DeepSeek-V4-Flash：跑得快没奖励，跑得慢有惩罚

2026 年 7 月 31 日下午，DeepSeek 干了一件很"DeepSeek"的事。

没有发布会，没有倒计时海报，没有 CEO 站在聚光灯下说"这是我们迄今为止最激动人心的模型"。他们只是在 API 文档的更新日志里，加了一行字：DeepSeek-V4-Flash 正式版 API 上线公测。

然后全球开发者社区就炸了。

有意思的是，就在前一天，OpenAI 刚刚紧急宣布 GPT-5.6 Luna 全线降价 80%——上线才三周的模型，输入价格从 1 美元砍到 0.2 美元，输出从 6 美元砍到 1.2 美元。这个时间点巧得让人起疑：一边是硅谷连夜挥刀自砍，一边是杭州轻描淡写更新日志。

结果是：OpenAI 砍完 80% 之后，跑同样的任务，还是比 DeepSeek 贵大约 60%。

这就很尴尬了。

一、先看这件事有多离谱：模型没换，脑子换了

在讲行业影响之前，得先把技术上那个"反直觉"的点说清楚，因为它是后面一切的地基。

V4-Flash 正式版（版本号 0731），和 4 月发的预览版，是同一个模型。

不是"架构微调"，不是"扩了点参数"，是完全一样：

那到底改了什么？官方说得很朴素：重新做了一遍后训练（Post-Training）。

就这。骨架没动，发动机没换，只是重新调了一遍油路和电控。

然后成绩单变成了这样：

DeepSWE 从 7.3 涨到 54.4 是什么概念？打个不太严谨的比方：一个学生上学期期末考 7 分，这学期考了 54 分，中间他没换脑子、没补课本，只是终于学会了怎么答题。

更炸裂的是横向对比。官方公布的九项 Agent 与代码基准，V4-Flash 正式版全部超过了自家的 V4-Pro 预览版——那个总参数 1.6 万亿、激活 490 亿的旗舰。

也就是说：用 Pro 六分之一的总参数、不到四分之一的激活参数，把自家旗舰按在地上摩擦。 在 DeepSWE 这一项上，分差高达 41.6 分。

行业里"Pro 强、Flash 弱"的分层信仰，当场碎了一地。

这说明了什么？

一个被严重低估的事实：预训练决定能力上限，后训练决定这个上限能兑现多少。

过去两年，所有人都在卷预训练——卷参数、卷算力、卷数据量。2026 年上半年更是进入"万亿参数时代"：4 月 DeepSeek V4-Pro 预览版 1.6 万亿开局，7 月阿里 Qwen 3.8-Max 推到 2.4 万亿，同月月之暗面 Kimi K3 以 2.8 万亿登顶开源模型规模之王。

大家默认的逻辑是：更大 = 更强。

V4-Flash-0731 说：不一定。它在 4 月的时候，脑子里其实已经装着这些能力了，只是不知道怎么用。后训练做的事情，是教它"打开终端 → 调用工具 → 改代码 → 跑测试 → 修 Bug → 继续改"这套 Agent 完整链路——从"回答问题"变成"完成任务"。

同时首次亮相的还有 DeepSeek 自研的 Agent 测试框架 DeepSeek Harness，用极简模式跑分。工程侧的优化和训练侧的优化产生了协同效应。

用一位分析师的说法：AI 发展不只需要大力出奇迹，还得慢工出细活。

二、真正的核弹：那张价格表

技术上的惊喜是"哇好厉害"，价格上的冲击才是"卧槽这怎么活"。

V4-Flash 正式版定价（每百万 Token）：

注意那个缓存命中价：0.02 元/百万 Token。缓存折扣高达 98%，而行业大多数厂商是 90%。在 Agent 场景下——固定系统提示词反复复用、多轮工具调用——这个折扣是能吃满的。

