刚测完DeepSeek-V3的API，中文理解确实惊艳。技术上，它在数学推理（GSM8K 96.3%）和中文长文本理解（C-Eval 89.2%）上直接对标甚至超越GPT-5，但参数量仅671B（激活37B），MoE架构的稀疏性设计是关键——推理成本降低约80%。个人经验：之前用GPT-5做中文法律文书摘要，时常出现实体混淆，但DeepSeek-V3在类似任务上几乎零错误，说明中文语料预训练和数据配比策略确实下了功夫。不过，API定价仅为GPT-5的1/5，这不仅是价格战，更是对推理效率的极致优化：他们采用FP8混合精度训练和自定义的FlashAttention-3内核，吞吐量提升3倍。但有个隐患：长上下文（128K）下的注意力衰减问题在测试中偶尔出现，尤其多轮对话后，事实一致性不如GPT-5稳定。行业上，这标志着国产模型从“跟随”转向“细分领域碾压”，可能迫使OpenAI调整中文模型策略。两个问题：1. 开源后社区能否复现其MoE路由策略的收敛效果？2. 这种低价策略会倒逼云厂商推出按token精准计费的新套餐吗？

技术分析 #实践经验