“便宜没好货”已成过去式 DeepSeek任务成本仅3美分
中国人工智能模型正在以惊人的速度缩小与OpenAI、Anthropic等前沿模型的性能差距，同时在“性能比”（即任务成本）这一关键指标上展现出压倒性优势。近日，据独立AI模型评估平台Artificial Analysis（AA）发布的数据，在全球前20大AI模型中，DeepSeek V4 Flash以单任务仅3美分的成本成为最经济的选择。
DeepSeek
性能差距加速收窄，中国模型跻身第一梯队
长期以来，中国AI模型以低价策略参与市场竞争。然而随着近期月之暗面Kimi K3、阿里巴巴Qwen 3.8 Max等模型的发布，中国模型已批量进入AA模型综合智能指数前10名。若将范围扩大至前20名，上月底发布的DeepSeek V4 Flash同样在列。
在智能指数60分以上的顶级模型中，唯一上榜的开放权重模型是月之暗面Kimi K3（60分） 。Kimi K3与当前智能指数排名第一的Claude Opus 5（63分）仅差3分，与GPT-5.6 Sol仅差1分，而其任务成本仅为84美分，在前沿模型中属于较低水平。
任务成本：企业AI支出的真实标尺
在AI模型成本评估中，令牌单价并非全貌。推理模型在回答前会消耗大量内部“思考”令牌，因此即便令牌单价低廉，单任务的总体成本仍可能偏高。“任务成本”更能反映企业实际支出——即完成特定工作所需的总令牌消耗量。
DeepSeek V4 Flash的智能指数为52分，与OpenAI GPT-5.6 Luna（max模式）持平，而任务成本仅3美分，略低于后者的5美分。更为关键的是，DeepSeek V4 Flash的首字响应时间（TTFT）为1.17秒，端到端响应时间为19.49秒；而GPT-5.6 Luna（max）的TTFT长达135秒以上。两者智能指数和任务成本相近，但DeepSeek的响应速度优势极为显著。
响应速度与商业模式的双重优势
在响应速度的对比中，Claude Opus 5表现突出：TTFT为5.92秒，端到端响应时间仅14.68秒，整体耗时仅为同级模型的四分之一。
此外，DeepSeek V4 Flash为开放权重模型（MIT许可证），允许企业自行托管；而GPT-5.6 Luna仅为API专用。这一差异在实际部署中可能对开发者的选择产生重要影响。
阿里巴巴新发布的Qwen 3.8 Max拥有2.4万亿参数，智能指数达58分，位列第10，印证了阿里巴巴“历代最强Qwen”的说法。但其任务成本为1.13美元，高于同级别竞品。
在1美分任务成本区间，GPT-5.6 Luna（low模式）、MiMo-V2.5和Llama 4 Scout均位列其中。其中MiMo-V2.5（智能指数37分）在同价位模型中性价比最高。
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的智能指数是一个复合指标，综合了GDPval-AA v2、τ-Bench Banking、Terminal Bench 2.1、SciCode、HLE、GPQA Diamond、CritPt、AA-OmniScience、AA-LCR等9项评估的加权结果。任务成本则基于每个模型在9项评估中实际消耗的令牌量（含输入、缓存命中、缓存写入、推理、输出）乘以令牌单价计算得出。需要指出的是，该指标以编码、数学、科学和代理式任务为基准，不适用于纯翻译、聊天机器人或一般办公场景。