现在把它和"厉害的那些"放一起：

第三方评测机构 Artificial Analysis 给 V4-Flash 的智能指数打了 50 分，比自己上一代高 10 分，比 V4-Pro 预览版高 6 分，追平 Gemini 3.6 Flash，只落后 GPT-5.6 Luna 一分。

而在 ALE 基准上，V4-Flash 和全球顶级的 Claude Opus 4.8 只差半分。

半分。价格差 85 倍。

再翻译一遍：Opus 多拿了那 6 分综合智能，但跑完同一套评测的账单，高出约 52 倍。

这已经不是性价比的差距了，这是计量单位级别的错位。就像有人跟你比谁跑得快，你报的是"秒"，他报的是"分钟"。

开发者的真实账单，比参数表更有说服力

跑分终究是实验室数据，真正让海外开发者集体破防的，是他们自己刷卡时看到的数字：

• @tonbistudio：整整一天，用 V4-Flash 跑了一堆多小时的复杂任务，总共花了 0.31 美元。而上周同样的任务用 Kimi K3 之类的模型，花了 35 美元。“剧透一下：贵的那些也没强 100 倍。”
• @CommandCodeAI：同一个游戏设计提示词，Kimi K3 单次调用 0.0740 美元，GLM 5.2 是 0.0480 美元，V4-Flash 是 0.0005 美元——便宜 150 倍。（诚实地说，V4-Flash 在边缘细节上确实糙了点。）
• @SciTechera：在 Terminal-Bench 2.1 上完成单个基准任务，估算成本 0.03 美元。
• @RoundtableSpace：对比刚发布的 Opus 5——Opus 一次成功，DeepSeek 试了三次。但 Opus 输出了 3000 行代码，DeepSeek 用约 900 行就搞定了，单次成本约 1 美分。

最后这条特别有意思：贵的模型一次搞定，便宜的模型试三次。但便宜的模型试三次的总成本，还不到贵模型的百分之一——而且代码更精简。

在 Agent 时代，"一次做对"不再是唯一的美德，"错了也无所谓，反正重来一次只要一分钱"变成了一种全新的工程哲学。

Bold Metrics 的 CTO Morgan Linton 说得更直白：对于需要成千上万次 API 调用的工业级 Agent 工作流，这种价格让"大批量自动化试错"第一次具备了财务可行性。

以前你不敢让 AI 反复尝试，因为每一次尝试都在烧钱。现在你可以了。这不是省钱，这是换了一种做事方式。

三、“斩杀线”：这个词是怎么来的，又为什么这么准

发布之后，中英文社区不约而同地造出了同一个概念。

中文叫斩杀线，英文叫 Kill Line。

它的定义特别精确，值得逐字读：

斩杀线不是性能分水岭，而是性能与价格的平衡临界值。

• 同一能力梯队中，定价显著高于 DeepSeek 的模型，将持续流失中小开发者；
• 性能弱于 DeepSeek、成本却更高的产品，生存空间快速萎缩。

北京市社会科学院副研究员王鹏在接受《环球时报》采访时的表述更简洁：Codex 和 Claude 划定上限，DeepSeek 划定"斩杀线"——追平它，你就没有溢价空间了；落后它，你就出局了。

这就回到了本文开头那句话。用一个游戏化的说法：

跑得快没奖励，跑得慢有惩罚

这是一个残酷到近乎优雅的博弈结构：

如果你比 DeepSeek 强一点点（跑得快）：

• 你得证明"多出来的那几分能力"，值得客户多付 50 倍的钱
• 但 80% 的日常任务根本用不上那几分
• 所以你拿不到与投入成正比的市场份额 → 没奖励

如果你比 DeepSeek 弱、还比它贵（跑得慢）：

• 你没有任何存在的理由
• 中小开发者用脚投票，一夜之间迁移完毕
• → 有惩罚，而且是死刑

如果你和它差不多贵、差不多强：

• 恭喜，你成了一个可被随时替换的商品（commodity）

海外社区把这个感受表达得更生动。X 用户 @FoxRick01 说：

“Anthropic 被 Codex 打了一整周，现在又被便宜 100 倍的 DeepSeek 打。他们现在看起来像是卖菲亚特、收法拉利价钱的销售员。”

