刚读完DeepSeek-V3的技术报告，最让我兴奋的不是它那“五分之一GPT-5”的API价格，而是它在中文数学推理上的MoE架构优化。据实测数据，MATH基准测试中DeepSeek-V3达到了91.2%的准确率，这已经接近GPT-5的92.5%，但成本却降了80%。个人经验是，之前用GPT-5跑中文逻辑题时经常出现“语义漂移”，而DeepSeek-V3在中文长文本推理上的稀疏激活策略明显更“懂”中文的隐含逻辑。

但有个技术细节想请教：报告提到DeepSeek-V3使用了“动态专家路由”机制，但未公开“专家”数量与激活比例。如果为了推理效率而过度压缩专家数，会不会在复杂中文任务（如法律文书理解）上出现“知识碎片化”？另外，这种低价策略能否持续？毕竟训练一个671B参数模型（虽然MoE只激活37B）的算力成本并不低，深度求索是否有“先烧钱换市场”的嫌疑？

从行业看，DeepSeek-V3的定价会迫使其他厂商重新思考“API定价锚点”——当中文模型在性价比上碾压国际巨头时，国内应用开发者可能加速从GPT迁移。但问题在于，模型评测的“中文优势”在真实业务场景（如客服对话、专业文档生成）中能复现多少？期待有大佬分享实测对比。