9月14日中午12点，本来应该是DeepSeek V4 Pro退出API舞台的时间。
四天前，DeepSeek发布V4.1 Flash时宣布：由于这个更便宜的新模型已经在性能、费用、速度和总用时等指标上超过V4 Pro，公司计划有序下线V4 Pro。北京时间9月14日12点之后，所有发送给V4 Pro的请求，都将自动路由到V4.1 Flash，并按照Flash的价格计费。
这意味着，用户原来调用的是价格更高的旗舰模型，DeepSeek却准备直接把后厨换成成本更低的新模型，而且不需要用户修改调用方式。
但到了真正准备切换之前，DeepSeek改口了。
目前，DeepSeek最新API文档已经明确注明：
应用户需求，决定在9月14日后继续提供DeepSeek V4 Pro的API服务，计费方式保持不变；后续如有变化，将另行通知。
V4 Pro没有下线，V4.1 Flash也没有接管它的全部请求。现在，两个模型仍然同时出现在DeepSeek的API价格表里，由用户自己选择。
如果只看结果，这似乎只是一场普通的产品安排调整。
但如果把DeepSeek最初的“准备用便宜模型接管贵模型”，与最后的“应用户需求保留贵模型”放在一起看，这件事反而比真正下线更值得讨论。
它同时验证了两个方向：
· **第一，大模型行业确实正在从单纯追求能力上限，转向同时竞争效率和成本。**便宜模型不再必然意味着能力缩水，越来越多的新模型正在尝试用更少的激活参数、更小的缓存和更低的调用成本，完成过去需要旗舰模型才能完成的任务。
· **第二，“够用就好”还没有变成所有用户的统一选择。**即使厂商认为便宜模型已经可以替代旗舰模型，仍然有用户不愿意被自动切换。模型效果不只是排行榜上的平均分，还包括特定任务表现、版本连续性、迁移成本和企业对选择权的要求。
所以，DeepSeek这次没有真正完成“贵模型退场”，但它暴露出了大模型产业下一阶段更真实的竞争边界：
行业的记分方式正在从“谁的模型最大、分数最高”，变成“谁能在能力、成本、速度、稳定性和选择权之间，给出更划算的组合”。
DeepSeek V4.1 Flash于9月10日正式发布。
这是一个总参数量为552B的混合专家模型（MoE，多个“专家模块”按任务选择性参与计算），采用新的Causal-Encoder-Decoder（因果编码器—解码器）非对称架构。
所谓“非对称”，简单来说，就是模型处理输入和生成输出时，动用的计算资源并不完全一样：
· 处理输入时，每个Token激活约8B参数；
· 生成输出时，每个Token激活约16B参数。
整个模型虽然拥有552B参数，但每次任务不需要把所有参数全部调动起来。它更像一家拥有大量专业科室的医院：医院整体很大，但一个患者进来时，只需要调用与病情相关的科室，不必让所有医生同时参与会诊。
DeepSeek表示，V4.1 Flash采用了新的预训练方法和更大规模的强化学习后训练。根据DeepSeek官方及其所称的多方测试，V4.1 Flash在性能、费用、速度和总用时等指标上超过了V4 Pro。
基于这个判断，DeepSeek最初计划在9月14日12点后停止单独提供V4 Pro服务，并把相关请求全部路由到V4.1 Flash。
但需要明确：9月10日至9月14日并不是请求逐步转移的“过渡期”。
9月10日真正生效的是V4.1 Flash的新价格；原定的V4 Pro路由切换，则准备在9月14日一次性发生。随后，DeepSeek更新API说明，取消了这次切换。
目前两个模型的状态是：
也就是说，V4 Pro依然存在，而且价格明显高于V4.1 Flash。
这不是“贵模型已经被便宜模型替代”，而是“厂商一度认为可以替代，但用户没有完全接受”。
V4.1 Flash最值得关注的，不只是价格下降，而是它降低了推理过程中最昂贵的几类资源需求。