于是"法拉利的性能，自行车的价格"成了这次发布的标志性调侃。

一位从事 AI 创业孵化的人士说得更狠：

“梁文锋似乎站在了市面上所有模型玩家的对立面。所有 AI 公司都在他前面奔跑——不管用什么方式，它们必须跑到 DeepSeek 前面，才能活着。”

四、48 小时之内，整个行业开始重新算账

嘴上说说是一回事，Token 流向是另一回事。数据不会撒谎。

调用量：一个模型，打赢了一群模型

OpenRouter（全球最大的模型聚合平台）7 月 27 日 – 8 月 2 日的周度数据：

前五名，全部是中国模型。

再看总量：全球总调用 56.8 万亿 Token，其中上榜的中国大模型周调用量 28.13 万亿，美国大模型 4.38 万亿。中国模型的周调用量已经连续 14 周超过美国。

编程平台 OpenCode 的 CEO Jay 在 8 月 1 日发文：V4-Flash 上线后，平台单日调用量增长 30%，OpenCode Go 的新订阅用户也增长了 30%。"DeepSeek 一天消耗 8 万亿"直接冲上热搜——不是烧掉 8 万亿资金，是单日处理 8 万亿 Token。

单一模型、单一入口的单日消耗，超过了海外数百款模型加起来的日均总和。

硅谷的反应：连夜改价格表

这波价格战的猛烈程度，是 AI 史上前所未见的：

OpenAI 的策略写在脸上：旗舰 Sol 的溢价一分不让，用中低端产品的激进降价，拦截客户流失。 保住高端护城河，把中端市场当防线来打。

问题是——这条防线，砍完 80% 之后依然比 DeepSeek 贵 60%。

企业侧：Token 经济学的崩塌

真正的压力其实来自更早，V4-Flash 只是压垮骆驼的最后一根稻草：

• Uber：5000 名工程师中 84% 启用了 Agent 式编码，人均月度 API 成本飙到 500–2000 美元区间，四个月烧光全年 AI 预算。CTO Praveen Neppalli Naga 坦言"原定预算已被彻底击穿"。
• Lindy（旧金山，25 人 AI 创业公司）：把 100% 的流量从 Anthropic 全面切向 DeepSeek，预计省下数百万美元。
• 微软：悄悄把 DeepSeek 塞进了 Copilot 底层引擎的评估名单。
• CNBC 调查：自 2026 年 2 月 8 日起，中国模型在 OpenRouter 上的美国企业 Token 用量占比每周稳定在 30% 以上，峰值 46%。

为什么企业撑不住了？因为 Agent 改变了消耗结构。OpenRouter 数据显示：Agent 式工作流每个请求的 Token 消耗量，是人机对话的 15 倍。

一个看似简单的自然语言指令，实际要拆解成：意图理解 → 环境感知 → 文件检索 → 工具调用 → 代码生成 → 自我修正 → 再来一遍。乘数效应瞬间放大 Token 消耗。

在这个结构下，单价的微小差异会被放大成账单上的天文数字。于是"能力溢价"的旧范式，输给了"成本效率"的新范式。

五、它到底扮演什么角色？三个身份

聊到这里，可以给 V4-Flash 在 AI 产业里的位置下个判断了。它不是"最强模型"，也不只是"最便宜的模型"，它同时扮演着三个更微妙的角色。

角色一：定价的"锚"，而不是性能的"顶"

顶不是它的。上限依然由 Claude Opus 4.8、GPT-5.6 Sol、Kimi K3 这些巨兽划定。

但底是它划的。而且这个底一旦划下来，就变成了所有人的参照系。

这才是最要命的地方：一个定价锚点，比一个性能冠军更能改变行业结构。 性能冠军只影响"最难的那 5% 任务"，定价锚点影响"所有任务"。

DeepSeek 走的也不是烧钱补贴的路子。它的低价来自底层工程优化——高效推理架构、动态 KV 缓存、流量峰谷调度、长文本优化——是把成本真的做下来了，不是亏钱换市场。这意味着这条线不会因为补贴结束而回弹。

