DeepSeek-R1發佈一周年之際，核心演算法庫驚現MODEL1，是V4還是R2?2025年1月20日，DeepSeek-R1正式發佈。從此，國產大模型第一次走到了全球舞台的核心位置，開啟了開源時代。而就在今天深夜，開發者社區沸騰了：DeepSeek的一個儲存庫進行更新，引用了一個全新的「model 1」模型。DeepSeek-R1一年了，但DeepSeek-R2還沒來。而這個被爆出的MODEL1，極有可能就是R2！在DeepSeek的開放原始碼專案FlashMLA庫程式碼片段明確引用了「MODEL1」，並且伴隨針對KV快取的新最佳化，和576B步幅的稀疏FP8解碼支援。FlashMLA是DeepSeek的最佳化注意力核心庫，為DeepSeek-V3和DeepSeek-V3.2-Exp模型提供支援。項目裡，大約有28處提到model 1。這可以被解讀為新模型即將發佈的明確訊號。巧的是，這個爆料正好趕在DeepSeek-R1發佈一周年（2025年1月20日）。R1作為開源推理模型，曾匹敵OpenAI o1並登頂iOS App Store，此後徹底改變了開源AI社區。MODEL1即便不是R2，也意義非凡，畢竟FlashMLA是DeepSeek最佳化的注意力核心演算法庫。FlashMLA是DeepSeek為Hopper架構GPU（如H800）最佳化的MLA（Multi-head Latent Attention）解碼核心。在推理層程式碼中提及新模型ID，往往意味著該新模型（代號為Model1）將繼續復用或改進現有的MLA架構。這表明 DeepSeek 團隊正緊鑼密鼓地推進新模型的推理適配工作，FlashMLA 作為其核心推理最佳化的地位依然穩固。過去，DeepSeek的確遇到了一些麻煩。本月15日，國外媒體報導，去年在研發其新一代旗艦模型時，DeepSeek在算力上碰到了一點麻煩。但DeepSeek及時調整了策略，取得了進展，並正準備在「未來幾周內」推出這款新模型。HuggingFace：DeepSeek如何改變開源AIHuggingFace在DeepSeek R1發佈一周年之際，發文解釋了DeepSeek如何改變了開源AI。R1並不是當時最強的模型，真正意義而在於它如何降低了三重壁壘。首先是技術壁壘。通過公開分享其推理路徑和後訓練方法，R1將曾經封閉在API背後的高級推理能力，轉變為可下載、可蒸餾、可微調的工程資產。許多團隊不再需要從頭訓練大模型就能獲得強大的推理能力。推理開始表現得像一個可復用的模組，在不同的系統中反覆應用。這也推動行業重新思考模型能力與計算成本之間的關係，這種轉變在中國這樣算力受限的環境中尤為有意義。其次是採用壁壘。R1以MIT許可證發佈，使其使用、修改和再分發變得簡單直接。原本依賴閉源模型的公司開始直接將R1投入生產。蒸餾、二次訓練和領域適應變成了常規的工程工作，而非特殊項目。隨著分發限制的解除，模型迅速擴散到雲平台和工具鏈中，社區討論的重點也從「那個模型分數更高」轉向了「如何部署它、降低成本並將其整合到實際系統中」。久而久之，R1超越了研究產物的範疇，成為了可復用的工程基礎。第三個變化是心理層面的。當問題從「我們能做這個嗎？」轉變為「我們如何做好這個？」時，許多公司的決策都發生了變化。對中國AI社區而言，這也是一個難得的、獲得全球持續關注的時刻，對於一個長期被視為跟隨者的生態系統來說，這一點至關重要。這三個壁壘的降低共同意味著，生態系統開始獲得了自我複製的能力。DeepSeek-R1一周年今天，讓我們回到原點，回顧DeepSeek-R1誕生的一年。在R1之前，大模型的進化方向幾乎只有一個，更大的參數規模、更多的資料……但是，模型真的在思考嗎？