推理定价拆解：一个 Token 的物理成本

推理定价拆解：一个 Token 的物理成本

以 DeepSeek V4 Flash 和 Pro 双模型定价为起点，按 70%/83% 两档毛利倒推物理成本线。batch 逐档经济表揭示：定价比例追踪激活参数比例，53 倍差距由物理因素主导。

推理经济学三部曲 · DeepSeek V4 Flash 输出 2 元/百万 token，Claude Sonnet 5 输出 107 元。53 倍差距不是补贴——是物理。本系列从定价倒推到架构选择到工程调度，拆解一个 Token 的物理成本到底由什么决定。

DeepSeek V4 Flash 输出 2 元/M token（平峰）。V4 Pro 输出 6 元/M。Claude Sonnet 5 输出约 107 元/M（$15）。从 Flash 到 Claude 是 53 倍差距，从 Pro 到 Claude 是 18 倍。

常规解释停留在商业层面：补贴定价、品牌溢价。本文换一个方向：以 DeepSeek V4 技术报告披露的 Flash 和 Pro 双模型架构数据为基础，倒推各自的物理成本线，算出集群必须实现什么推理指标，然后验证这些指标是否可达。

一个前置数据点：OpenCode CEO Dax Raad 在 DeepSeek 涨价后公开表示，OpenCode 自己租 GPU 也能做到 DeepSeek 同样的价格水平——这意味着 DeepSeek 定价并非亏本倾销，而是有可观利润空间。业内解读这一说法指向约 6 倍加价（售价 ≈ 6 × 成本，毛利率 ~83%）。本文先用保守的 70% 毛利基线做倒推，再与 83% 毛利交叉验证。

基线：V4 双模型官方定价

峰谷定价：高峰时段（工作日 9-12, 14-18）×2。以下均以平峰输出价为基线。

关键观察：Pro 价格是 Flash 的 3 倍。这不是任意定价——它追踪两个模型的物理成本比例。下面逐步拆解。

V4 架构：技术报告的关键数字

DeepSeek V4 技术报告（2026 年 4 月，全名 Towards Highly Efficient Million-Token Context Intelligence，55 页）披露了两个模型的详细架构参数。Flash 和 Pro 不只是参数规模不同，它们的推理效率指标也不同：

注意：Flash 不只是"缩小的 Pro"。它的 FLOPs 效率比 Pro 更激进（10% vs 27%），KV cache 压缩也更猛（7% vs 10%）。两个模型都是独立预训练的 MoE，不是蒸馏关系。

三个架构创新支撑这些数字：

1. Hybrid Attention（CSA + HCA 交替叠加）：KV cache 大幅压缩的核心。CSA（压缩稀疏注意力）先把每 m 个 token 的 KV 压缩为 1 个条目，再用 Lightning Indexer 做 top-k 稀疏选择。HCA（重度压缩注意力）把每 m'（m' ≫ m）个 token 压为 1 个条目，保持密集注意力。两者交替叠加，底层 CSA 负责精细局部依赖，高层 HCA 负责大幅压缩远端上下文。

2. mHC（流形约束超连接）：替代传统残差连接，在万亿参数 MoE 上稳定训练。不影响推理经济学但影响训练效率。

3. MoE 细节调整：affinity score 激活函数改为 Sqrt(Softplus(·))，前几层 dense FFN 改为 Hash routing MoE。MTP（Multi-Token Prediction）跟 V3 一致，部署时用于投机采样。

Engram（条件记忆模块）没进 V4，留在未来方向（V5）。

双线索倒推：Flash 和 Pro 各自的物理指标

GPU 小时成本（中国自建数据中心）

两档毛利基线下的所需吞吐

OpenCode CEO 的 "6 倍加价" 说法意味着 ~83% 毛利率。与 70% 基线交叉验证：

V4-Flash（2 元/M）：

V4-Pro（6 元/M）：

下文先以 70% 毛利保守基线推演，再在 batch 逐档经济表中标注 83% 毛利的对应位置。

V4 能达到这些吞吐吗？

单请求 roofline 对比

Flash 的单请求速度是 Pro 的 3.77 倍——和定价的 3 倍比例高度吻合。

KV cache 容量约束——在两个模型上都几乎消失

V4 Hybrid Attention 的 KV cache 压缩效果（基于 V3.2 MLA ~90 bytes/token 推算）：

• V4-Pro：~9 bytes/token（V3.2 的 10%）
• V4-Flash：~6.3 bytes/token（V3.2 的 7%）

80GB HBM 减去激活权重后的剩余空间：

KV cache 容量约束在两个模型上实质消失了——batch 不再被 HBM 容量钉死，而是被推理引擎调度能力和网络带宽钉死。

一手验证： DeepSeek 的三级存储调度不是定价反推的推测。2026 年 2 月发表的 DualPath 论文（联手清华、北大）确认：在 660B 规模的生产模型上，Agent 场景的 KV-Cache 命中率超过 95%，存储 I/O 带宽（而非计算）已成为推理瓶颈。DualPath 重新设计了存储到预填充/解码引擎的双路径加载，离线吞吐提升 1.87×，在线提升 1.96×。DeepSeek 开源的 3FS 分布式文件系统（专为 AI 训练/推理设计）是这套存储基础设施的公开组件。

