DeepSeek V4降价90%：一场算力成本的清场战

上周五DeepSeek V4发布48小时内，官方甩出两连击：Pro版本API限时2.5折，输入缓存命中价格永久降至原价十分之一。当行业集体涨价时，这家公司的定价策略像一道错题——答案对了，但解题过程让人看不懂。

价格屠夫的时间差

3月以来，OpenAI、Anthropic、智谱、阿里、腾讯的AI产品与"降价"绝缘。模型参数膨胀，API价格水涨船高，跑分竞赛与账单压力同步攀升。行业形成默契：更好的智能等于更高的价格。

DeepSeek V4 Pro的价格逼近国内AI产品下限，Flash版本比旧模型更便宜。输入缓存命中价格0.025元，在智能体时代称"接近免费"并不夸张。关键细节：缓存降价是永久的，非限时活动。

质疑随之而来：是否文字游戏？必须缓存命中才能享受低价，实际命中率几何？实测结果否定了猜疑——不是噱头，是真的便宜。

当同行还在为几块钱定价调整权衡时，DeepSeek把价格表的小数点左移一位。开发者视之为慈善，竞争对手视之为价格战，两者都未触及本质。

这是清场。一场早已分出胜负的成本斩杀。

十分之一的源头：记忆重构

DeepSeek敢于激进调价的底气，藏在58页技术报告中。它不需要烧钱换市场，而是用重构的底层架构，把大模型推理成本推向新数量级。

一个数字跳出来：百万token上下文场景下，V4的KV Cache占用仅为前代V3.2的10%。定价十分之一的源头，就在这里。

今天的AI对话远比几年前复杂。几十页文档作为参考资料已成常态，模型必须记住这些内容才能正确回答——这种记忆就是KV Cache。问题在于，长篇大论的记忆既复杂又臃肿。百万字书籍对人轻薄，对模型却需十几张昂贵显卡的显存。长上下文窗口的成本，长期居高不下。

有人接受现实，DeepSeek选择掀翻传统记忆方式。

第一种新方法叫压缩稀疏注意力。传统机制中，一个token对应一组KV向量。新做法通过可学习的线性投影和Softmax函数计算压缩权重，将连续多个token的KV状态在序列维度上融合成单一条目。

直觉理解：以前模型逐字逐句记忆，现在学会段落总结，每几十个词的核心意义浓缩成一句话。V4 Pro压缩率设为4，仅此一步，缓存体积在序列长度上缩减75%。

第二种方法更激进：重度压缩注意力。它把远大于常规压缩窗口的token记忆压进一个条目，不做稀疏检索，而是全局密集注意力计算。代价是计算开销增加，回报是压缩率惊人。V4 Pro中这一层压缩率为128——段落总结升级篇章提炼，整页内容浓缩成几个关键词。

激进压缩必付代价：局部细粒度信息和严格因果关系会被暴力压缩破坏。DeepSeek的解法是在注意力机制中增加独立分支——窗口大小128的滑动窗口。最近128个token不被压缩，保证模型对近期上下文的精确感知。

缓存管理上，异构KV Cache架构将未压缩token作为独立状态管理，让高压缩比下的回答质量得以维持。

还有一步：混合精度存储与磁盘复用。KV Cache的特征维度中，仅用于旋转位置编码的最后64维保留BF16精度，其余全部量化为FP8格式。物理存储再砍一半。

层层削减后，缓存体积压缩90%以上。V4可将高度压缩的KV条目直接放入廉价固态硬盘。用户发起长文本请求时，系统从硬盘直接拉取已压缩缓存，跳过昂贵的GPU预填充计算，同时极大节省HBM显存。