這個問題，就是DeepSeek-R1的起點。它不是讓讓模型回答得更快，而是刻意讓它慢下來，慢在推理鏈條的展開，慢在中間狀態的顯式表達。從技術上看，DeepSeek-R1的關鍵突破，並不在某一個單點技巧，而在一整套系統性設計。推理優先的訓練目標在傳統SFT/RLHF體系中，最終答案的「正確性」是唯一目標。R1 則引入了更細粒度的訊號。這也是第一次，模型高密度推理資料，而非高密度知識R1的訓練資料，不追求百科全書式的覆蓋，而是高度聚焦在數學與邏輯推導、可驗證的複雜任務。總之，答案不重要，過程才重要。因此，R1才在數學、程式碼、複雜推理上，呈現出「跨尺度躍遷」。推理過程的「內化」，而不是復讀範本一個常見誤解是：R1隻是「更會寫CoT」。但真正的變化在於：模型並不是在復讀訓練中見過的推理範本，而是在內部形成了穩定的推理狀態轉移結構。從此，推理不再是外掛，而是內生能力。一年之後：R1改變了什麼？首先，它改變了對「對齊」的理解。R1之後，我們開始意識到，對齊不僅是價值對齊，也是認知過程的對齊。第二，它改變了我們對開源模型的想像空間。R1證明：在推理維度，開源模型不是追隨者，而可以成為範式定義者。這極大啟動了社區對「Reasoning LLM」的探索熱情。第三，它改變了工程師與模型的協作方式。當模型開始「展示思路」，人類就不再是提問者，而是合作者。回到今天：R1仍然是一條未走完的路。一周年，並不是終點。我們仍然清楚地知道：推理能力還有明顯上限，長鏈路思考仍然昂貴但正如一年前做出 R1 的那個選擇一樣——真正重要的，不是已經解決了什麼，而是方向是否正確。DeepSeek-R1的故事，還在繼續。而這一年，只是序章。 (新智元)

昨天DeepSeek又搞神秘操作了！這家讓矽谷巨頭夜不能寐的中國AI公司，悄悄在微信群裡發佈了V3.1更新，但更詭異的是——R1推理模型的標識突然從聊天介面消失了！😱V3.1的升級挺實在：上下文窗口直接拉到128K，相當於能"記住"300頁書的內容，聊天體驗更絲滑。但問題來了，為何官方X帳號和其他社交媒體都沒發聲？只在微信群裡低調宣佈？更讓人好奇的是，DeepSeek悄悄把聊天機器人的"深度思考"功能裡的R1標識刪了個乾淨！要知道，R1可是今年1月震驚全球的推理模型，直接引爆了中國開源AI浪潮。現在突然"消失"，這是要幹什麼大事？💡業內人士猜測紛紛：要麼是R2推理模型即將登場，要麼是DeepSeek在整合產品線，把所有能力統一到一個超級模型裡。畢竟，這家由量化交易大佬梁文鋒創立的公司，向來喜歡"不鳴則已，一鳴驚人"。從去年12月的V3到今年1月的R1，DeepSeek每次出手都能掀起行業地震。現在這波神秘操作，感覺暴風雨前的寧靜啊！🚀想想也是，當全世界都在關注你的一舉一動時，任何小動作都能引發無限遐想。DeepSeek這招"欲語還休"，吊足了所有人的胃口！你覺得DeepSeek這次是在憋什麼大招？R2會比R1更炸裂嗎？快留言說說你的猜測，或者轉發讓更多AI迷一起圍觀這場懸疑劇！ (澤問科技)

DeepSeek R2 遲遲不發佈的原因找到了。據金融時報報導，DeepSeek 本來要在 5 月份發佈新模型 R2，結果拖到現在，原因竟然是...晶片「不給力」？事情是這樣的：在沒有足夠的 H20 晶片的情況下，DeepSeek 原本想用華為昇騰晶片來訓練新模型，以減少對輝達技術的依賴。🤯 然而在實際應用中，團隊遇到了一些技術障礙，據知情人士透露，華為專門派了一支工程師團隊到 DeepSeek 辦公室駐場。報導稱，即便有現場支援，也還未能實現穩定的訓練運行。DeepSeek 團隊最終不得不採用混合方案：使用輝達晶片進行訓練，而將華為晶片用於推理環節。