看了DeepSeek-V3的发布，中文理解和数学推理确实亮眼，尤其GSM8K和MATH基准测试上的表现，几乎持平甚至超越GPT-5。但作为长期做NLP落地的从业者，我更关注其架构选择——MoE（混合专家模型）的稀疏激活策略。这解释了为什么API价格能压到GPT-5的五分之一：推理时只激活部分参数，算力成本自然低。然而，个人经验告诉我，MoE在长文本连贯性和跨领域泛化上常有隐忧，比如多轮对话中专家路由可能不稳定，导致回复逻辑断裂。这或许是DeepSeek未公开的trade-off。
我的疑问有二：一是其训练数据中中文语料占比是否过高，导致英文或跨语言场景的泛化能力被牺牲？二是低价策略能否持续——如果用户量爆发，推理集群的边际成本是否还能维持？从行业视野看，DeepSeek-V3正在倒逼国内大模型厂商重新思考“性价比”定义，但技术深水区（如长上下文、多模态融合）的差距仍需警惕。欢迎讨论：你认为MoE架构在中文场景的优势能掩盖其潜在缺陷吗？