根据DeepSeek官方披露，与上一代模型相比：
· HBM（高带宽显存）需求降至四分之一；
· SSD（固态存储）需求降至八分之一。
另外，DeepSeek还公布了一组容易被误解的数据：
· V4.1 Flash的KV Cache（键值缓存，模型处理长上下文时保存的“短期记忆”）相对于DeepSeek初代模型缩小了437倍。
这里必须区分比较基准。
HBM降至四分之一、SSD降至八分之一，是与上一代模型相比；KV Cache缩小437倍，则是相对于初代模型，而不是相对于上一代。三项数据不能都写成“比上一代减少”。
翻译成人话，过去模型为了记住一段很长的对话，需要不断把前面的内容装进一个越来越大的临时行李箱。V4.1 Flash改变了整理和调用这些信息的方法，让同样长度的上下文不再占用那么大的缓存空间。
这会直接影响两笔成本：
· **显存成本。**长上下文和高并发任务需要占用大量显存，显存需求下降，有望提高单卡能够承载的并发量或上下文规模。
· **存储成本。**Agent（智能体）需要反复调用工具、读取历史信息和保留任务状态，缓存会不断积累。SSD需求下降，意味着缓存存储和读取成本也可能下降。
但这里不能简单推导成“显存需求降至四分之一，同一批显卡就一定能服务四倍用户”。
模型推理还受到计算量、带宽、并发调度、网络、输出速度等多个因素影响。显存只是其中一个约束，最终吞吐提升多少，取决于完整的推理系统，而不是单一指标。
V4.1 Flash的新价格于9月10日12点生效。
闲时时段，每百万Token的价格为：
· 缓存命中输入：0.02元；
· 缓存未命中输入：1元；
· 输出：4元。
工作日9点至12点、14点至18点为高峰时段，价格是闲时的两倍；其他时间执行闲时价格。
与调整前相比：
这组数字需要正确理解。
“最高降价60%”只对应缓存命中输入，不代表所有用户的整张账单都会下降60%。实际节省多少，要看一项任务中缓存命中、缓存未命中和输出Token分别占多少。
对于需要反复调用相同系统提示词、工具定义和历史上下文的Agent任务，缓存命中占比较高，价格下降可能更明显；对于大量生成新内容、输出Token占比较高的任务，整体降幅可能更接近11.1%。
所以，企业真正应该关注的不是宣传页上的“最高降幅”，而是自己的任务结构：
· 输入和输出分别有多少Token？
· 有多少输入能够重复命中缓存？
· 任务能否安排在闲时运行？
· 模型更换之后，重试率和人工审核成本有没有变化？
这也是效率竞争进入企业经营层面的标志：模型价格不再只是一个简单的“每百万Token多少钱”，而开始变成一套需要结合任务结构计算的成本模型。
DeepSeek的变化并不是孤立出现的。
过去一个多月，中国大模型行业至少出现了几条可以交叉验证的效率信号：
这些动作并不完全相同。
有的发生在模型架构层，有的发生在后训练环节，有的是API价格调整，还有的是地方政府与企业共同降低工具使用门槛。
它们不能简单概括成“几家公司同时降价”，但可以共同指向一个变化：
效率正在从模型公司的后台工程指标，变成能够直接影响产品价格、用户权益和城市产业政策的显性竞争力。
GLM-5.3与GLM-5.2使用相同的基座模型，主要提升来自后训练。
如果把基座模型理解成一个学生已经具备的知识结构，后训练就像在不更换学生、不重新读一遍全部教材的情况下，继续改善他的解题方法、工具使用能力和长任务执行能力。
根据智谱公布的内部Z.ai Code Bench，在High档位下，GLM-5.3取得31.4%的准确率；Claude Opus 4.8在更高推理档位下为29.5%。
但这只是智谱自建评测中的特定结果，不能据此推导出GLM-5.3在所有编程任务中都超过Claude Opus 4.8。更准确的结论是：