簡單解釋一下，訓練是指讓 AI 模型從海量資料中學習的過程，而推理則是訓練完成的模型執行具體任務的階段，比如響應使用者查詢。不過，儘管訓練環節遇挫，DeepSeek 並未放棄與華為的合作，雙方仍在努力讓 R2 模型在推理環節能夠「跑通」昇騰晶片。👀 另據瞭解，DeepSeek 創始人梁文鋒對 R2 的進展很不滿意，一直在推動團隊投入更多時間來完善模型，加上資料標註也比預期耗時更長，所以發佈時間就這樣一拖再拖。值得注意的是，雖然近期市場傳言 DeepSeek R2 將於本月中下旬發佈，但騰訊科技援引接近該公司的消息源確認，這一傳言並不屬實，DeepSeek R2 在 8 月內確實沒有發佈計畫。截至發稿前，DeepSeek 和華為均未對上述報導作出回應。 (APPSO)

DeepSeek R2模型終於有新消息了！最近，頂級投行摩根士丹利發佈了一則研報，提前曝光了DeepSeek即將發佈的全新一代模型——R2。這篇研報篇幅不長，但資訊龐大。話不多說！快跟著烏鴉君一起來看看。/ 01 / 兩大核心亮點：參數翻倍，價碼暴跌88%這次R2的核心變化有兩個：參數翻倍和成本下降。先說前者，R2 模型的體積直接飆升到1.2兆參數，是之前R1 的兩倍多，活躍參數也從370億漲到了780億，推理時呼叫更多“腦細胞”，意味著模型思考得更深，輸出質量自然也水漲船高。這種思路，其實和Google 的Gemini、Anthropic 的Claude 類似——透過增加每次呼叫中參與運算的參數量來增強推理品質。例如，Gemini 2.5 Pro使用的Token比R1-0528多30%。雖然這會提升計算成本，但對於終端使用者來說，換來的是更聰明、更會「想事」的模型，價值了。另一個大變動是，模型成本更便宜了。根據大摩消息，R2的每百萬Token輸入成本只有0.07美元，比R1的0.15-0.16美元下降了一半還多；輸出成本更厲害，從原先R1模型的其每百萬Token2.19美元，大幅下降到0.27美元。這個價格遠低於OpenAI的GPT-4o等最先進的模型。 GPT-4o的API定價為輸入每1百萬個Token2.50美元，輸出每1百萬個Token 10.00美元。也就是說，R2的價格比GPT-4o等最先進的模型便宜了97%。對新創公司、開發者、企業來說，這無疑是巨大誘惑：不僅推理效果強，還能把使用成本打到地板價，商業化空間大大拓寬。除了參數和價格，R2還有三大升級亮點：1）多語言推理和程式碼產生能力大幅提升。據說，DeepSeek正在優先提升R2的編碼能力，以及英語以外語言的能力，以擴大該模型對全球受眾的潛在影響和適用性；2）引進了更有效率的MoE混合專家架構，推理效率更高，活化參數選擇更聰明。該架構將人工智慧模型分成獨立的子網，這些子網路根據輸入選擇性地啟動。這種方法可以顯著降低預訓練的計算成本，並實現更快的推理效能；3）多模態支援更強，視覺能力也比之前更上一個台階；簡單來說，R2不僅“想得更深”，還能“看得更清楚”。在效能提升的同時，DeepSeek也正在擺脫對H100的依賴，實現本土算力突破。據大摩透露，這次DeepSeek 並沒有依賴傳統的NVIDIA H100 晶片，而是用上了華為的升騰910B晶片叢集。雖然生態上華為仍追不上輝達，但這已經是國產晶片參與大模型實戰的重要突破了。DeepSeek正在努力建立一個本地硬體供應鏈，以減少對美國製造的晶片的依賴。時至今日，R2模型背後已經形成了一個強大的本土供應鏈體系。/ 02 / 版本最佳化剛完成，R2還得等等？目前，DeepSeek的模型家族主要有三大產品：V系列（V1~V4）：一般大模型，全面涵蓋推理、效率、Agent能力；R系列（R1 → R2）：專注深度推理、數學、工具鏈整合等能力；Prover-V2：一個為數學產生專門最佳化的模型；其中，DeepSeek-Prover-V2於今年4月發佈的新模型。 