别再迷信“参数越大越聪明“
别再迷信"参数越大越聪明"
同一个 DeepSeek 模型，只重做了一遍"后天教育"，Agent 能力暴涨 6 倍，价格只剩闭源巨头的 1/90。
7 月 31 日晚上，DeepSeek 悄悄把 V4-Flash 的正式版 API 端了上来。
没有新模型发布，没有新架构论文，甚至连新闻稿都短得可怜。官方只说了两句话：模型结构和尺寸跟预览版完全一致，只重新做了一遍后训练。
结果 benchmark 一出来，圈子里炸锅了。
用来测 AI Agent 真实长周期编程能力的 DeepSWE，V4-Flash 从预览版的 7.3 分直接飙到 54.4 分。这不是小进步，是六倍多的跳涨。Terminal Bench 2.1 干到 82.7，逼近 Claude Opus 4.8 的 85.0；在 Artificial Analysis 的智能指数榜上拿了 50 分，而同类可比模型的中位数只有 17。
更扎眼的是价格：输入 0.14 美元、输出 0.28 美元每百万 token，缓存命中时只要 0.02 元每百万 token。Claude Opus 5 的定价是 5/25 美元，GPT-5.6 Sol 是 5/30 美元。粗算下来，DeepSeek 的价格大约是人家的 1/90。
同一个模型骨架，没换脑子，只换了个"补习班"，成绩从二本冲到清北。
“后训练"听起来很技术，你可以把它理解成"毕业后的在职培训”：模型先在预训练里读完互联网上的海量书本和代码，相当于念完大学；后训练再教它怎么打电话、怎么查资料、怎么写报告、怎么跟客户沟通。大学文凭只能证明你学过，能不能干活，靠的是后面这套训练。
这不是神话，这是信号。
01 数据先说话：后训练到底能带来什么
我先把关键数字摊开来。
DeepSeek-V4-Flash-0731 的参数没动：总参数量 2840 亿，激活参数 130 亿，MoE 架构，100 万 token 上下文，支持思考/非思考双模式。真正变了的是"后天"——后训练策略。
效果有多夸张？
DeepSWE 从 7.3 涨到 54.4，涨了 6 倍多。DeepSWE 是专门用来测 Agent 在真实、长周期、多步骤编程任务里自主解决能力的基准。这个分数一跳，说明模型不再只是"会写代码"，而是开始"能自己规划、自己找 bug、自己跑通一个项目"。
Terminal Bench 2.1 从 72.1 涨到 82.7，超过 GLM-5.2 的 81.0，逼近 Opus 4.8。这个测试看的是 Agent 在 Linux 终端里自主规划、执行多步命令、犯错后恢复的能力。说白了，就是"你给它一个服务器账号，它能不能自己把活干完"。
其他几项也不差：DSBench-FullStack 68.7，Cybergym 76.7，Toolathlon verified 70.3。AI 评测机构 Artificial Analysis 给它的综合智能指数打了 50 分，GPT-5.6 Luna 是 51 分，仅差 1 分。在 Arena.ai 的前端代码竞技场里，V4-Flash-High 以 1586 分登榜，比预览版高出 154 分。
还有一个容易被忽略的细节：它支持 100 万 token 的上下文窗口。Agent 干活时要读大量文档、代码库和历史记录，上下文越长，它越能"记住"整个项目，而不是每次都得重新补课。
这里最反直觉的是：GPT-5.6 Luna 是 OpenAI 花了大价钱、大算力训练出来的旗舰；而 DeepSeek 用同一副骨架，靠后训练就追到了身后一步。
价格更是让人坐不住。V4-Flash 输入 0.14 美元/百万 token，输出 0.28 美元/百万 token。对比 Claude Opus 5 的 5/25 美元，DeepSeek 不到它的 1/90。即便 OpenAI 在 7 月 30 日把 Luna 的价格猛砍 80%，DeepSeek 的单任务成本仍然比它低约 60%。
而且 DeepSeek 的缓存命中折扣高达 98%，业内普遍只有 90%。你反复调用同一段上下文时，它几乎不收钱。