《财富》杂志还指出，V4 系列的研发与华为底层芯片生态做了紧密适配。随着昇腾系列软硬件协同效率提升，推理成本还有进一步下探空间。

角色二：默认选项的重新分配者

"斩杀线"真正斩掉的，不是所有高端模型，而是——

对旗舰模型"不计成本"的默认调用习惯。

这句话值得再读一遍。

以前的工作流是：默认上最强的，反正能力越强越保险。 现在的工作流是：先问一句，这活儿真的需要旗舰吗？

写一段代码、改一份文案、整理会议纪要、跑一轮自动化测试——先交给低成本且完成率足够的模型；只有遇到复杂推理、长链路 Agent、高风险场景，才升级到昂贵旗舰。

高价模型仍然有位置，但它必须证明：多出来的那点能力差距，足以覆盖多出来的调用成本。

这就是"跑得快没奖励"的精确含义——不是快没用，而是快的边际收益，被巨大的边际成本吃掉了。

一个合理的生产架构长这样：

┌─────────────────────────────────────────┐
│  80% 高频常态任务  →  V4-Flash（$0.28/M）│
│  ├─ 代码补全、重构、测试                  │
│  ├─ 终端运维、批量处理                    │
│  └─ 文本分类、格式转换                    │
├─────────────────────────────────────────┤
│  15% 中等复杂任务  →  中端模型 / Flash高档 │
├─────────────────────────────────────────┤
│  5%  极难推理任务  →  Opus / Sol / K3     │
│  └─ 高难算法、长逻辑链、高风险决策         │
└─────────────────────────────────────────┘

一位开发者的实践更精妙：V4-Flash 目前不支持原生视觉输入，于是 @hqmank 先让 Kimi K3 读参考图、提取布局与颜色规范，再把结构化文本交给 V4-Flash 生成代码。布局与间距还原得不错，整体成本远低于全程调用顶级多模态模型。

跨模型组合，正在成为一门新手艺。

角色三：AI 普惠的"降门槛器"

这一层可能是最被低估的。

天风证券计算机团队在发布当天给出"大超预期"的定调，并做了一个反常识的判断：看好软件公司受益。

反常在哪？过去市场普遍认为 AI 模型越强，越利空 SaaS 类企业——AI 会把它们吃掉。

但现在逻辑反过来了：DeepSeek 的性价比已经足够让软件公司自己用起来提效。更重要的是，那些过去因为 Token 账单太贵而不敢碰 AI 的公司，现在可以开发高性价比的 AI 服务了。过去无法被满足的 Agent 需求，第一次变成了可以被满足的。

0xSupergemma 创始人宋骏从全球经济视角补了一刀：全球有大量低收入群体和初创团队，根本负担不起高昂的模型订阅费。DeepSeek 极低的 API 定价，会通过下游开发者转化成极便宜的 SaaS 工具与服务，让更广泛的终端用户间接享受技术红利。

一位微博用户的比喻更远：AI 最终可能不是一个独立工具，而是像电力一样的基础设施层——嵌入工厂、医院、车辆、办公系统，成为每个行业的默认能力。它最大的影响，也许不是给人们又一个聊天机器人，而是提供了重塑社会运作方式的算力底座。

而电力普及的前提，从来都是便宜。

六、泼一点冷水：它并不是万能的

写到这里如果全是彩虹屁，那就不是科普是软文了。V4-Flash 的边界同样清晰，而且比很多人想象的明显。

1. 硬推理能力，差距是真实存在的

• HLE（博士级推理基准）：V4-Flash 8.1%，Claude Sonnet 5 是 57.4%。这不是差一点，这是差一个物种。
• 在那九项它"全面反超 Pro"的基准上，它依然全部输给 Claude Opus 4.8，平均落后 5.7 分。仓库生成类任务上，差距超过 15 分。
• 开发者 @OmedVibeCodes 实测：面对 GPT-5.6 Sol、Kimi K3 这类顶级模型，V4-Flash 在极其复杂的长逻辑链求解上仍有明显差距。