Prover-V2並非通用的模型，而是一個高度專業化的數學證明模型，基於DeepSeek V3，採用了改進的MoE架構和壓縮的kV快取以減少記憶體消耗。撇開新發佈的數學證明模型，DeepSeek的大模型升級路線主要有條：V4：作為通用模型主線的全面迭代，強調推理表現、效率與Agent 化能力的提升；R2：作為Reasoner 專線的強化升級，對標OpenAI的o3後續迭代模型和Gemini 2.5 Pro 0605&正式版&未來的Gemini 3，進一步提升數理+工具鏈+多步驟推理表現；從過去看，DeepSeek的模型迭代節奏比較固定，基本上遵循「2小1大」的規律：即每兩個月會有一個小版本更新，接著進行一個大版本換代。以通用模型V1為例，V1是在2023年11月發佈，V2的發佈時間是2024年5月，而V3的發佈時間則到了2024年12月。依照這個節奏，2025年6、7月份，DeepSeek會有一個比較大的版本更迭。就在R2發佈前不久（同樣是5月29日），DeepSeek也發佈了一個沒改版本號但改得不小的強化版—— R1-0528。雖然架構沒動，但這個版本引入了強化學習訓練（RLHF），推理深度明顯加強。官方評估顯示：花了9,900萬個token完成評測任務，比原來的R1多了40%，思考更深、過程更複雜，表現當然更好。成績單也很漂亮：AIME 2024（數學競賽）：+21分LiveCodeBench（程式碼產生）：+15分GPQA Diamond（科學推理）：+10分Humanity's Last Exam（知識推理）：+6分使用者回饋也很正面，特別是在邏輯、程式設計和互動能力上提升顯著。這次R1-0528 升級得這麼猛，很多人開始懷疑：這是不是傳說中的R2？不過目前官方並沒有正面回應，這個說法還沒實錘。雖然大摩說R2快來了，但以DeepSeek 一貫的節奏推測，真正的R2 估計還得再等等。這波升級，更像是「壓線偷跑」的大版本最佳化，而不是正代更新。 （烏鴉智能說）

萬萬沒想到，DeepSeek五一假期間有了新動作。4月30日晚，AI開源社群Hugging Face突然湧入百萬流量。中國AI公司DeepSeek悄悄上線的DeepSeek-Prover-V2模型。這款參數規模達6710億的數學推理大模型，不僅以「核彈級」參數量刷新開源領域紀錄，更在數學定理證明任務中交出驚人成績單：MiniF2F測試通過率88.9%，遠超同類模型，甚至解決Putnam數學競賽中49道高難度題目378。更令開發者興奮的是，DeepSeek此次同步開源了7B和671B兩個版本。其中，671B版本基於DeepSeek-V3-Base架構打造，支援16.38萬tokens超長上下文，可處理複雜數學證明鏈條；而7B版本則擴展至32K tokens上下文長度，兼顧推理效率與性能246。DeepSeek R1帶來了「啊哈時刻」，Prover-V2也有令人意想不到的能力。具體來說，在普特南測試中，參數量較小的DeepSeek-Prover-V2-7B用非CoT生成模式成功解決了13個671B模型未能解決的問題。這一組合拳下來，直接將數學推理大模型的戰場推向新維度。DeepSeek-Prover-V2到底是什麼？一句話總結就是：一款專為「數學AI程式語言」Lean4打造的開源大語言模型，專注於形式化定理證明。Prover-V2透過融合非形式化推理與形式化證明，推動AI從「內容生成」向「邏輯驗證」跨越，被視為通往通用人工智慧（AGI）的重要進展。