实际 batch 的限制因素

KV cache 不再是瓶颈，什么限制 batch？三个因素：

1. 推理引擎调度 overhead：vLLM/SGLang 的 block manager 在 batch >500 时 overhead 显著上升
2. 网络带宽（PD 分离架构下）：prefill 和 decode 节点间 KV cache 传输受网卡带宽限制
3. 尾延迟：batch 越大，最慢请求拖住整个 batch 的步进延迟

Batch 逐档经济表：Flash 和 Pro 的对比

这是理解推理定价的关键。下表逐档推演两个模型在 H100 上的 batch 经济性：

前置参数： FP8 量化，MTP 1.8× 加速，GPU 成本 ¥33/hr，TP=8 后单请求有效速度约为 roofline 的 78%（估算：MoE all-to-all 通信 + MTP 投采失败率 + 调度 overhead ≈ 22% 损失，与 vLLM/SGLang 生产系统实测一致）。

V4-Flash Batch 逐档（有效 decode ~200 tok/s）

¹ Batch 64 理论值 64×200×1.8 = 23,040，实际 21,700 含 ~6% 调度 overhead（block manager + MoE all-to-all 通信尾延迟）。

V4-Pro Batch 逐档（有效 decode ~53 tok/s）

读法

Flash（70% 毛利基线）： 盈亏平衡点在 batch 32 附近。batch 64+ 时利润充分。

Flash（83% 毛利 = OpenCode CEO 口径）： 盈亏平衡点上移到 batch 48-64 之间。当前售价 2 元对应 batch ~80 的水平——这恰好是 DeepSeek 生产系统的典型运行区间（DualPath 论文披露 Agent 场景 95%+ KV-Cache 命中率意味着高 batch 运行）。OpenCode CEO 的 "6 倍利润" 说法与 batch ~80 的计算完全一致。

Pro（70% 毛利基线）： 盈亏平衡点在 batch 16-32 之间。batch 64+ 时利润空间打开。

Pro（83% 毛利）： 需要 batch 32+。Pro 的延迟更高（batch 100 时 ~90ms vs Flash ~35ms），适合吞吐场景而非交互场景。

交叉点分析： batch 64 时，Flash 每 GPU 每小时产出 78.1M token、Pro 产出 20.9M token——Flash 吞吐是 Pro 的 3.7 倍。但 Pro 售价是 Flash 的 3 倍。单位 GPU 的收入 Flash 略高于 Pro（156 元 vs 125 元），说明 Flash 对 DeepSeek 的单位 GPU 经济更友好——这也解释了为什么 Flash 定价更激进。

DeepSeek DualPath 论文的印证： Agent 场景 95%+ KV-Cache 命中率意味着大部分生产请求在 batch 64+ 水平运作。论文中 660B 模型（介于 V4-Flash 284B 和 V4-Pro 1.6T 之间）的实测数据确认了这个 batch 区间的可行性。

那 DeepSeek 为什么涨价？

如果两个模型的单位推理都赚钱，涨价的原因是什么？

容量瓶颈，不是成本瓶颈。

8 月 4 日 V4 Flash API 因"前所未有的访问量"出现性能下降。原因链条：

1. 需求暴涨（OpenCode 平台单日 8 万亿 token）→ 集群满载
2. 排队请求堆积 → 推理引擎被迫降低 batch → 有效吞吐下降
3. 吞吐下降 → 更多排队 → 用户感知延迟和错误率上升
4. 涨价是压缩需求的手段，不是因为单位推理亏钱

跟电力市场的逻辑一样：高峰时段电价翻倍不是因为发电成本翻倍，是因为发电机全部满载、边际成本变成"建新发电机的折旧"。

涨价幅度预测： 涨到需求回落到集群承载力以内就够了。考虑到 V4 Flash 当前周调用量 7.22 万亿 token（全球第一），需求弹性较低——预估 Flash 均衡价 4-6 元/M（涨幅 100-200%），Pro 相应上浮。

53 倍差距的物理拆解

同样方法倒推 Claude Sonnet 5（$15/M ≈ 107 元/M）：

• 70% 毛利 → GPU 预算 19 元/M → 所需吞吐 482 tok/s/GPU
• Dense 架构（推测 100B+ 参数全激活），batch 受 KV cache 容量钉死在个位数
• 聚合约 400-500 tok/s——刚好