智谱正在证明，能力提升不一定每次都要重新训练一个更大的基座模型，后训练本身也可能继续释放已有模型的能力。
Qwen3.8-Flash-Next采用混合专家架构，主模型参数量为125B，另有51B N-gram Embedding（N元语法嵌入，用较低计算成本存储和调用局部语言模式）参数，每个Token实际激活约6B参数。
根据Qwen官方数据，它的训练成本约为Qwen3.7-Plus的九分之一。
在官方公布的基座模型对比中，Qwen3.8-Flash-Next在14项指标中的8项超过Qwen3.7-Plus。
这条路线与智谱不同。
智谱强调的是在相同基座上继续提高后训练效率；阿里强调的是从模型架构出发，让一个拥有较大知识容量的模型，每次只调用少量真正需要的参数。
前者更像是提高教学方法，后者更像是重新设计学校的组织方式。两条路径都在回答同一个问题：
模型能力继续提高时，能不能不再让计算成本按照过去的速度同步增长？
DeepSeek目前只给出了一个明确原因：应用户需求。
至于用户为什么要求保留V4 Pro，官方没有进一步披露。因此，下面只能作为产业层面的合理推测，而不能当作DeepSeek已经确认的原因。
不同模型可能在代码、数学、工具调用、长文本、创作和专业知识任务中表现不同。
一个模型在综合基准测试中平均分更高，不代表它在某一家企业内部的特定任务上也一定更好。企业真正关心的是自己的测试集，而不是厂商排行榜上的平均成绩。
很多企业已经围绕V4 Pro调试了提示词、工具调用、输出格式、审核流程和失败重试机制。
即使V4.1 Flash整体更强，自动切换模型仍可能带来输出风格、结构稳定性或工具调用行为变化。对企业来说，模型切换不是换一个聊天窗口，而可能意味着重新做一轮测试和验收。
日常客服、内容处理、信息提取等大规模走量任务，对成本非常敏感；但在复杂科研、关键代码、金融分析或高价值决策辅助中，用户可能更在意特定任务上的可靠性。
只要一次任务失败带来的损失远高于模型调用费，用户就不一定优先选择最便宜的模型。
即使厂商判断新模型已经足以取代旧模型，企业仍然可能要求保留自主选择。
这次调整提醒整个行业：模型路由不只是技术问题，也是产品治理问题。厂商可以推荐更便宜的模型，可以提供自动路由，但如果直接替用户做决定，就会触及企业对稳定性、可解释性和控制权的要求。
这也是DeepSeek这次变化最值得关注的地方。
它证明“更便宜的模型可以承担更多任务”正在成为趋势；同时也证明“所有任务都应该自动切到便宜模型”还没有成为共识。
过去，大模型最容易传播的指标是参数规模、训练算力和排行榜成绩。
这些指标不会消失。前沿科研推理、复杂软件工程和长链条Agent任务，仍然可能需要更高的能力上限和更大的算力投入。
但对于真正准备把AI装进业务流程的企业来说，评价模型的指标正在增加：
这张记分牌比“谁的参数最大”复杂得多，但它更接近真实商业世界。
一个模型在排行榜上高出两分，如果调用成本高出五倍、任务响应慢一倍、迁移还需要重新测试，企业未必会选它。
反过来，一个模型价格便宜很多，如果在关键任务上错误率明显更高，企业也不会因为“够便宜”就把所有业务交给它。
所以下一阶段的竞争不是效率完全取代能力，而是能力与效率开始被放在同一张表里计算。
2026年上半年，寒武纪实现营业收入59.96亿元，同比增长108.13%；归母净利润23.11亿元，同比增长122.61%。
这组数据能够证明国产AI芯片需求和规模化销售正在增长，但不能直接证明“模型效率提升已经让芯片厂商受益”。
效率提升对芯片需求存在两股相反的力量：
· 一方面，同样的任务需要更少的显存和算力，可能降低单位任务所需的芯片数量；
· 另一方面，模型更便宜之后，更多企业和个人开始使用AI，总调用量可能增加，反而带动更大的芯片总需求。
最终结果取决于新增需求能否超过单位任务算力需求的下降。
