📑 📌我们近期邀请一位行业专家，探讨未上市主体 DeepSeek 的模型路线图、竞争定位以及持续演变的中国大语言模型行业格局。 📌 📌根据该专家表述，DeepS
- 序号：284
- 星球链接：打开网页
- 附件：图片 0，音频 0，文档 0
- 音频文件：无音频
图片
无图片
正文
📑
📌我们近期邀请一位行业专家，探讨未上市主体 DeepSeek 的模型路线图、竞争定位以及持续演变的中国大语言模型行业格局。
📌 📌根据该专家表述，DeepSeek 采取双轨策略，一方面用更大的旗舰模型去拓展智能能力的边界，另一方面依靠具备成本优势的 Flash 模型，依托出色的性价比扩大自身覆盖范围。 📌值得重视的是，该专家认为，除架构创新以外，DeepSeek 的竞争优势来源于其在模型基础设施与部署优化方面深厚的专业积累，这一点支撑了它具备竞争力的 API 定价。 📌它推出峰谷分时定价机制，目的在于提升算力利用率，同时平衡价格竞争力与盈利水平。 📌在基础设施层面，该专家判断，国产 AI 加速芯片在推理场景的落地速度，会快于大规模预训练场景；互连效率、软件兼容性以及集群稳定性，仍是国产 AI 芯片与集群面临的核心挑战。 📌展望未来，中国大语言模型服务商之间的竞争，将不再仅仅局限于模型智能水平， 📌该专家认为这一趋势会尤其利好三家主体：依托推理端经济性优势的 DeepSeek；拥有出色架构创新与复杂推理能力的月之暗面（Moonshot AI，未上市）；具备广泛分发渠道以及完整应用生态的字节跳动（未上市）。 💡DeepSeek 计划推出具备高性价比的模型。 💡根据专家介绍，DeepSeek 当前的 API 调用量与收入主要由 V4.1 Flash、V4 Pro 两款模型驱动，其中 V4.1 Flash 贡献了 API 收入的大头。 💡Flash 模型针对成本效率完成优化，在代码编写、软件工程以及标准化程度较高的智能体任务上表现突出；而参数规模更大的 Pro 模型，则更适合处理复杂度更高、长周期的任务。 💡该专家预计，“先做大模型，再推出高效小模型” 的行业格局将会延续；大模型不断拓展智能能力上限，小模型借助后训练，能够以大幅降低的推理成本，复刻大模型的大部分能力。 💡根据专家表述，DeepSeek 正在开发下一代旗舰模型，其参数规模有望达到现有 V4 Pro 的 1.5‑2.0 倍，目标是进一步提升复杂推理以及长周期智能体任务的处理能力。 💡与此同时，专家表示 DeepSeek 还将通过更大规模的后训练以及强化学习持续迭代 Flash 系列小模型。 💡该专家还预计，基础大模型与智能体框架能力之间会实现更深的融合，以此提升现实场景任务的执行效果。 🔧该专家提出，预训练规模扩张已经不再是、也未必是形成差异化的唯一最重要来源。 🔧与之相反，行业越来越依靠架构创新、后训练以及工程层面优化，在控制服务成本的同时提升模型能力。 🔧在这位专家看来，一款纸面智能表现优异，但推理成本高到难以落地的模型，商业价值十分有限。 🔧因此 DeepSeek 的竞争策略核心，就是把成本领先优势和特定领域强劲性能结合在一起。 🔧这套策略能够帮助该公司吸引用户，扩大 API 调用规模，进一步巩固自身竞争地位。 🖥️国产算力在大规模应用预训练环节依旧面临诸多挑战。 🖥️这位专家的观点，和我们此前邀请的另一位大语言模型专家，关于国产加速芯片在大模型开发中的应用的看法保持一致：也就是国产 AI 加速芯片在大规模预训练领域依旧存在显著困难， 🖥️根据专家介绍，DeepSeek 目前把国产加速芯片主要用于适配测试以及小规模训练，大规模预训练工作仍然主要依靠英伟达的 GPU。 🖥️除单颗芯片层面的性能差距之外，在预训练阶段，国产 AI 计算集群还持续面临互连带宽、通信效率以及系统稳定性方面的难题。 🖥️除此之外，主流训练框架与计算内核已经围绕英伟达 CUDA 生态完成大量优化。 🖥️因此迁移至国产加速芯片，需要大规模改写代码、重新开发内核以及适配框架，带来额外工程工作量，拉长开发周期。 🖥️国内各家芯片厂商软件生态碎片化的问题，会进一步放大上述挑战；不同厂商架构与软件栈往往互不兼容，造成重复开发，拉高适配成本。 🖥️该专家还着重提到，把不同加速芯片架构混合搭建异构训练集群会带来额外复杂度，会加大通信与同步开销，提升故障风险，降低集群整体稳定性与训练效率。 