中国AI模型成本优势凸显，DeepSeek V4 Flash单任务仅3美分

近日独立AI模型评估平台Artificial Analysis（AA）发布数据显示，全球前20大AI模型中，DeepSeek V4 Flash以单任务3美分成本位列最优。该模型在多项性能指标上已接近国际头部企业产品水平。

成本效率引发关注

AA平台统计显示，DeepSeek V4 Flash相较于OpenAI、Anthropic等企业模型，单任务处理成本低至3美分。这一数据引发行业对计算资源分配效率的讨论。

“DeepSeek V4 Flash在保持高精度的同时，显著降低单位任务能耗。”AA平台工程师在测评报告中指出。

技术创新路径分析

该模型采用模块化架构设计，通过动态资源调度算法实现成本控制。具体技术流程包含：

• 训练阶段部署混合精度计算
• 推理环节启用缓存优化机制
• 运维体系构建弹性扩展框架

三重降本措施。

产业应用影响评估

研究显示，此类成本优势可能带动AI技术在工业质检、金融风控等领域的普及。企业将获得更多试错空间，但需警惕技术适配性风险。

月之暗面Kimi K3跻身AA模型综合智能指数前10名，得分达60分

AA模型综合智能指数最新榜单显示，月之暗面Kimi K3以60分位列前10名。该模型成为榜单中唯一公开权重架构的产品，其性能表现与Claude Opus 5、GPT-5.6 Sol等头部模型差距缩小至1-3分区间。

中国模型性能差距持续收窄

阿里巴巴Qwen 3.8 Max等产品同步跻身前10行列。数据显示，DeepSeek V4 Flash在扩大排名范围至前20名时也取得显著进展，印证了中国模型整体技术跃升趋势。

值得注意的是，在60分以上顶级模型榜单中，Kimi K3与Claude Opus 5仅差3分，与GPT-5.6 Sol相差1分。这表明中国模型在通用智能领域已接近国际顶尖水平。

“开放权重模型指代码未进行闭源处理，允许外部研发者基于其架构进行二次开发的技术路径。”

成本优势成竞争关键变量

Kimi K3的单任务运行成本为84美分，低于多数同类产品。这一指标在高性能模型中属于较低水平，为商业化应用提供潜在优势。

在扩展排名维度时，DeepSeek V4 Flash同样进入前20名。该模型的综合评估显示其在多任务处理能力上实现突破，但具体参数未披露。

技术路径差异引发行业关注

• 月之暗面采用开放权重技术路线
• 阿里巴巴Qwen 3.8 Max专注垂直领域优化
• DeepSeek V4 Flash强化多模态交互能力

行业观察人士指出，中国模型在计算效率与开放生态的平衡上正在形成差异化优势，这可能对市场格局产生结构性影响。

DeepSeek V4 Flash任务成本低于GPT-5.6 Luna 5美分

企业AI支出需关注任务成本指标，而非仅看令牌单价。研究显示，推理模型完成特定任务的总令牌消耗量决定实际支出。

响应速度与成本对比分析

DeepSeek V4 Flash首字响应时间1.17秒，端到端响应时间19.49秒。相较之下，GPT-5.6 Luna（max模式）首字响应时间超135秒。

DeepSeek V4 Flash智能指数52分，与GPT-5.6 Luna（max模式）持平，但任务成本低1.13美元。

部署模式影响选择

DeepSeek V4 Flash采用MIT许可证开放权重模型，允许企业自行托管。GPT-5.6 Luna仅支持API专用部署模式。

• Claude Opus 5 TTFT 5.92秒，端到端响应时间14.68秒
• Qwen 3.8 Max参数达2.4万亿，智能指数58分
• MiMo-V2.5智能指数37分，任务成本1美分区间性价比最高

行业竞争格局变化

Qwen 3.8 Max参数规模与性能指标均处行业前列，但任务成本高于同级别竞品。企业需权衡性能与成本结构。

技术参数解读

任务成本计算涵盖模型运行全过程令牌消耗，反映实际工作场景下的全部支出。智能指数作为评估维度，兼顾性能与能耗比。

企业AI成本井喷：Uber年度预算4月即告罄　　企业AI支出的快速增长正成为行业普遍现象。据《福布斯》5月报道，Uber因开发人员对Anthropic Claude Code的使用量激增，2026年全年AI预算在4月份即全部耗尽。约5000名工程师组成的组织中，Claude Code的快速普及使AI支出远超预期，Uber随后为每位员工设定了每月1500美元的代理式编程工具使用上限。　　亚马逊也面临类似困境。其内部AI项目利用Anthropic Claude Sonnet进行商品列表与作者信息比对，项目成本超出原始预算860%，达到约180万美元。更大的问题在于，令牌使用带来的成本增长在长达5个月内未被及时发现。　　随着AI模型在企业内部快速扩散，尤其是向代理式功能和推理型任务转型，AI令牌成本正急剧攀升。模型开发商纷纷通过降低令牌单价或引入“提示缓存”技术来应对，但缓存命中后仍需付费，且上下文越长累计成本越高。缓存失效（如对话间隔超过5分钟、修改历史消息）将导致费用按原价重新计算。

AA发布涵盖九项评估的智能指数指标体系

近日，AA公司公布新一代智能指数评估框架，该体系整合GDPval-AA v2、τ-Bench Banking等九项子指标，首次引入任务成本量化模型。

多维度基准体系构成

新指标包含GDPval-AA v2经济评估模块，τ-Bench Banking金融测试标准，Terminal Bench 2.1通用终端性能基准。此外还涉及SciCode代码评估、HLE逻辑推理、GPQA Diamond知识问答等专业维度。

每个子指标均采用独立权重系数，最终形成复合型评测结果。这套体系特别强调对代理式任务的考核，涵盖编码、数学、科学等特定领域。

任务成本计算公式：各子项令牌消耗总量×单位价格，包含输入、缓存命中、缓存写入、推理及输出全环节。

场景适配性说明

AA明确表示该指标仅适用于技术密集型任务场景。其核心测试范畴包括但不限于代码生成、复杂逻辑分析、跨学科知识整合及智能代理操作。

与传统评测方式不同，此体系剔除纯语言处理类应用，不适用于常规翻译、闲聊交互或基础办公辅助功能。

• GDPval-AA v2：经济数据分析基准
• τ-Bench Banking：金融领域模型评分标准
• Terminal Bench 2.1：终端交互性能评估
• SciCode：编程能力测试模块
• HLE：逻辑推理能力指标
• GPQA Diamond：知识问答基准体系
• CritPt：批判性思维评估项
• AA-OmniScience：科学认知测试框架
• AA-LCR：跨领域推理能力指标

行业观察人士指出，此类复合指标的推出将促使AI模型评测向专业化方向发展，但具体应用效果仍需市场验证。