寒武纪此前公布的2026年限制性股票激励计划，把2026—2028年累计营业收入目标值设为不低于1000亿元，触发值为800亿元。这里是三年累计收入目标，不是“三年后单年营收突破千亿”。
这份目标更能说明国产芯片企业对未来算力需求增长的预期，而不是模型效率路线已经被财务数据验证。
DeepSeek随后开源的DeepJIT（即时编译工具）支持NVIDIA CUDA GPU和华为昇腾NPU两种后端，为推理内核编译和缓存提供统一接口。
这说明模型公司正在主动推动效率工具适配不同的芯片生态，而不是只围绕单一硬件平台优化。
对国产芯片来说，下一阶段只做到“模型能够运行”还不够，还要回答：
· 同样一项任务需要多少张卡？
· 每张卡可以承载多少并发？
· 长上下文会占用多少显存？
· 每一瓦电力能够产生多少有效Token？
· 模型架构更新后，芯片和软件栈能否迅速完成适配？
战场正在从绝对算力，逐渐扩展到软硬件协同效率。
BuilderPi在《电的二次出海》系列里反复讨论过一个命题：一度电最终会转化成一定数量的Token。
V4.1 Flash说明，这个换算比例不是固定的。
当模型架构、缓存方式和芯片调度效率提升后，同样一度电理论上可以完成更多有效任务。
但这不代表数据中心总用电一定下降。
更高效率往往会降低使用门槛，进而刺激更大的需求。模型更便宜之后，原来每天调用100次的企业可能增加到1000次，原来没有能力接入AI的企业也可能开始部署。
因此，能源和算力园区真正应该追踪的，不只是总耗电量，而是：
单位电力最终产生了多少经过业务验收的有效Token和有效任务。
当便宜模型能够完成更多任务，云厂商不会只提供一张模型价格表，还会越来越多地提供自动路由：
· 简单任务交给Flash模型；
· 复杂任务升级到旗舰模型；
· 长上下文任务优先选择缓存效率更高的模型；
· 低时效任务安排在闲时运行；
· 只有失败或低置信度任务才调用更贵的模型。
但DeepSeek这次保留V4 Pro也说明，自动路由需要给用户留下控制权。企业可能需要知道一次任务究竟由哪个模型处理，也可能要求关键任务不得自动切换版本。
未来真正重要的，不只是“模型多少钱”，而是云平台能否把不同价格、不同能力的模型组合成一套可控的调度系统。
参数规模和算力投入曾经是展示技术雄心的重要叙事。
接下来，投资机构可能会更加关注：
· 单位训练成本；
· 单次合格任务成本；
· 每美元算力能够产生多少有效能力；
· 推理业务的毛利率；
· Token调用量增长能否转化为收入；
· 模型降价后，用户量和留存率是否同步提升。
但效率不会成为唯一估值指标。
收入质量、企业客户、用户增长、现金流、技术团队、渠道能力和生态地位仍然重要。更准确的变化是：资本不再只问“模型有多大”，还会追问“这么大的模型到底能不能以可持续的成本卖出去”。
底层模型价格下降，会改善AI应用的成本结构，但不能简单说“整体试错成本下降了一个数量级”。
一个AI应用的真实成本还包括产品开发、数据治理、系统集成、人工审核、销售获客和合规投入。API变便宜，只解决其中一部分。
不过，对于Token消耗量较大的AI客服、知识库、内容处理、代码Agent和行业SaaS来说，模型价格和缓存成本下降，确实可能让部分场景重新接近商业可行。
半年前因为调用成本太高而暂停的功能，可以重新计算一次：
· 每位用户每月调用多少次？
· 每次任务平均消耗多少Token？
· 多少请求可以使用便宜模型完成？
· 多少关键请求必须升级到旗舰模型？
· 扣除模型、人工和获客成本后，毛利还能剩多少？
真正的机会不是“模型降价了，所以所有AI应用都能赚钱”，而是企业终于有条件进行更细致的模型分层和成本调度。
9月10日，杭州市上城区联合浙江智谱新篇科技有限公司推出“智谱·杭州全城Coding计划”。
其中：