重點君剛到Hugging Face看完了文章原文，跟大家總結一下：1 、DeepSeek-Prover-V2DeepSeek-Prover-V2 671B版本是前代7B車型的近百倍升級版。該模型專注於形式化數學推理，支援產生符合Lean 4等證明助手的嚴謹邏輯程式碼，旨在解決從初等數學到高等數學的複雜定理證明問題。2 、核心技術亮點混合專家架構（MoE）：基於DeepSeek-V3架構，每層包含256個路由專家和1個共享專家，每個輸入token僅啟動8個專家，顯著提升運算效率。支援FP8、BF16、F32等計算精度，最佳化訓練和推理資源消耗。遞迴+強化學習訓練策略：冷啟動資料合成：利用DeepSeek-V3拆解複雜定理為子目標，由7B模型產生子目標的Lean 4證明，再組合為完整證明鏈。強化學習最佳化：透過GRPO演算法從32種候選方案中擇優，結合「正確/錯誤」回饋提升推理泛化能力。超長上下文處理：支援最長163840 tokens的輸入窗口，適配多步驟、長邏輯鏈的數學證明任務。3 、具體性能表現MiniF2F-test ：通過率達88.9%，解決PutnamBench中49道高難度題目。形式化證明能力：在Lean、Isabelle、Coq等系統中表現優異，如Lean4基準測試通過率89.2%，遠超通用模型（如GPT-4o的63.4%）。ProverBench資料集：包含325題目，涵蓋AIME競賽題（15題）及初等代數、微積分等教材題（310題），系統性評估模型推理能力。4 、應用場景數學研究與教育：輔助數學家驗證猜想、產生詳細證明步驟，或作為教學工具分解複雜定理。形式化驗證：應用於軟體正確性驗證、密碼學協議安全證明及硬體設計規範驗證。工程與科學計算：支援物理模型數學基礎驗證與演算法正確性證明。如果需要更多技術細節，大家可以點選原文連結，一鍵傳送：DeepSeek-Prover-V2-7B 連結：https://huggingface.co/deepseek-ai/DeepSeek-Prover-V2-7BDeepSeek-Prover-V2-671B 連結：https://huggingface.co/deepseek-ai/DeepSeek-Prover-V2-671B另外，一直備受關注的DeepSeek R2也傳出最新消息。根據媒體通報，R2大模型將採用更先進的混合專家模型(MoE)，總參數量較前代R1提升約1倍，預計達1.2兆(R1總參數量為6710億)，單位推理成本較GPT-4大減97.4%。R2規模與ChatGPT的GPT-4 Turbo以及Google的Gemini 2.0 Pro相當，也將結合更智慧的門控網路層(Gating Network )，進而最佳化高負載推理任務的效能。消息指出，R2將徹底擺脫NVIDIA晶片，訓練全程均未使用NVIDIA顯示卡，全部基於升騰910B(Ascend910B)晶片叢集平台，在FP16精度下，計算性能達到512 PetaFLOPS，晶片利用率高達82% ，整體性能約為NVIDIA上一代A100叢集A100 。市場預期，這可望降低中國對海外高階AI晶片的依賴，華為全新的升騰910C晶片也開始進入大規模量產階段。 （劃重點KeyPoints）

