DeepSeek“帕累托改进图”刷屏AI圈

21世纪经济报道记者 赵云帆

虽然DeepSeek过去并没有承认，但AI开发者社区一直把拥有极致性价比的DeepSeek模型，比作其余模型的“斩杀线”。

但最近，就连DeepSeek官方也开始呼应这种市场定位。

10月17日，DeepSeek V4.1-Flash-1017版本官宣更新。与过去发布聚焦技术与工程阐释的“学术风”不同，此次DeepSeek官方不仅骄傲地官宣新版本的模型完成了“帕累托改进”，其更是放出一张基准测试成本对比的散点图，暗示新版本的性价比在友商中“一骑绝尘”。

换句话说，这可能是DeepSeek官方最接近承认自己是AI大模型“斩杀线”的一次发布。

火药味十足的“帕累托改进”

所谓“帕累托改进”，即社会福利经济学中的基础概念，指在无任何经济参与者受损的情况下带来整体社会福利的上升。引申到大模型领域，“帕累托改进”或指在大模型使用成本没有提高的前提下，所有使用状况的效益都得到了提高。

记者注意到，这是DeepSeek首次在官方文献中宣传自家大模型完成了“帕累托改进”。

与“帕累托改进”并列的一个概念叫做“帕累托最优”，其指在所有可选择的分配方式下，某一种分配方式实现了社会效益的“最优解”。

而在DeepSeek本次发布的语境下，这家中国知名的开源模型企业，无疑是将自己列为了“最优解”之一。

在DeepSeek此次发布的通稿中，V4.1-Flash-1017火药味十足地将当下受众最广和最具代表性的大模型——月之暗面Kimi K3、智谱GLM5.3、OpenAI GPT5.6和Anthropic Claude Opus 5拉入基准竞技场。

而根据DeepSeek自行测试的基准通过率，DeepSeek V4.1-Flash-1017在11项智能体基准测试中的4项夺魁。

当然，这并不是DeepSeek此次发布的核心——这家大模型企业真正想传达的东西，藏在下面这张散点图中。

在这张“价格-基准通过率”的坐标轴中，DeepSeek拉入了更多一度获得“SOTA（即顶尖模型）”的头部大模型，包括刚发布的GPT-6系列Astra、Luna、6.1Sol，霸榜一时的Claude Fable 5等，并按照不同的模型使用强度计入通过率和词元消耗。

按照该坐标轴的含义，越靠左的模型使用价格越便宜，越靠上的模型性能越好；与此同时，越靠近左上角的模型，越拥有更高的性价比；越靠近右下角的模型，则说明其在市场上没有竞争力。

显而易见，在DeepSeek自己的基准测试中，V4.1-Flash-1017的表现被高悬于左上角，是那个又便宜又好用的“帕累托最优”；同时，V4.1-Flash-1017在不同使用强度的表现上斜率显著低于其余“友商”，其指代新版模型在低强度模式之下的可用性和性价比都很高。

无形中，DeepSeek似乎也在向外界回应自己那个被叫做“斩杀线”的江湖诨名。

“这张图可能会在未来一段时间火起来，DeepSeek希望以这种方式再次加深大家对这家公司的印象，即便没有人会完全认可这张图上的数据。”一位AI算法工程师在社交平台上评价。

锁定性价比，目标“普惠”

对于DeepSeek官方使用“帕累托改进”自夸，还用图示“讽刺”前沿模型没有价格优势的做法，开发者社区的评价呈分化状态。

比如，部分开发者实测，DeepSeek确实做到了“花零头的钱，干旗舰的活”；部分独立OPC实测使用DeepSeek开发，成本被降到了前沿模型的1/2甚至1/3等。

10月19日，知名AI中转站Vercel AI发布了最新网关指数显示，9月份，DeepSeek旗下模型处理了该中转站58%的词元，但只占用了全站6.6%的费用；其中仅V4.1-Flash模型就消耗了中转站50%的词元，却仅占用了全站2.6%的费用。

当然，对新版的质疑声依旧不少：部分开发者实测，在部分困难任务下，高强度使用DeepSeek不仅无法完美完成任务，其费用甚至还比GPT-6、Fable等“SOTA”模型更高。

还有部分开发者断言DeepSeek在给老版本模型“降智”，以让新版本看起来更聪明。

就在上周，DeepSeek经历了史上时间跨度最长的宕机危机。在新版本V4.1-Flash-1017发布之后，用户实测新版模型依然存在卡顿严重的情况。

当然，如果DeepSeek只是希望夯实自身的“性价比”定位，那他们似乎又成功了一次。

在此次发布中，DeepSeek宣传新版模型已经可以做到“许愿式编程”。部分用户实测发现，在许多基础性的、较为独立的代码考题中，比如做一个小游戏、一个功能性演示等，DeepSeek确实可以具备比肩“SOTA”的能力。但对于企业级与系统级编程的考题，开发者普遍反馈新模型无法实际完成任务。

这也触及一个行业的普遍认知：DeepSeek的代码能力在实际工程可用性上，与当前“SOTA”模型仍有明显差距。

但是，当Anthropic和OpenAI在今年运用顶尖模型的代码能力获得程序员青睐的同时，普通使用者通过AI编程完成自动化智能助理的“下沉需求”，在AI动态编程不断迭代的今天，仍然无法被真正满足。而在这背后，开发一款能够实际应用的软件需要经过多轮的调试，其开发隐性成本远高于一两轮对话。

对于即将完成新一轮融资，并且明确瞄准IPO的DeepSeek来说，通过低成本调用，锁定最海量的用户，形成模型使用的广泛生态，成为了帮助其锚定估值的关键。

10月20日，DeepSeek发布官方公告，将推理框架“DeepInfer”全面开源，并表达了“走向真正普惠的未来”的愿景。

公司表示，希望通过分享内部的部署经验，帮助开发者与企业组织优化大规模推理的吞吐与延迟，从而高效构建私有化及公有云部署，降低算力成本、减少能源消耗，让智能以更低的价格触达更广泛的人群，实现真正的大模型普惠。