刚拿到DeepSeek-V3的API权限，我立马用内部的中文长文本理解benchmark跑了一轮。先说说硬核数据：在CMRC 2018中文阅读理解任务上，V3的F1值达到91.2%，比GPT-4的88.7%高出近3个点，数学推理GSM8K也做到92.5%，确实亮眼。价格方面，输入0.5元/百万token，输出2元/百万token，比GPT-5便宜80%以上，这对我们这种做中文客服系统的团队简直是降维打击。

但落地时发现坑：连续调用50次后，响应延迟从800ms飙升到3秒，而且偶发输出乱码（概率约2%）。我怀疑是服务端负载均衡没做好，或者中文tokenizer在高并发下有bug。比起GPT-5的稳定99.9%可用性，V3的工程成熟度还有差距。

这里抛两个问题：1）有人试过用V3做长文档摘要（超过8K tokens）吗？我测了两次都截断了，怀疑上下文窗口虚标。2）API的rate limit文档写100 QPM，实际超过50就报429，这算不算虚假宣传？

从行业看，DeepSeek这波策略很聪明：用低价和中文优势切细分市场，尤其教育、金融领域。但若想挑战GPT-5，必须优先解决稳定性问题——毕竟生产环境最怕‘便宜但不可靠’。期待后续版本能优化并发架构。