市場傳出更強的新版DeepSeek R2即將在5月面世，將徹底擺脫輝達晶片，全部基於華為升騰910B（Ascend 910B）晶片。市場最新爆料，R2大模型將採用更先進的混合專家模型（MoE），總參數量較前代R1提升約1倍，預計達1.2兆（R1總參數量為6710億），單位推理成本較GPT-4大減97.4%。據傳，R2規模與ChatGPT的GPT-4 Turbo以及Google的Gemini 2.0 Pro相當，也將結合更智慧的門控網路層（Gating Network），進而最佳化高負載推理任務的效能。消息指出，R2將徹底擺脫輝達晶片，訓練全程均未使用輝達顯示卡，全部基於華為的升騰910B（Ascend 910B）晶片叢集平台，在FP16精度下，計算性能達到512 PetaFLOPS，晶片利用率高達82%，整體性能約為NVIDIA上一代A100的91%。市場預期，這將降低大陸對海外高階AI晶片的依賴，且華為全新的升騰910C晶片，也開始進入大規模量產階段。成本方面，DeepSeek-R2的單位推理成本，較OpenAI旗下的GPT-4大減97.4%。其中，R2輸入每百萬個字元僅需0.07美元，而輸出每百萬個字元僅0.27美元。 （大話晶片）

API通縮之路也是應用放量之路各種網傳版本，對於deepseek R2發佈預熱拉滿，具體參數、演算法細節只有等發佈才真正知道，但毫無疑問有一點可以明確的是，R2的定價一定會繼續走低，API token通縮的路是必由之路。OpenAI的很多模型的價格與上一代模型相比已經大幅度下跌，未來API的通縮之路還在途中。價格到底降了多少？——從 GPT-4(2023) → o3 / 4.1 mini / 4.1 nano 的對比三年內高階模型輸入單價從 $30 → $2，下跌 93 %；中檔模型甚至壓進 $0.10 區間，逼近傳統全文檢索 API 成本。價格雪崩背後是技術與規模的雙向飛輪，只要 MoE + FP8 + 高 PUE 機房等變數仍有改進空間，$M/token 還會被繼續壓。OpenAI 最新價表只是再次佐證算力正在商品化，API 單價有望逼近雲函數等級。“Token 通縮” 不是口號，而是一條物理＋產業雙重驅動的必由之路規律：推理單價 ≈ 電費+攤銷+維運硬體效率×模型稀疏度×負載率\dfrac{電費 + 攤銷 + 維運}{硬體效率 × 模型稀疏度 × 負載率}。任何能讓分母增大或讓分子降低的技術和營運改進都會繼續把 $/token 往下壓。結合過去 36 個月的價降斜率，若 R2 以 $ 0.5–1 /M tokens 發佈並不意外；再往後 12 – 18 個月觸及 $ 0.1 /M 也有物理空間。未來 12-18 個月，贏家將是——掌握獨家資料 + 深嵌行業流程 + 能把 Token 成本與業務成果緊耦合 的應用層公司。開發者和投資者都需要把視角 從 GPU → Data → Workflow，才能在“Token 通縮”浪潮裡捕獲下一段 Alpha。硬體浪潮：供需剪刀差已在股價充分兌現兩年漲幅高β已見頂：GPU 與資料中心基礎設施龍頭的股價在 2023-24 經歷“產能滯後 + ASP 抬升”連按兩下——Nvidia 2023 股價翻了三倍、2024 再翻一倍，累計約 5-6 倍 ；液冷/UPS 代表 Vertiv 兩年上漲 10×。估值擴張已透支：半導體鏈龍頭的 EV/EBITDA 由 25× 抬升至 50×+，對應的新增訂單增速卻在 2025Q1 出現環比放緩跡象。未來邊際驅動力將更多來自服務化收入，而非純硬體 ASP。推理成本雪崩：應用浪潮的底層邏輯，“通縮型 AI”成為董事會新 KPI成本-優先的預算組態，關稅推高投入品價格、利率維持高位，CFO/審計委員會要求“以技術換毛利”，優先批 AI/自動化項目。ServiceNow 把“AI＝降本”講成了可量化指標（Pro Plus ×4 收單），搶佔了 Narrative 高地。從serviceNOW的財報可以看到，將功能打包 → 減少採購行數（line-item consolidation），平台與整合成本可核算 → CFO 最容易批。為何“通縮型 AI”會晉陞為董事會級 KPI？