这是记忆的工业化。过去记忆是手工作坊，每个细节原样保存；现在记忆变成流水线，有标准化工序、压缩算法、分级存储。冗余被剔除，本质被保留。

27%的算力：动态稀疏的截断艺术

除显存占用外，推理计算时的浮点运算次数是衡量算力消耗的核心标准。1M长上下文下，V4 Pro的单token推理FLOPs仅为前代V3.2的27%。

下降的核心是动态稀疏选择机制。即使有了压缩缓存，查询向量与前面数万个压缩后的KV向量计算注意力分数，计算量依然庞大。DeepSeek的做法：对于当前查询向量，模型通过下采样和上采样矩阵将其映射到低维隐空间，生成用于检索的索引Query向量。该索引向量与历史缓存的压缩块计算粗略得分，每次生成token时仅检索得分最高的1024个压缩KV条目，再进行后续核心注意力计算。

传统注意力机制中，解码计算复杂度随上下文长度线性增长。压缩稀疏注意力将复杂度强制截断为常数级运算。上下文长度达一百万时，常数级计算量几乎可忽略——这是27%的结构性来源。

与此同步的是精度的系统性妥协。V4不仅将混合专家架构的专家权重量化为FP4精度，还首次将FP4深入注意力计算核心。Query和Key向量的激活值缓存、加载、矩阵乘法，全部在FP4精度下运行。量化感知训练期间，索引得分也从FP32降至BF16。

硬件层面，FP4精度的吞吐量是FP8的两倍。这种极低精度计算让长上下文注意力计算速度加倍，同时维持99.7%的KV检索召回率。

99.7%值得品味：算力下降，精度几乎无损失。过去人们本能认为更便宜等于更差，DeepSeek用数据证明该等式不总成立。工程世界里，冗余和裕度并不天然等于更好结果。

基础设施的"抠门"哲学

自顶向下看完算法优化，再往下一层是DeepSeek的看家本领：对底层基础设施的彻底压榨。这种优化已到"抠门"地步，却构成集群吞吐量提升和降价护城河的真实来源。

V4 Pro参数量达1.6万亿，国内仅次于Kimi系列。但参数膨胀带来问题：混合专家架构中，专家并行的跨节点通信成为瓶颈。DeepSeek团队用自研TileLang语言编写底层融合算子，将MoE层计算按波次划分。一波专家通信一旦完成，GPU立刻开始计算，网络层同时并行传输下一波专家的token。这种流水线式重叠调度，将推理阶段常规工作负载加速1.50至1.73倍，硬件利用率逼近极限。均摊到每个请求的算力折旧成本，被进一步压低。

还有针对智能体场景的独特优化。AI模型执行复杂任务时，往往需先运行额外小模型进行意图识别或工具调用判断。V4的解法更巧妙：在输入序列后附加专用特殊token进行标记。由于模型原生支持多级思考和长短期记忆管理，可直接复用主模型的KV Cache并行执行这些辅助任务。额外模型的维护成本和重复预填充的计算开销，被一并消除。

这一步的意义不是省了几台服务器，而是指向一种哲学层面的分工重构。

清场之后，谁还能留在牌桌

DeepSeek的降价不是商业策略的临时调整，而是一套技术-成本结构的完整兑现。当竞争对手的定价还建立在传统KV Cache的显存占用和线性增长的计算复杂度上时，它已经用压缩稀疏注意力、重度压缩注意力、动态稀疏选择、FP4精度计算、流水线重叠调度，把成本结构重置到另一个维度。

这种重置的可怕之处在于：它不是单点突破，而是全链路的系统性重构。从算法架构到硬件利用率，从存储介质到精度选择，每个环节都在回答同一个问题——在达到同等智能水平的前提下，成本还能压到多低？

技术报告中的数字已经给出阶段性答案：缓存体积90%↓，单token推理FLOPs 73%↓，工作负载加速50%-73%。这些数字翻译成市场语言，就是价格表上那个左移一位的小数点。

对于开发者，这是红利期。对于同行，这是压力测试——你的成本结构能否支撑同等定价？你的技术栈能否实现同等压缩效率？如果答案是否定的，涨价潮里的利润空间将被持续挤压，直到某个临界点。

那个临界点是什么？是当DeepSeek的"接近免费"成为行业基准线时，依赖传统架构的模型服务商，是否还能维持正向现金流？