DeepSeek V4 有 1.6 万亿参数，为什么 100 万输出 Token 只卖 0.87 美元？

DeepSeek V4-Pro 有 1.6 万亿参数，但它每次回答问题，只会动用其中大约 3%。这是它能把 API 价格压到每 100 万个输出 Token $0.87 的重要原因。下面我们从激活算力、硬件存储、计费机制与利润成本四个维度，讲清这背后的奥秘。

1.6 万亿参数的“全员假象”

在开始之前，我们先用一句话界定 Token 的概念：它是大模型处理小段文字的计量单位。

当我们说 DeepSeek V4-Pro 拥有 1.6 万亿（1.6T）总参数时，说的是模型一共保存了多少可学习的权重。参数更多不等于知识按比例增加，也不直接等于能力更强。 但这并不意味着每一次处理 Token，所有的参数都要被唤醒并参与计算。

这里有一个贯穿始终的比喻：把模型想象成一家拥有 1000 名各领域专家的庞大咨询公司。 当客户发来一个关于税收政策的问题时，公司只需要派 30 名税务专家组成的小组去解答，其余 970 名专家可以继续休息。 公司需要支付这 1000 人的基本工资（存储成本），但针对这单业务，实际消耗的工时（计算成本）只来自那 30 个人。

在技术上，这种设计被称为混合专家架构（DeepSeekMoE）。 通过这种架构，模型在处理每个 Token 时，可以只激活一小部分专家参数。

我们来看一组具体的比例计算：

• 旗舰版的 V4-Pro 总参数为 1.6 万亿，但每个 Token 实际激活的参数仅为 490 亿（49B），占比约 3.06%。
• 轻量版的 V4-Flash 总参数为 2840 亿（284B），每个 Token 实际激活的参数仅为 130 亿（13B），占比约 4.57%。

所以，1.6T 不能直接拿来估算一次回答的计算量。49B 激活参数更接近这次回答实际动用了多少计算，但它仍不等同于一个 49B 稠密模型的完整成本：路由、注意力、通信和未激活权重的存储都还要算。

用更低精度和更小体积存下“脑容量”

光是让大部分专家“休息”还不够，那些正在工作的专家，也需要被进一步瘦身。

在计算机里，模型参数的精度决定了它们占用的显存空间和读取速度。 DeepSeek V4 采用了一种混合精度的存储策略：它把最核心的专家参数压缩到了 4 比特精度（FP4），而其余部分则使用 8 比特精度（FP8）。 精度越低，参数占用的显存就越小，芯片在读取它们时消耗的带宽和时间就越少。

另一个成本来自模型的“中间记忆”。 大模型在阅读长文本时，需要把读过的内容转化为中间状态并记录在显存中，以便在后续生成中随时调用。 随着输入文本变长，这种中间记忆占用的空间会近似线性增长。上下文从 10 万 Token 拉到 100 万，保存历史信息的负担也会跟着放大。

DeepSeek V4 使用压缩稀疏注意力（CSA）和高度压缩注意力（HCA）来降低这部分开销。简单说，它不再让每个新 Token 都用同样昂贵的方式回看整段历史，而是筛选并压缩真正需要保留的信息。

相比于之前的版本，旗舰模型在处理长文本时，其处理单个 Token 所需的计算量，以及记录上下文所需的中间记忆体积，都得到了大幅缩减。 具体而言，在支持 100 万（1M）超长上下文时，V4-Pro 单个 Token 的推理计算量（单 Token 推理 FLOPs）降到了 V3.2 的 27%，而中间记忆（KV cache）的体积则降到了 10%。 同样地，在相同的超长上下文下，V4-Flash 的单 Token 推理计算量降到了 10%，中间记忆体积则降到了 7%。这些都是相对 V3.2 的官方比较，不是绝对成本。

输入、输出与缓存：为什么做不同的活，收不同的钱？

当我们理解了这些省钱机制后，再来看官方的 API 价格表，就会发现它不再是一堆冰冷的数字，而是对应着不同的计算工作量。

其一，输入和输出是两种完全不同的计算模式。 输入是把用户发送的提示词一次性读入模型，显卡可以进行高效的并行计算，硬件利用率极高，所以价格非常便宜。 输出则是模型一个字一个字地往外蹦，每生成一个新 Token 都需要重新读取和计算，硬件利用率低，因此价格要贵得多。

其二，还有一种被称为“缓存命中”的特殊情况。 如果用户连续发送了多次请求，并且这些请求的开头包含完全相同的前缀（例如同一篇长文档或相同的系统提示词），系统就有机会直接复用上一次计算留下的中间记忆。 这省去了重复处理前缀的开销，因此价格会低很多。

但需要明确的是，这种缓存复用是尽力而为（best-effort）的。 它取决于当时服务器机房的缓存状态和调度策略，官方并不能百分之百保证每次都能命中。

在理解了这些技术逻辑后，我们来看看截至 2026-07-12 的官方定价表。

从表中可以看出，无论是 Pro 还是 Flash，输出价格都显著高于输入价格。 而一旦触发缓存命中，Pro 的输入价约为未命中的 0.8%，Flash 约为 2%。

0.87 美元，厂商到底赚不赚钱？

看到如此低廉的价格，人们很自然会产生一个疑问：这个价格能覆盖硬件和运营成本吗？ DeepSeek 是在亏本赚吆喝，还是已经实现了高额的毛利？ 诚实的回答是：外人根本无法知道。

API 的标价是厂商根据市场策略制定的商业定价，而不是一份公开的成本账单。 我们不能直接从售价推导出真实的成本或利润率。

在真实的商业部署中，至少有 4 个外部看不到的变量：

• 硬件采购与部署成本：我们不知道厂商实际使用的是什么型号的显卡，是自建还是租用，以及他们拿到的协议价是多少。
• 并发规模与硬件利用率：在同一时刻，一张显卡上同时运行着多少个用户的请求，以及显卡有多少时间处于闲置状态。
• 推理引擎的工程优化：除了公开的算法外，厂商在实际部署时使用了哪些未公开的显存优化、算子融合与集群调度技巧。
• 前期研发与基础设施的折旧摊销：训练、机房、电力和带宽等费用，在财务上以怎样的比例和周期分摊到每一个 Token 上。

由于官方从未公开实际部署的 GPU 型号、并发规模、利用率以及单 Token 的绝对计算量（FLOPs），任何试图通过公开价格倒推厂商毛利的计算，都只是缺乏依据的猜测。 我们能确认的只有方向：DeepSeek V4 的稀疏激活、低精度专家权重和长文本压缩，都在减少运行一个 Token 所需的资源。减少了多少美元，官方没有公开。

下次看到“推理成本”时，先问三件事

模型一共有多少参数？每个 Token 实际激活多少？报道里的数字说的是 API 售价，还是厂商没有公开的真实成本？

对 DeepSeek V4-Pro 来说，答案分别是 1.6T、49B 和“只能看到售价”。模型的“大”看总容量，一次回答的“贵不贵”，还要看实际动用了多少、复用了多少，以及多少请求在共同分摊硬件。

官方来源：

• DeepSeek V4 发布公告
• 官方定价页
• DeepSeek-V4-Pro 模型卡
• DeepSeek-V4-Flash 模型卡
• DeepSeek V4 技术报告