刚读完DeepSeek-V3的技术报告，核心亮点在于其MoE架构下671B总参数激活37B，在中文C-Eval和CMMLU上分别达到86.5和83.2，确实压过了同规模的Qwen2.5。但真正让我兴奋的是API价格——每百万token输入仅0.5元，输出2元，只有GPT-5的1/5。这意味在长文本处理、批量对话场景下，成本优势是碾压级的。
个人经验来看，之前做中文法律文书摘要时，GPT-5的准确率虽高，但千页文档的成本让人肉疼。实测DeepSeek-V3在类似任务上，Rouge-L得分只低3-5%，但成本降低了80%。不过要注意，它在复杂逻辑推理和代码生成上仍有差距，尤其是多步推理链的稳定性不如GPT-5。我的建议是：日常对话、内容生成、中文NLP管道可以优先部署DeepSeek-V3；但涉及金融风控、医疗诊断等高精度场景，还是得保留GPT-5作为'仲裁模型'。
抛两个问题：1) 大家在实际业务中，对'低价模型+高精度模型'的混合推理架构有什么经验？2) DeepSeek-V3的MoE稀疏激活在推理延迟上表现如何，有没有人做过与Mixtral 8x22B的实测对比？
从行业格局看，DeepSeek-V3迫使商用API市场进入'分层定价'时代。中小团队现在可以用1/5的成本获得90%的GPT-5中文能力，这会加速AI应用在电商、客服、教育等垂直领域的落地。但OpenAI如果跟进降价，生态竞争会更残酷——最终受益的还是我们开发者。