百家号:国产黑料吃瓜免费-黑料不打烊51吃瓜网-DeepSeek亮出降价“底牌”，545%的利润率意味着什么？|界面新闻 · 科技

界面新闻记者 | 李彪

界面新闻编辑 | 文姝琪

持续五天的“DeepSeek开源周
”刚结束，DeepSeek团队就在国内知乎平台注册官方账户 ，并在3月1日当天发布了第一条动态
。这篇最新的帖子首次对外公布模了型的优化技术细节、成本利润率等关键信息。

这篇帖子最吸引眼球的一个结论是
，按DeepSeek测算，假定GPU租赁成本为2美元/小时 ，总成本为8.7万美元/天 。如果统计包括网页 、App和API在内的所有负载
，将所有模型tokens全部按照DeepSeek-R1的定价（DeepSeek R1 的定价：$0.14 / 百万输入 tokens (缓存命中)，$0.55 / 百万输入 tokens (缓存未命中) ，$2.19 / 百万输出 tokens）计算
，理论上一天的总收入为5.62万美元，算下来成本利润率为545%
。

高达545%的利润率意味着什么 ，又会给行业带来了怎样的影响？界面新闻采访了复旦大学计算机科学技术学院教授张奇
，他的研究方向为自然语言处理
、信息检索 、数据密集型计算。

在自然语言处理中，Token是语言文本被分割后的基本单位 ，每个用户向AI提问并获取回答，问题及答案的文本长度对应数量不等的Token 。AI处理每个Token都需要消耗算力
。此外
，还存在命中缓存与否的情况，命中缓存指用户向AI提问涉及的相关数据已存在于缓存之中 ，模型可直接调用
，无需重新计算或从数据库检索，节省了算力 、时间及存储资源 ，成本更低
，若没能命中，则需要消耗更多算力等资源 ，成本更高。

目前
，按Token计价收费是AI公司的主要商业模式 。命中缓存相对价格较低，未命中则收费更高
。

张奇告诉记者，对行业来说 ，DeepSeek在最新的文章中提到的56.3%缓存命中率（原文称，在 24 小时统计时段内
，DeepSeek V3 和 R1都能实现输入 token 总数为 608B，其中 342B tokens（56.3%）命中 KVCache 硬盘缓存）是一项具有重要意义数据。

“虽然各家没有公布过相关数据 ，但超过一半的命中率在业内应该已是很高的水平 。
”张奇认为
，像在DeepSeek所开发的6710亿参数超大模型上，几亿用户提问时所写的文本多多少少存在差异 ，在这种前提下能够实现高中率
，说明团队在模型整体优化上做了很多工作
。

据DeepSeek团队介绍，V3
、R1推理系统的优化目标就是追求“更大的吞吐 ，更低的延迟。”

基于DeepSeek采取的混合专家模型核心架构（MOE）
，超大模型由众多规模较小的专家模型组成，并承担不同的分工 。通俗用人类世界的团队合作来解释其中所需要的调度工作 ，如果一个团队要将各个领域的专家集合到一起来攻克某项任务
，就需要事先把整体任务拆分成多个流程环节的任务，再按照分配给不同领域的专家 ，让他们每个人都发挥专业技能解决问题，最后汇总结论。

DeepSeek在文中写道
，由于DeepSeek-V3 / R1的专家数量众多，并且按照最初的设计规则 ，每层256个专家在实际运行中仅激活其中8个
。要实现团队的“大吞吐
，低延迟 ”的优化目标，就需要做到短时间处理大量任务时“高效调用
”每个专家 ，也就是DeepSeek在文中提到的“大规模跨节点专家并行（Expert Parallelism / EP）”。

“这是一项难度极大的平衡工作
，如果模型优化分配上做不好，就会使得一个6000多亿参数的超大模型 ，每次可能只有8个或几个专家在实际运行
，而且如果某一个没有运行完，剩下的所有专家可能在等待 。等待则通常又意味着计算资源的浪费
。 ”张奇认为 ，在DeepSeek开源前
，混合专家模型的平衡设计对许多AI模型大厂都是尚未攻克的难题。

此外，据DeepSeek介绍 ，另外，由于白天用户访问量大、服务负荷高
，晚上的服务负荷低，团队实现了一套机制 ，在白天负荷高的时候
，利用所有模型节点部署推理服务 。晚上负荷低的时候，减少推理节点 ，以用来做研究和训练
。

根据DeepSeek统计 ，按照这套“白天推理——晚上训练 ”的方案规划
，在最近的24小时内，将DeepSeek V3和R1推理服务占用节点加到一起 ，任务繁忙的高峰期最多占用278个节点
，平均占用226.75个节点（每个节点为8个英伟达H800 GPU）。

张奇认为，考虑到DeepSeek还有新模型项目及其他工作需要GPU ，上述1800-2000张H800GPU（平均占用节点数乘以8个GPU），大概率已经用上了DeepSeek现阶段为DeepSeek V3与R1模型所能调用的“全部算力资源
” 。

此前按照行业观点
，DeepSeek的创新突破在于，在有限资源的环境下 ，将效率提升到了极致
，从而实现了模型的低成本开发
。在上述一系列优化效率的基础之上，才有了545%的成本利润率。

但DeepSeek也强调，545%只是一个理论值 ，实际运行时没“有这么多收入” 。因为 V3 的定价更低
，同时收费服务只占一部分，另外夜间还另有折扣
。

此前 ，DeepSeek在同类模型厂商中就以“AI拼多多
”的低价标签备受关注。

去年推出V2模型时
，DeepSeek就曾在4月首次将API调用价格降至输入1元/百万tokens 、输出2元/百万tokens，引发了豆包
、Kimi、文心一言等厂商的跟进 ，带动了第一波模型价格战 。最新的V3模型服务定价仅为OpenAI同类模型4o的1/15，R1模型的价格也远低于同行。

此次公布出的高利润率也让外界看清了DeepSeek降价的“底牌”
。

在此之前
，业内一度热议“DeepSeek模型API定价过低是否会带来巨大亏损 ”，DeepSeek前研究员罗福莉去年5月在个人知乎上否认了这一点。据她透露 ，目前以DeepSeek现在的定价
，大规模服提供服务，不亏本 ，利润率超50% 。DeepSeek创始人梁文峰也在接受36氪媒体专访时提到
，公司的定价策略是“原则上不亏本销售，也不追求过高利润
。目前的定价仅在成本之上保留了一定的利润空间。
”

目前 ，业内宣布接入部署“满血版”DeepSeek R1模型的厂商大多以单机（8张GPU的服务器） 、双机这一类小规模设备为主 。据记者了解
，“四机目前是业内考验公司技术能力的一道分水岭 ”
。而随着服务器台数越多，规模化部署调度和优化难度越大 ，DeepSeek团队所实现的300多台服务器部署工程对团队技术能力要求更是急剧上升。

眼下
，虽然545%的成本利润率是DeepSeek基于大规模部署测算的一个理论值，实际的利润水平官方并未公布 ，但依然让行业开始看到了“赚钱的希望
” 。

张奇认为，DeepSeek在公布利润率的同时也将模型优化方法开源
，行业会更加积极学习这套优化方法部署DeepSeek
。虽然对绝大多数公司来说，“知道”和“做到 ”是两件事 ，将同样优化方法落到实际会遇到各种新问题
，但整个行业会在这方面进行更多尝试。

（界面新闻记者伍洋宇对此文亦有贡献）