近日，围绕大模型算力效率的讨论再度升温，而这一次的焦点不再是单纯的“谁买了多少张卡”，而是“谁能用更少的算力跑出同等智能”。DeepSeek 开源的 V3 与 R1 系列模型，以公开披露的极低训练开销和接近顶尖闭源模型的推理表现，给整个行业上了一课：在高端 GPU 供给受限的现实条件下，算法与工程优化对算力成本的压缩空间，远比多数人预期的要大。其 MoE 架构、多头潜在注意力（MLA）以及 FP8 混合精度训练的组合，本质上是在比特与比特之间“抠”出效率，把每一份算力都花在真正贡献梯度的参数上。
这股效率竞赛很快传导到了应用层面。阿里通义千问在最新一轮模型迭代中继续压低 API 调用价格，部分轻量级版本的价格已经下探到以“厘”计费的区间，直接改变了中小企业接入大模型的门槛。对开发者和创业团队而言，推理成本不再是必须先融资才能跨过的墙，而变成了一个可以按调用量精算的运营变量。与此同时，智谱清言的 GLM 系列、月之暗面的 Kimi 也在长上下文与推理链路上做工程级优化，Kimi 主打的超长文本处理通过稀疏化与分块推理策略，把长上下文带来的算力爆炸问题部分化解。
字节跳动的豆包则在另一条路线上发力。依托火山引擎的算力调度能力，豆包系列模型在保证大规模并发推理稳定的同时，把价格战打到了行业低位，语音、视觉等多模态能力也被打包进低成本接口，推动 AI 能力在内容创作、客服、教育硬件等场景规模化落地。这种“模型+云+终端”一体化的打法，让算力不再只是模型训练的后台开销，而成为面向 C 端产品的隐形基础设施。
更值得注意的是算力供给侧的变化。国产 AI 芯片在推理场景的适配正在加速，华为昇腾、寒武纪思元等产品与主流开源模型的适配案例增多，部分云厂商已开始提供基于国产卡的推理实例。虽然在大规模训练场景下与英伟达高端产品仍有差距，但在推理这一“量大面广”的环节，国产算力的可用性正在快速提升，这对缓解整体算力紧张、降低对外依赖具有实际意义。
从行业视角看，算力竞争的叙事正在发生转移：过去比的是卡的数量和集群规模，如今比的是“单位智能的算力消耗”。DeepSeek 用极致工程证明效率可以再造，千问用价格把效率红利释放给开发者，智谱、Kimi、豆包则在不同场景里把这份红利兑现成产品。对熊猫湾的读者而言，一个更务实的判断是：未来一年，真正决定 AI 应用能否跑通的，不是谁能拿到最多的算力，而是谁能把算力成本控制到商业模型可持续的水平。这场围绕“每 token 成本”的较量，才刚刚开始。
标签：算力,DeepSeek,千问,推理成本