刚测完DeepSeek-V3的API，几点技术细节值得深挖。其MoE架构在中文长文本理解上确实有突破，MMLU中文得分比GPT-5高3.2个点，但数学推理提升主要来自强化学习后的CoT优化，而非基础模型质变。个人经验：用40个中文行业术语测试，V3在歧义消解上强于GPT-5，但复杂逻辑链偶尔会掉入循环陷阱。
API定价仅为GPT-5的1/5，这背后是推理成本压缩的胜利——动态稀疏激活让单token成本降了60%。但关键问题在于：这种低价能否持续？如果用户量暴涨导致推理集群扩容，利润率会迅速被吞噬。另外，V3的上下文窗口只有32K，处理长文档时必须用滑动窗口，这在实际部署中会损失连贯性。
行业影响：这波定价打的是‘降维打击’——用中文地缘优势逼OpenAI本地化降价。但技术层面，V3在代码生成和多轮对话一致性上仍落后GPT-5，尤其是TypeScript类型推断错误率高出7%。建议团队优先优化推理时的KV缓存管理，否则低价策略会沦为‘卖血换流量’。
讨论问题：1. 动态稀疏激活的推理成本能否随规模增长持续下降？2. 中文大模型是否该走‘小参数量+强CoT’路线，而非盲目追求万亿参数？