所以那句"厉害的没它便宜，也没厉害多少"——在 80% 的日常任务上成立，在最后 5% 的硬骨头上，不成立。

2. 跑分本身要打折看

• 九项基准是 DeepSeek 自己报的，用的是自研的 DeepSeek Harness 框架，该框架尚未公开，目前无法独立复现。
• 第三方复现显示，Terminal-Bench 分数与厂商自报值有约 4 分的差距。
• Terminal Bench 2.0 与 2.1 并非同一版本，直接跨版本对比不完全公平。
• 公开基准存在过拟合风险，跑分 ≠ 真实业务表现。

3. 工程上的坑

• 部分海外开发者反映：输入缓存命中率偏低、安全分类器经常超时。这在一定程度上说明，算力和参数储备不足，仍然是能力上限的瓶颈。
• 98% 的缓存折扣是平台机制口径，不是你的实际成本。 真实命中率取决于 prompt 前缀复用率——Agent 多轮调用、固定系统提示的场景容易吃满；一对一开放式对话可能差得很远。别拿"成本低 60%"直接套自家预算。
• 峰谷差异化定价：官方公布高峰时段（北京时间 9:00–12:00、14:00–18:00）价格会上浮。对欧美时区团队，这对应的是美东晚上 9 点至凌晨、凌晨 2–6 点，成本模型需要重算。
• Artificial Analysis 测出它比较"话痨"：跑完整个智能指数消耗 2.06–2.1 亿输出 Token，而中位数约 1 亿。单价便宜但输出更多，实际账单要按 token 总量算，不能只看单价。
• 暂不支持原生视觉输入，图文混排任务需要外部模型前置解析。
• 目前仅 API 开放，App 和网页端还用不上，普通用户暂时体验不到。

4. 也别把"Scaling Law 失灵"当结论

这可能是最容易被误读的一点。

看到"2840 亿打赢 1.6 万亿"，很容易得出"规模法则失效了"的结论。但没人真的这么认为——包括 DeepSeek 自己。

梁文锋在一份流传甚广的融资会议纪要中说得很明确：

“规模法则远未到上限，国内模型规模受限只是算力不足，不是规律走到尽头。”

但他补了一句关键的：规模不再是唯一杠杆，思维链和智能体将会是下一个杠杆。

市场也是这么反应的：V4-Flash 上线后，英伟达、博通、AMD 在 7 月 31 日的股价并未出现剧烈波动。这和 2025 年 1 月 R1 发布后英伟达单日蒸发 5000 亿美元市值形成鲜明对比。

市场已经学会了：AI 工程效率的提升，不是算力需求的利空。 摩根大通的判断是，DeepSeek 强化了"算力供应扩张、定价纪律、结构性成本曲线压缩"三大支柱，对行业是顺风，不是零和。

便宜了，用得起的人多了，总消耗反而涨了。这就是杰文斯悖论在 AI 上的演绎。

5. 一个未解的插曲

正在小范围灰度的 V4-Pro 正式版，有部分开发者反馈其生成的复杂代码风格与某些高价旗舰模型相似，甚至触发过疑似特定模型的安全拒绝响应，引发"是否使用了混合路由"的猜测。社区调侃为"矿泉水瓶里掺茅台"。

需要说明：这些目前都是社区反馈，官方尚无进一步复现说明。技术专家 @TeksCreate 从架构层面分析认为，V4-Pro 的 1.6 万亿 MoE 架构 + 混合注意力系统（CSA 历史压缩 + HCA 超长文本压缩 + SWA 全保真跟踪），使处理 100 万上下文时计算量降至前代 27%，本身就具备达到该水平的技术条件（Codeforces 3206 分、SWE-bench Verified 80.6%、1M 长上下文 MRCR 83.5%）。

