没什么，但是如果把其他主流模型拉来作为对比，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 要1.86美元，DeepSeek 比 Claude 便宜了100倍。 而且这只是金钱成本，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）的输出速度约为113tokens/秒，而同级别的 Anthropic 旗舰模型Claude Opus 5约为74tokens/秒，约为1.5倍。 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，智能指数方面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。 过去这几年，大模型行业的定价方式既简单又粗暴，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。 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影响米饭的最终价格。 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。但问题是，token价格低不等于任务成本低，一个模型如果需要生成更多的token才能完成同样的任务，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要花多少钱”。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，干完一件事到底要花多少钱。 但光靠这些还不够。V4在注意力机制上做了很大的文章，他们设计了一套叫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。 比如最近几分钟发生的事，记得非常清楚，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。 第一阶段叫“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时发表论文DeepSeekMath中首次提出的概念。 传统PPO算法需要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，改成让模型对同一问题生成多个答案，用组内的相对排名来代替绝对价值评估，自己跟自己比、自己跟自己学。既省了训练成本，效果还更好。 第二阶段叫“融会贯通”，用On-Policy Distillation（在线策略蒸馏）把多个领域专家的能力合并回同一个模型里。蒸馏的时候不是简单地复制输出，而是让目标模型在自己的策略分布下生成数据，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。但是在线策略蒸馏是反过来的，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，继续往下做。做完一道，再做下一道，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。“策略”指的是它学的不是具体某道题的答案，而是“遇到问题该怎么想”这套思考方法。 其结果是，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完成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，这是一个专门测试GitHub真实Issue解决能力的基准，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基准测试上全面碾压自家旗舰Pro的预览版。 过去几年，企业选模型的过程就像选供应商，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。 假设一个企业每天要处理100万次API调用，用Claude，每天的成本是31500美元，用DeepSeek，每天只需要300美元。一年下来，差距是1130万美元。这已经不是省点钱的问题，这是能不能活下去的问题。 所以企业的核心命题就不再是“用哪家模型”了，现在变成了“怎么把任务分到最合适的模型上”。这个思路在行业里有个名字，叫模型路由（Model Routing）。 模型路由的逻辑很简单，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，比如自动编程中架构设计、金融报告的关键分析、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。 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”，往往占据了企业运营的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使用5个以上的模型。学术方面也有相同的推论，LMSYS团队（UC Berkeley、Anyscale）在 ICLR 2025上发表的RouteLLM研究发现，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。 路由做得好不好，直接决定了企业的AI成本。一个路由策略粗糙的企业，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%的任务需要旗舰模型，其余80%都分流到了高性价比模型。 最原始的路由，是“静态规则”。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。或者关键词匹配，提到“代码”就用中低档模型，提到“分析”就用旗舰模型。 高级一点的，是用分类器。先训练一个小模型，专门用来判断“这个请求应该用哪个模型”。请求进来，先过分类器，分类器说简单，就给便宜模型；分类器说难，就给贵模型。 这种办法比静态规则准，但还是有问题。分类器本身也会犯错，而且它只能根据请求的字面意思判断，不知道模型实际做出来效果怎么样。 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。如果结果质量够好，就直接用；如果质量不够，再自动升级到更贵的模型重做。 所以闭源厂商的日子，以后会越来越不好过。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。 此前，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，就得证明自己更强；比它们弱的，就得证明自己更便宜。 不过图片中可以看到，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，都可以轻松逃过被斩杀的命运，DeepSeek V4-Flash正式版的出现，让整个斩杀线抬高到了一个非常高的地方，全球将近70%的模型都处于被斩杀区域。 这也就意味着，包括低推理强度的Fable 5和GPT-5.6在内，全球90%的模型，在完成任务的性价比这方面，都被DeepSeek斩杀了，更有甚者，无论是把推理强度调高也好调低也好，依然也逃不过被DeepSeek满血斩杀的命运。 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，可以回复或私信联系我。请附上GitHub id以及开源代表作。” 一个Agent任务的完成质量，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、长会话怎么压缩、什么条件算任务完成。Harness所负责的，正是这些事情。 但minimal模式只是Harness能力的冰山一角。Harness正式发布并开放完整功能后，同样的模型在同样的任务上，可能会表现出更高的成功率和更少的token浪费。