两个比较维度

因子分解到 53× 的组合逻辑（这些因子不是全部叠乘——有些是互斥的）：

Flash vs Claude 的 53× 差距来自三个独立的物理维度：

1. Per-token 计算效率差（叠乘）：激活参数 100B+ vs 13B = 7.7× × MTP 1.8× = ~14×。同一 batch 下 Flash 每 token 所需 HBM 带宽比 Claude 少 14 倍。假设 Claude 以 BF16 推理，FP8 带来额外 ~1.5× 加速，此因子合计 ~21×。
2. 有效 batch 差（独立维度，不与因子 1 简单叠乘）：KV cache 压缩允许 Flash 跑 batch ~80+，Dense + 标准 MHA 的 Claude batch 钉死在 2-8。有效 batch 差约 10-40×。
3. 地理成本（小因子，叠乘）：中国电费/自建数据中心 vs 美国云 = ~1.5×（Claude 推理用美国云 H100/H200，DeepSeek 自建数据中心用 H800/昇腾 950PR，电费 ~¥0.5/kWh）。

组合方式：因子 1（~21×）× 因子 3（~1.5×）= ~31× 的 per-token 计算成本差。再乘因子 2（batch 差 10-40×）会得到理论叠乘 ~300-1200×——但 batch 差和 per-token 差不是完全独立的（高 batch 的调度 overhead 递减、尾延迟增长），需打强耦合折扣。合理估计：~50-70× 的总差距，与实际 53× 吻合。

Pro vs Claude 的 18× 同理：因子 1 = 2.0× × 1.8× × 1.5× = ~5.4×；因子 2 = ~5-8×（Pro batch ~32-64 vs Claude 2-8）；因子 3 = 1.5×。组合后 ~15-25×。

关键发现：Claude vs Pro 的差距只有 18 倍，且物理因素可以完全解释。 真正"不可思议"的便宜是 Flash（53 倍），不是 Pro。DeepSeek 的双模型策略实质上覆盖了两个价位：Pro 与 Claude/GPT 的差距是"合理物理差距"，Flash 则把物理效率推到极致后多出了一个数量级的定价空间。

物理因素占绝对主导。 这不是"DeepSeek 在补贴"，是"V4 架构在物理上更高效"。Claude 的 $15/M 也不是纯品牌溢价——dense 架构的物理底线就在那个位置。

对 Muse Code 的含义

Muse Code $0.20/M（≈1.4 元/M）。倒推 70% 毛利所需吞吐 = 36,670 tok/s/GPU。

V4-Flash 在 batch=100 时已达 36,000 tok/s/GPU。如果 Muse Spark 1.2 的架构效率接近 V4-Flash（13B 级激活 + 类似 KV 压缩），$0.20/M 在物理上可达。

关键问题：Muse Spark 1.2 的架构到底是什么？Meta 有三条路径：

1. 架构接近 V4-Flash 级别（13B 激活 + 激进 KV 压缩）→ 物理可持续
2. 架构常规（37B+ 激活）→ 不可持续，需靠数据补贴
3. MTIA 自研芯片进一步压低成本 → 更宽裕

预判

1. V4-Flash 涨价后均衡价 4-6 元/M。 驱动力是需求管理而非单位成本。涨价后毛利极高（85%+），但这是供需平衡价。

2. V4 双模型的定价精确追踪激活参数比例。 Flash 13B → 2 元，Pro 49B → 6 元，比例 3.75× 映射到定价 3×。OpenCode CEO 的 "6 倍利润" 说法指向 ~83% 毛利率，对应 batch ~80 的运行水平——与 DeepSeek 生产系统实测数据吻合。未来如果出现更激进的小激活模型（5B 级），物理底线允许定价到 0.5 元/M 以下。

3. Claude 12 个月内转向稀疏激活。 Dense 架构的利润空间正在被竞争压缩。如果 Claude 转向类似 V4-Pro 的 49B 激活 + Hybrid Attention，物理底线可降到 $2-3/M。

4. 下一代推理竞争的焦点是 KV cache 压缩。 V4-Flash 已把 KV cache 压到 V3.2 的 7%。继续压缩的技术空间（CSA 稀疏选择、Engram 查找、KV 差分编码）是下一个数量级的来源。

5. 验证节点：

   • DeepSeek 涨价幅度。Flash 4-6 元 → 验证需求管理假设。
   • V4 开源后 SGLang/vLLM 社区实测吞吐。单 GPU 聚合 >15,000 tok/s（Flash）/ >5,000 tok/s（Pro）→ 验证本文推算。
   • Anthropic 2026 Q4 是否发布稀疏激活模型。
   • Meta 是否在 6 个月内调整 Muse Code 定价。

---

声明：DeepSeek V4 定价来自官网公开信息（2026-08-08）。架构数据来自 V4 技术报告（2026-04 开源，55 页）。GPU TCO 为行业估算。Claude 架构参数为推测。70% 毛利为保守分析基线，83% 毛利参考 OpenCode CEO Dax Raad 2026 年 8 月 X/Twitter 公开帖文。不构成投资建议。数据截止 2026 年 8 月 8 日。