· 在杭工作人员和杭州高校在校生，购买个人季卡可享44%综合减免，年卡可享51%综合减免；
· 注册在上城区的企业购买企业年卡，可享55%综合减免，单家企业减免上限原则上为100万元。
需要注意，补贴对象是智谱Coding订阅套餐，不能直接等同于政府为所有大模型API调用买单；企业补贴范围也仅限上城区企业，不是所有杭州企业。
但这项计划依然释放了一个值得关注的信号：
城市之间对AI产业的竞争，正在从争夺模型公司和算力中心，进一步延伸到降低开发者和企业的实际使用成本。
过去地方扶持AI，常见方式是提供办公空间、算力券和研发补贴；现在，上城区开始直接补贴AI编程工具订阅，希望让更多开发者先用起来，再形成“拉新—使用—留存—转化—产业落地”的政策闭环。
是否有效，不能只看发出了多少补贴，而要看补贴结束后的几个指标：
· 有多少用户持续使用？
· 有多少企业愿意原价续费？
· 是否产生了新的产品、项目和创业团队？
· 使用量有没有转化为本地收入、就业和产业项目？
如果这些指标能够兑现，这种“补贴Token和工具使用”的模式，可能会被更多城市复制。
如果你的公司日常大量使用AI：
不要只根据模型排行榜选型。重新统计不同任务的Token消耗、缓存命中率、失败率和人工审核成本，把任务分成“便宜模型足够完成”和“必须使用旗舰模型”两类。
如果你在国央企或大型机构负责数字化：
采购指标不能只写参数规模、上下文长度和厂商品牌，还应加入单次合格任务成本、版本稳定性、国产芯片适配、模型切换规则和关键任务的人工确认机制。
如果你在做一级或二级市场投资：
关注模型和芯片企业时，可以增加单位训练成本、推理毛利率、每瓦有效产出和架构适配速度等指标，但不要把效率叙事直接等同于收入增长。
如果你在传统行业推进AI转型：
底层调用成本正在下降，但不要一上来就做覆盖全公司的“大项目”。更适合的方式是挑一个数据边界清晰、人工成本可以计算、结果容易验收的场景，重新测算投入产出比。
如果你是AI应用创业者：
不要再把“接入最强模型”当成产品壁垒。真正决定商业模型能不能成立的，可能是你能否让80%的普通任务由低成本模型完成，只把少数高价值任务交给旗舰模型。
如果你在地方政府、园区或产业机构工作：
除了争取算力中心和模型企业，也可以关注开发者补贴、模型券、行业测试集、公共数据和应用首单支持。产业落地不只取决于供给了多少算力，也取决于本地企业是否真正用得起、用得好。
DeepSeek没有在9月14日下线V4 Pro。
但这次被取消的下线计划，仍然是一条重要的产业信号。
它说明便宜模型的能力正在逼近甚至部分超过过去的旗舰模型，模型公司已经开始认真考虑：是否还需要让用户为了“旗舰”这个名字持续支付更高价格。
它也说明，效率提升并不会自动消灭高端模型。只要不同任务之间仍然存在差异，只要企业仍然看重版本连续性、特定任务表现和自主选择权，旗舰模型就不会因为一个综合排行榜被超过而立刻失去价值。
因此，大模型行业真正进入的，不是一个简单的“便宜取代昂贵”的时代，而是一个分层竞争的时代：
· 大规模、标准化、走量的任务，越来越强调成本和效率；
· 高价值、高风险、追求能力上限的任务，仍然愿意为旗舰模型付费；
· 介于两者之间的大量任务，将交给模型路由和算力调度系统动态决定。
过去行业最关心的是模型能不能做到；接下来更现实的问题是：它能不能稳定地做到、用更少的钱做到，并且让用户保留决定怎么做的权利。
这也是BuilderPi持续关注AI产业的原因。
我们不盲目追逐每一次模型发布，也不把“降价”“参数”“排行榜第一”直接当成结论。技术越来越多、产品更新越来越快之后，真正稀缺的不是再记住一个模型名字，而是看懂变化背后的成本结构、产业传导和真实边界。
当所有人都能看到新闻时，判断力和信息筛选能力，才是最难复制的部分。
本文不构成任何投资建议。市场有风险，决策需审慎。