49 %的技術領袖已將 AI “深度嵌入核心業務策略”，CFO 調研中 52 % 將“成本削減”列為引入 GenAI 的首要動機。 (2025 AI Business Predictions - PwC, More Than 40% of Companies Are Experimenting With GenAI, CFO Survey Shows)ServiceNow 案例：如何把“AI = 降本”講成能落地的財務故事？來源：ServiceNow ’25Q1 電話會Narrative 把握：管理層在 call 中 9 次提到 “deflation(ary)” 與 “cost-takeout”，明確把 AI 推向 CFO 的 P/L 改善 維度，而非模糊的創新願景。“成本-優先”預算的新採購邏輯是什麼？ROI 決策門檻，12 個月回本：與租賃、融資租賃的平均報酬期持平。ΔGross Margin ≥ +200 bp或 ΔOperating Margin ≥ +150 bp。Line-Item Consolidation，每減少 1 個 SKU，可降低 3-6 % 合規與審批時間（內部審計資料顯示）。打包後使 IT、財務、營運預算可一次性核銷，縮短 CAPEX-to-OPEX 轉換流程。平台可核算，內建 TCO Dashboards：自動拉取工單工時、雲實例用量、重工率，即時對應到“已驗證節省($)”—— CFO 審計最看重的欄位。對於SaaS公司要不斷調整產品以匹配當前CXO等級的核心訴求銷售 Demo 中即預填行業基準，現場調參數 → 直接得出 ΔGross Margin、ΔFCF → CFO 當場拍板。Narrative 是武器：把 AI 明確定位為 “Deflation Engine” 而非“增收玩具”，讓 CFO/董事會在價值鏈最左端（成本）就看見硬指標。產品層面：少 SKU、多 ROI；把“省錢”寫進合約，再用即時儀表盤證明；並提供漸進式 Outcome-based 計費以鎖定中長期黏性。組織層面：採購思維從“功能買單”轉向“財務成果買單”；產品必須自帶測量、驗證與迭代閉環，否則 Narrative 難長期站得住。這樣，才能真正搶佔下一輪 IT 預算分配的 “通縮型 AI” 高地。“API 單價雪崩”對應用層的四重影響DeepSeek-R2（1.2 T MoE，總啟動 78 B）傳言訓練+推理成本較 GPT-4 再低 97%，本質上只是將既有 “LLMflation” 曲線再向下壓一個量級：過去 3 年推理單價已呈 ≈10×/年 的跌速，很多 A16Z 報告把它比作新的 “摩爾定律”  (Welcome to LLMflation - LLM inference cost is going down fast ⬇️, GenAI costs follow a Moore's Law-style curve, VC claims - The Stack)。不論 R2 真偽，這種加速的價格下行對上層產品意味著：架構層：多檔模型棧成為默認選擇動態路由：先用低成本模型做 MPT（“Minimal Passing Task”），僅在置信度不足時提升到高階模型；快取 + 檢索：Embedding 檢索命中率提升 10 %，即省下 10 % 高階模型呼叫費。商業模式層：Seat → Usage 的遷移加速成本、收入對齊：當 API 單價 <0.5 $/M tokens 時，按席位打包的溢價空間被壓縮；客戶更願意“用多少算多少”。