近日，社交平台上流传一则说法：DeepSeek此前公布的DeepSeek-V3模型“557.6万美元训练成本”涉嫌造假，理由是“任何一家公司都不可能用这点钱训出671B参数的MoE大模型”，并声称“真实成本至少十倍以上”。该说法被部分自媒体以“揭穿AI圈最大泡沫”为标题转发，引发不少开发者和投资人的困惑。经多方核实，这一指控本质上是对技术论文的误读，把“单次训练算力开销”和“模型全生命周期研发投入”两个完全不同的口径混为一谈。
先说清楚数字的来源。DeepSeek在DeepSeek-V3的技术报告中明确写明：该模型预训练阶段共消耗约278.8万H800 GPU小时，按当时每GPU小时2美元的市场租赁价折算，合计约557.6万美元。这一数字的定语非常明确——“假设GPU租赁价格不变的前提下，单次正式训练（pre-training run）的算力成本”。它不包含数据清洗与标注、架构探索、失败试验、强化学习后训练、推理部署以及团队人力成本。换句话说，这是“跑一次成功的那趟训练要烧多少卡时”，而不是“做出这个模型总共花了多少钱”。把后者往前者的头上扣，再指责前者“造假”，逻辑上并不成立。
值得注意的是，DeepSeek并非唯一采用这种口径的团队。国际主流大模型在技术报告中同样会单独披露“训练算力成本”，Meta在Llama系列、Mistral在Mistral-Large的相关文档中都有类似表述，行业惯例是把算力开销与研发总投入分开列示，便于研究者比较训练效率。Semianalysis等第三方分析机构在拆解DeepSeek-V3时也指出，其MoE架构的稀疏激活设计（每token仅激活约37B参数）与FP8混合精度训练，是压低单位算力开销的关键工程手段，557万美元的算力账在技术上是可解释的。
那么“真实成本到底多少”有没有权威说法？截至目前，DeepSeek官方并未公布包含人力、数据、试错在内的完整研发总账，外界所有“十倍”“二十倍”的估算均为推测，没有一家机构拿出可核验的凭证。多位接近该团队的技术人士向本栏目表示，DeepSeek团队规模精简、以工程效率见长，但其在数据构建和架构迭代上的投入同样不菲，“说557万是全部成本肯定是错的，说557万是假的同样站不住脚，因为它本来就不是那个意思”。
这则谣言之所以能传播，还搭上了另一条模糊信息：有账号把DeepSeek-V3与后续R1模型的训练开销混在一起计算，得出“前后投入上亿美元”的结论，再反过来“打假”V3的数字。实际上R1涉及大规模强化学习后训练，与V3的预训练成本是两笔账，技术报告分列得清清楚楚。把不同模型的数字拼接后制造矛盾，是此类“辟谣式造谣”的常见套路。
对普通用户而言，这件事的现实影响有限——DeepSeek-V3与R1的API价格、开源权重、上下文长度等对外能力并未发生变化。但对行业来说，它提醒我们：大模型技术报告里的每一个数字都有其限定条件，脱离口径谈“真假”，本身就是一种误导。本栏目建议，遇到类似“某模型成本造假”的说法时，先回到原始论文看该数字的完整表述，再判断指控是否成立。就目前可核验的证据看，DeepSeek-V3训练成本“造假”一说不能成立，属于对论文口径的曲解。
标签：DeepSeek,大模型,辟谣,训练成本