这不是简单的"便宜"，是把"单位有用结果"的价格打下来了。
02 预训练是基因，后训练是教育
很多人对大模型的理解还停留在"参数越多越聪明"。
这个逻辑以前没问题。GPT-3 到 GPT-4，参数翻几十倍，能力确实跨了一个台阶。那段时间，所有人都在堆数据、堆算力、堆参数。万亿参数成了口头禅，仿佛谁的模型大，谁就赢。
但今年以来，这条路的边际收益在明显递减。
从 GPT-3 到 GPT-4，算力涨了几十倍，能力提升也肉眼可见。但再往后，每多烧一亿美元训练出来的改进，正在变得越来越小。行业内部早就在传：继续堆参数、堆数据，训练成本指数级上升，但考试分数的提升可能只有几个点。这不是说预训练没价值，而是说它的"性价比"在下滑。
预训练本质上是在给模型"喂知识"：海量互联网文本、代码、论文，让它学会语言规律和事实关联。你可以把它理解成"基因"——决定了这个模型的智商上限、知识储备、语言天赋。
但基因好不等于会干活。
一个智商 140 的孩子，没经过训练，也未必能写出好文章、解出竞赛题、谈下客户。真正把知识变成手艺的，是教育：怎么思考、怎么调用工具、怎么纠错、怎么在复杂任务里不跑偏。
后训练就是这个"教育"阶段。
它包括监督微调（SFT）、强化学习（RLHF）、工具调用训练、多轮任务规划训练，以及针对 Agent 工作流的专项优化。简单说，预训练让模型"知道"，后训练让模型"做到"。
最近半年还有一个明显趋势：推理阶段的计算越来越重要。OpenAI 的 o 系列、DeepSeek 的思考模式，都是让模型在回答前多"想一会儿"。这个"想一会儿"不是预训练能解决的，它靠的就是后训练里教的推理策略。换句话说，以前大家比谁读书多，现在比谁更会思考。
过去两年，行业把 90% 的注意力放在预训练上。现在风向变了。DeepSeek 这次用行动证明：同一副骨架，只要把后训练做深做细，Agent 能力可以提升六倍以上，而且成本可以压到原来的零头。
这就像两个同样聪明的孩子，一个上了普通公立，一个进了顶级竞赛班。三年后，差距不是智商差距，是训练方法差距。
更深层地看，后训练崛起有一个产业背景：模型基座正在快速"基础设施化"。开源模型、蒸馏模型、MoE 架构已经把"好基因"的成本拉得很低。DeepSeek、Qwen、GLM、Kimi 的基座能力越来越接近，差距从代际缩短到个位数。
当大家基因差不多的时候，比的就是谁更会"教育"模型。
03 OpenAI 被迫降价 80%，价格战进入下半场
DeepSeek V4-Flash 上线的前一晚，OpenAI 做了一件罕见的事：把 GPT-5.6 Luna 的价格下调 80%。
这不是慈善。这是被价格战逼的。
今年以来，AI 圈的叙事已经从"谁能训练出更大的模型"转向"谁能用更低的成本交付有用的结果"。DeepSeek 擅长把后者做到极致。它用兼容 OpenAI Responses API 的策略，让开发者几乎可以零成本地把原本为 OpenAI 设计的 Agent 工作流迁移过来。切换成本几乎为零，价格却只有几分之一。
对开发者来说，这相当于同一条路，突然之间过路费从 90 块降到 1 块。
OpenAI 的应对是"降价清场"——把 Luna 降到原来的两折，试图用价格守住生态。但 DeepSeek 的缓存折扣和 API 兼容策略让它仍有成本优势。这不是单次降价能解决的。
为什么这次价格战这么狠？
因为 Agent 时代的商业模式变了。以前大模型主要卖"聊天"：你问一句，它答一句，按 token 计费。现在 Agent 要调用搜索、读文档、跑代码、查数据库、发邮件，一个任务可能要几十轮推理和工具调用。token 消耗量是以前的十倍甚至百倍。
如果推理成本不降，Agent 就是玩具。只有把"完成一件事"的成本压下来，Agent 才能进企业、进工作流、进真实业务。
价格下降已经在改变产品形态。网易有道在 V4-Flash 上线当天就宣布全线产品完成接入，覆盖词典、翻译、同传、AI 答疑笔和办公助手 LobsterAI。对这类高频调用场景来说，token 成本每降一个数量级，产品里能放的功能就多一个数量级。
