刚看了DeepSeek-V3的详细技术报告，它的MoE架构确实有亮点，特别是中文理解和数学推理的评测分数，在GSM8K和MATH上已经接近甚至超过GPT-5。但说实话，我关注的不是benchmark数字，而是它的训练成本控制——据说只用了GPT-5的十分之一资源。这背后是稀疏激活和动态路由的工程优化，值得深入研究。
个人经验上，低价API往往暗藏限制。我试过几个号称“五分之一价格”的模型，要么上下文窗口缩水，要么高频调用被限速。DeepSeek-V3如果能稳定提供128K上下文且无隐性降级，那才是真正搅局。不过，以训练成本看，这种定价可能靠补贴拉用户，长期能否维持存疑。
提两个问题：一是MoE架构下，中文长文本的逻辑一致性如何保证？二是开源社区能否复现其数学推理能力，还是依赖专有数据？
行业视野上，这波“低价高能”策略会倒逼GPT-5降价，但更深远的影响是让中小团队敢于尝试大模型应用。如果DeepSeek-V3能保持迭代，国产模型在垂直领域的性价比优势会进一步凸显。