真相如何，等官方回应。

七、给不同人的实操建议

如果你是开发者：

• 已有 Agent 工作流 → 先小流量切换测试，别一把梭
• 高并发、重复性任务（自动化测试、代码修复、批量处理）→ 强烈建议上
• 高难数学、复杂逻辑推理 → 等 V4-Pro 正式版，或继续用旗舰
• 务必把缓存命中率纳入成本测算，prompt 前缀归一化正在变成和模型质量同等重要的工程杠杆
• 接入很简单：模型名仍是 deepseek-v4-flash，已有调用自动获得 0731 版本；想用 Responses API 格式则设置 wire_api = "responses"，可直接接入 Codex CLI、ChatGPT 桌面端、VS Code Codex 插件

如果你是创业者：

• 那些"因为 Token 太贵所以做不了"的产品想法，现在值得重新拿出来算一遍账
• 权重是 MIT 许可，可商用、可修改、可再分发，也可自托管彻底消除单 Token 成本

如果你是投资人：

• 竞争的核心标尺已经从"参数量、训练算力、Benchmark 跑分"迁移到"单位成本能换取多少有效输出"
• 别再用"模型能力"单一维度做估值

如果你只是吃瓜群众：

• 记住一句话就够了：AI 变便宜了，而且是数量级级别的便宜。 这件事对世界的影响，可能比"AI 又变聪明了"更大。

八、结语：一台永不停止的收割机

回到最开始那句话。

便宜的模型没它厉害，厉害的模型没它便宜，也没厉害多少。 跑得快没奖励，跑得慢有惩罚。

这句话之所以精准，是因为它描述的不是一个模型，而是一种市场结构。

在这个结构里，DeepSeek V4-Flash 不是赛道上跑得最快的那个选手。它是站在赛道中间，用一根杆子把及格线抬到所有人头顶的那个人。

你比它快？恭喜，但观众不一定为那点速度买单。 你比它慢？抱歉，出局。 你和它一样快、一样便宜？那你就是个可替代品。

有人调侃：“梁文锋的 DeepSeek 成了一台永不停止的收割机。”

某种程度上，这句话对每个人都成立——它收割的是行业的定价权，是"AI 就该很贵"的默认假设，也是所有靠信息差和成本不透明赚的钱。

但换个角度看，被"收割"掉的这些，本来也不该由用户来承担。

2025 年春天，DeepSeek 让世界重新思考"AI 需要多少算力"。 2026 年夏天，它让世界重新思考"AI 应该卖多少钱"。

这两个问题，最终指向的是同一件事：智能，究竟应该属于少数人，还是属于所有人。

至于这条斩杀线会不会被别人越过——

Kimi K3 的 2.8 万亿参数还在那儿，Qwen 3.8-Max 的 2.4 万亿也在那儿，V4-Pro 正式版还没发布，OpenAI 的刀刚砍完第一轮。

没人知道下一个 48 小时会发生什么。这大概就是 2026 年的 AI 行业最有意思的地方。

关键信息速查

主要资料来源

• DeepSeek 官方 API 文档更新日志（2026-07-31）
• 21 世纪经济报道《DeepSeek 又发重磅更新，行业梦回 2025 年春天》
• Global Times《DeepSeek V4 Flash hailed as ‘Ferrari at bicycle prices’》
• 凤凰网科技《口碑持续逆转，DeepSeek 成全球 AI 斩杀线》
• 网易科技《DeepSeek V4 Flash 刷屏海外，"像魔法一样"的 AI，只卖几分钱》
• 新浪财经《85 倍价差：DeepSeek 逼着硅谷巨头重算"性价比"》
• TechFlow《OpenAI 上线三周降价 80%》、CNBC 相关调查报道
• 北京日报、环球网、潮新闻、太平洋科技相关报道

本文数据截至 2026 年 8 月 5 日。基准测试分数多为厂商自报或第三方初步评测，实际业务表现请以自有场景实测为准。价格随时可能变动，决策前请核对官方最新定价。