📊国产 AI 芯片行业格局：该专家认为，华为（未上市）依托规模以及相对成熟的生态，依旧是国内领先的 AI 加速芯片平台。 📊除去华为以外，专家将寒武纪（688256.CH，无评级）、海光信息（688041.CH，无评级）划为第一梯队；寒武纪推理能力较强，企业端落地较多；海光信息拥有 CPU+DCU 架构，软件兼容性表现较好。 📊互联网公司自研芯片阵营当中，专家提到阿里巴巴（BABA US，买入评级）旗下平头哥（未上市）推理效率可以对标第一梯队厂商，不过芯片主要内部部署使用；百度（BIDU US，买入评级）旗下昆仑芯（未上市）被专家归为第二梯队。 🛡️DeepSeek 的护城河：工程能力与基础设施优化，和架构创新同等重要。 🛡️该专家坦言，国内大语言模型大部分关键架构创新目前都已经开源，理论上竞争对手都可以复刻。 🛡️但他同时提出，更难复制的优势来自基础设施优化、国产芯片适配，以及长期积累的部署落地经验。 🛡️这些能力需要投入大量工程资源，沉淀实际运营经验，仅仅依靠开源模型发布很难复制。 🛡️虽然 OpenAI、Anthropic 这类海外头部主体已经大幅下调轻量化模型的 API 定价，DeepSeek V4.1 Flash 针对缓存输入场景依旧维持极具吸引力的定价。 🛡️专家表示该优势来源于架构创新叠加推理基础设施优化。 🛡️尤其是 DeepSeek 基于 MLA 的缓存架构，可以高效复用已经计算完成的上下文，避免重复运算；最新的 KV 缓存优化方案，将高带宽内存需求降至前代的四分之一，固态硬盘存储需求降至前代的八分之一。 🛡️推理效率提升叠加国产芯片适配工作，这些创新共同降低重复上下文场景的服务成本，对于长上下文、智能体类负载效果尤为明显。 🛡️面对大模型行业愈演愈烈的价格竞争，DeepSeek 推出峰谷分时定价机制，非高峰时段提供 50% 折扣。 🛡️根据专家介绍，该做法一部分是反映基础设施成本波动，尤其该公司大量依赖第三方云计算资源。 🛡️除此之外，这套灵活定价策略，可以帮助 DeepSeek 对价格敏感的开发者、大流量智能体工作负载维持有吸引力的报价，同时最大化现有算力带来的营收，保障利润水平。 🏁该专家判断，中国大模型市场竞争格局会持续激烈；差异化竞争不再只看模型智能水平， 🏁独立大模型实验室当中，专家看好 DeepSeek 出众的成本效率，同时看好月之暗面（Kimi）的架构创新，它具备优秀长上下文与复杂推理能力。 🏁专家也认可国内大型互联网平台具备的结构性优势，字节跳动表现尤为突出，拥有庞大 C 端用户基础、成熟分发渠道以及完整产品生态。 🏁专家认为，这些优势能够推动模型更快落地使用，继而产生高价值的使用数据。
总体总结
主题正文
- 📌根据该专家表述，DeepSeek 采取双轨策略，一方面用更大的旗舰模型去拓展智能能力的边界，另一方面依靠具备成本优势的 Flash 模型，依托出色的性价比扩大自身覆盖范围。
- 💡根据专家介绍，DeepSeek 当前的 API 调用量与收入主要由 V4.1 Flash、V4 Pro 两款模型驱动，其中 V4.1 Flash 贡献了 API 收入的大头。
- 💡根据专家表述，DeepSeek 正在开发下一代旗舰模型，其参数规模有望达到现有 V4 Pro 的 1.5‑2.0 倍，目标是进一步提升复杂推理以及长周期智能体任务的处理能力。
- 🖥️这位专家的观点，和我们此前邀请的另一位大语言模型专家，关于国产加速芯片在大模型开发中的应用的看法保持一致：也就是国产 AI 加速芯片在大规模预训练领域依旧存在显著困难，
- 🖥️该专家还着重提到，把不同加速芯片架构混合搭建异构训练集群会带来额外复杂度，会加大通信与同步开销，提升故障风险，降低集群整体稳定性与训练效率。
- 🛡️虽然 OpenAI、Anthropic 这类海外头部主体已经大幅下调轻量化模型的 API 定价，DeepSeek V4.1 Flash 针对缓存输入场景依旧维持极具吸引力的定价。
- 🛡️面对大模型行业愈演愈烈的价格竞争，DeepSeek 推出峰谷分时定价机制，非高峰时段提供 50% 折扣。
- 🛡️除此之外，这套灵活定价策略，可以帮助 DeepSeek 对价格敏感的开发者、大流量智能体工作负载维持有吸引力的报价，同时最大化现有算力带来的营收，保障利润水平。