波動性治理：Usage 模式易導致 MRR/SaaS 報表波動；主流做法是 “Hybrid 定價”：基礎訂閱費（鎖定最低 ARPU） + AI Token 錢包（按量自動充值） (AI is changing how software companies charge customers. Welcome to the pay-as-you-go future.)競爭格局層：Infra 毛利向“私域資料 + 縱深工作流”搬遷往下遊走：把 LLM 變成“發動機”而非“整車”；價值捆綁在任務完成（為什麼要往下遊走，具體參見前期文章：OpenAI的社交媒體與消費網際網路之夢）。守護專屬資料：當模型廉價且同質化，專有資料資產成為Alpha 之源。產品/體驗層：高頻、長上下文、即時場景正式可行當基礎推理成本以幾何級數下墜，應用端的護城河將不再是“會調模型”，而是“掌握獨特資料 + 深嵌業務流程 + 對結果計價”。 現在就要把“模型成本敏感度”寫進產品 KPI，把“資料-工作流-收益”三件事擰成一體，才能在 API 價格雪崩時代佔得先機。估值範式切換：從 EBITDA → 資料+留存自 2H25 起，市場對應用類公司很有可能給 10-15× ARR，一旦 Rule of 40 >50% 有望拓到 20×；同時需對 token 成本做動態敏感性壓力測試。所以：硬體估值已 Price-in 供需剪刀差，進一步 β 收益有限；價值重心正加速向“掌握專有資料＋深嵌工作流”的應用層遷移；投資框架必須從 EBITDA 轉向 ARR 留存與資料飛輪強度。抓住“精而深”的垂直 SaaS、AI 代理與多模型路由整合者，才可能在第二波浪潮中繼續享受 Alpha。 (貝葉斯之美)

DeepSeek 這是要搞一波大的了？一條關於 DeepSeek 新模型的消息在 AI 圈裡炸開了鍋。什麼？DeepSeek-R2，混合專家模型，5.2 PB 訓練資料，1.2 兆總參數，780 億動態啟動參數，最最炸裂的是，R2 的訓練和推理成本比 GPT-4 還要低 97.3%？！上面這條在 X 平台瘋傳的帖子，經我調查，源頭來自一個叫“韭研公社”的投資平台。根據“韭研公社”的爆料，DeepSeek-R2 模型採用混合專家 3.0（Hybrid MoE 3.0）架構，總參數規模達到驚人的 1.2 兆，其中動態啟動 780 億；單位 token 推理成本比起 GPT-4 Turbo 下降 97.3%，硬體適配上實現了昇騰 910B 晶片叢集 82% 的高利用率，算力接近 A100 叢集。然而，先別急著開香檳，爆料的真實性仍待 DeepSeek 官方確認。“熱心”的外國網友甚至根據這則爆料製作出了下面這份 DeepSeek-R2 概念股（DeepSeek R2 Concept Stocks）的盤點圖。一個字，絕！中文翻譯版在這裡。此外，無獨有偶，Hugging Face（抱抱臉）CEO Clément Delangue 也在幾小時前發佈了一條耐人尋味的“謎語”帖。帖子內容僅有三個 👀 小表情，以及 DeepSeek 在 Hugging Face 的倉庫連結（按照慣例，DeepSeek 的開源模型會第一時間發佈在 Hugging Face 倉庫）。該說不說，留給 DeepSeek 的時間不多了。距離轟動全球的 DeepSeek-R1 模型發佈已經過去了 3 個月。在這期間，有太多比 R1 強的新模型湧現：北美“御三家”有近期剛發佈的 o3 + o4-mini、曾一度霸榜且免費的 Gemini 2.5 Pro、程式碼之王 Claude 3.7 Sonnet，以及背靠大金主馬斯克的 Grok 3。大模型排行榜的前幾位已經看不到 DeepSeek 的身影。結語坦白說，這條坊間的傳言有幾分真幾分假，沒人知道。但即使只有一半的資料是真的，也足以引起轟動了。這個五一假期，AI 圈註定不平靜。 (AI資訊Gap)