对个人开发者和"一人公司"来说，这更是一剂强心针。以前搭一个 AI 工具，最大的不确定因素就是算力账单；现在你可以用几毛钱的成本跑一个多步骤 Agent，做出能收费的产品。创业者的试错成本被压到前所未有的低。
所以这场价格战真正的战场不是"每百万 token 多少钱"，而是"完成一个真实任务要花多少钱"。DeepSeek 的杀手锏不是绝对低价，而是把"单位有用结果"的成本打穿了地板。
对企业老板来说，这意味着什么？
以前你可能听说 AI 客服能省 40% 成本，但一算 API 账单发现省的钱还不够付 token 费。现在这个价格，很多场景的 ROI 是真的能算过来了。市场调研、合同审查、代码重构、数据清洗、多语言客服——这些原来要人干几天的活，Agent 可能几个小时就干完，成本还低一个数量级。
04 白菜价不是万能药
话说到这，我得泼点冷水。
便宜不等于好用，更不等于适合你。
DeepSeek V4-Flash 的架构没变，说明它的能力上限仍然受基座约束。后训练可以让它"更会干活"，但不能让它"知道它本来不知道的事"。如果你的任务需要极强的专业知识、超长上下文推理、或者对错误率零容忍，基座更大的模型可能还是更稳。
另外，后训练的质量高度依赖训练数据和方法。一个模型可能被训练得很会考试，但一到真实场景就"照本宣科"、过度拟合 benchmark。你看到的分数很漂亮，实际用起来可能要多试几轮、多纠正几次。这些隐形成本，不会写在价格表上。
更微妙的是"评估漂移"。当某个 benchmark 成为行业通用标准，厂商就会针对它做专项优化，分数涨得快，真实能力不一定同步涨。这就像学生专门刷高考真题，模拟考分数上去了，进了大学未必能适应。所以看 benchmark 要看它测的是不是真实工作，而不是看谁的数字更大。
还有一个容易被忽略的点：API 兼容是把双刃剑。
DeepSeek 原生支持 OpenAI Responses API，开发者可以无缝迁移。这大大降低了试用成本，但也意味着你的工作流可能越来越依赖某个 API 格式。今天从 OpenAI 切到 DeepSeek 很容易，明天如果从 DeepSeek 切出去，也未必难。关键是别让自己的业务被一家公司的接口标准绑架。
所以我给企业选型提一个简单标准：别看"每百万 token 多少钱"，看"完成一件事的总成本"。
总成本包括：模型调用费、重试费、人工审核时间、错误带来的返工、以及迁移和锁定的风险。有些模型 token 便宜但错误率高，算下来反而更贵。有些模型 token 贵但一次过，综合成本更低。
便宜是结果，不是目的。目的是用更低的成本拿到更靠谱的结果。
05 三类人，三句话
这场"后训练+价格战"的变局，对不同人意味着不同的事。
如果你是普通用户或小企业主：别追参数，追"同样钱能干多少活"。你可以开始认真试试 AI Agent 工作流了。以前可能因为贵而舍不得跑的多步骤任务，现在成本可能已经降到可以接受了。
如果你是开发者或技术负责人：拿 DeepSeek 这类兼容 API 做迁移实验，成本极低。但别让一家公司定义你的工作流抽象层。多封装一层自己的任务调度、重试、日志和评估体系，这样将来换模型不会伤筋动骨。
如果你是行业观察者或政策制定者：后训练的数据来源、价值对齐、安全护栏，会比预训练更快地浮出水面。当模型越来越便宜、越来越会自主调用工具，监管的重点也该从"模型有多大"转向"模型在真实场景里会做什么、做错了谁负责"。
过去两年，AI 行业像是在打一场"基因军备赛"：谁的参数多，谁的数据多，谁的算力堆得高，谁就领先。
DeepSeek V4-Flash 这件事告诉我们：基因竞赛的天花板已经若隐若现，后天教育的红利才刚刚开始。
同一个模型，换种教法，成绩可以从二本冲到清北。价格还能砍到原来的 1/90。
这不是某个公司的胜利，这是一个时代的切换。
拼参数的时代，正在过去。拼后训练、拼工程化、拼单位结果成本的时代，来了。
对普通人来说，最朴素的判断标准也变了：别再问"这个模型有多大"，要问"它帮我干完这件事，要花多少钱、要返工几次"。
答案越便宜、越稳定，AI 就越快变成你的员工，而不是你的玩具。