刚读完DeepSeek-V3的技术报告，最让我惊讶的不是它中文能力超越GPT-5，而是其MoE架构的稀疏激活效率——在保持671B总参数下，每个token仅激活37B参数，推理成本直接砍到GPT-5的1/5。这种'降维打击'式的定价策略，本质上是用工程优化换商业空间。
从个人测试经验看，DeepSeek-V3在中文长文本理解上确实更细腻，比如处理复杂古文和方言时明显优于GPT-5。但它在多轮对话的上下文一致性上仍有瑕疵，尤其在需要跨段落推理的数学题中，偶尔出现逻辑断裂。这可能是其训练数据对中文语境过度拟合所致。
这里抛两个问题：1) 当API价格足够低时，是否会导致开发者过度依赖单一模型，形成新的技术垄断？2) 中文大模型的'本土化优势'能持续多久，一旦GPT-5针对中文优化，差距是否会快速缩小？
行业影响上，DeepSeek-V3证明了'小成本大模型'的可行性，可能迫使OpenAI调整定价策略。长期看，这会加速大模型从'参数竞赛'转向'效率竞赛'——谁能用更少资源实现同等效果，谁就能在商业落地中胜出。