企业官网建设流程全解析

📋 目录

• 一、38 美元这个数字，原文到底说了什么
• 二、155 万亿是怎么来的：它不是一个测量值
• 三、三个数字连起来算，才知道 38 美元贵不贵
• 四、把这笔账换算成行业规模
• 五、钱会流向哪里：开源之后的三方账
• 六、几个流传很广但我不引用的数字
• 七、算完这笔账，能拿走的三个判断
• 八、结语

一、38 美元这个数字，原文到底说了什么

先做一件基础工作：回到一手来源，把官方技术报告里的原话找出来。

DeepSeek 官方在技术报告里给的表述是：目前单一集群的服务吞吐是 155 万亿 tokens/天，单卡每小时收入为 38 美元（按谷价，约合人民币 253.77 元）。

这句话里有两个限定词，缺一不可：

第一个是"收入"（revenue），不是利润。官方说的是这张卡在低谷时段跑 API 产生的营业收入，不是扣除 GPU 折旧、电费、机房、网络、运维之后的净利。

第二个是"按谷价"。DeepSeek 的 API 实行峰谷分时定价：高峰时段为 UTC 01:00–04:00 和 06:00–10:00、周一至周五，其余时间（包括周末及法定节假日全天）均按空闲时段计价，空闲时段价格是高峰时段的一半。

这两个限定词在传播中被丢掉了多少？看几个流传版本：

同一个串数字，24 小时内被读成了收入、利润、回本周期三种东西。这是这次开源传播里最实在的一处失真。

二、155 万亿是怎么来的：它不是一个测量值

先把这个数字的性质说清楚。155 万亿 token/天不是实测出来的，是官方技术报告里的一组配置参数推算出来的。

官方给出的原始指标有两个：prefill 单卡 150 万输入 tokens/秒，decode 单卡 1.4 万输出 tokens/秒。一条推理请求分两段——先读（prefill，把提示词过一遍建缓存），再写（decode，一个字一个字吐出来）。两段速度差了一个数量级，所以线上服务要把 prefill 和 decode 拆开、用不同数量的卡分别伺候。

官方跑的基准配置是：prefill 用 4 张 SM100，decode 用 64 张，各自在一个 scale-up 域内。这个 P:D 配比接近 1:1，本质是用卡数差把两段速度差补回来。

把它折算成全集群产出：

155 万亿除以 86400 秒，约合每秒 17.9 亿 token。这个量级和上面那组配置是自洽的。

但必须补一句：这个推导成立的前提是96% 的前缀缓存命中率。没有这个命中率，prefill 那一段的有效吞吐会从 150 万掉到 6 万——官方明确给了这两个数，差 25 倍。

这就是为什么 96% 这个数字必须和 155 万亿、38 美元一起看。单拎出 155 万亿说"这吞吐太夸张了"，等于把整道题的已知条件扔掉了。

三、三个数字连起来算，才知道 38 美元贵不贵

现在把这三个数字放进同一张表里推一遍。

DeepSeek-V4.1-Flash 当前的官方价目（每百万 token）：

有两条信息需要分开说。

第一条，美元价与人民币价对得上。官方美元口径的空闲时段输入（缓存命中）是 0.003 美元，而中文报道里广为流传的"每百万 Token 输入（缓存命中）在空闲时段收费 0.02 元"，按 7 左右的汇率折算正好是 0.003 美元。两套口径一致，不是矛盾。

第二条，缓存命中与否差 50 倍。同一批 token，命中缓存是 0.003 美元，没命中是 0.15 美元，差 50 倍。这个差值意味着：在 96% 命中率下，100 万 token 的输入成本实际是 0.96×0.003 + 0.04×0.15 = 0.00888 美元；如果命中率掉到 80%，同样这批输入变成 0.8×0.003 + 0.2×0.15 = 0.0324 美元，涨了 3.6 倍。

这条曲线的斜率说明了一件事：缓存复用率是控制实际支出的关键旋钮，账面算力峰值反而是次要指标。

把它代回 38 美元。官方那个"单卡每小时 38 美元"是在谷价口径下算的，按当时的定价结构反推，隐含的是高缓存命中 + 高负载率这两个前提同时成立。

所以 38 美元不是一个可以外推的常数。它是"谷价 + 高命中 + 高负载"三个条件同时成立时的快照。

顺带说一个中文报道里常见但没必要的延伸。中国基金报按 38 美元/卡/小时折算出一张卡 24 小时满负荷运行每天收入 6090.48 元、一个月约 18.27 万元。这个算术本身没错，问题在于它把三件事当成了永远成立：卡片满负荷不空转、价格永远是谷价、汇率和定价策略不动。

真实的 GPU 利用率长期在 25% 到 27% 这个区间。这是行业里流传的一个数字，同样没有一手审计，但方向上没有争议。把它代进去，"单卡月入 18 万"要打三折左右。

四、把这笔账换算成行业规模

《财经》做了一次更完整的测算，值得完整引用，因为它把两个口径都摆出来了。

按 DeepSeek 官方定价，全部按空闲时段计价：单集群日收入约 1535 万元，月均约 4.67 亿元，年化约 56 亿元。全部按高峰时段计价：分别约为 3069 万元、9.34 亿元和 112 亿元。

但这篇报道自己写得很清楚，这个计算有两个前提：未考虑 DeepSeek 的整体集群规模，也未考虑算力、电力等成本，也不代表 DeepSeek 实际实现的营收。

一位算力基础设施人士对《财经》的说法是：在高毛利率的支撑下，制约 DeepSeek 收入增长的只剩下算力规模。一位经常往返北京与乌兰察布的数据中心人士透露，DeepSeek 正在那里规划建设吉瓦（GW）级算力集群，目前仍租用国内两家大型 IDC 服务商的算力集群。

把这两组数字并排放，结论就浮出来了：

**用 5000 亿估值对 56 亿年化收入，PS 差不多 90 倍。**这个比例明显不是靠 API 收入支撑的。

这解释了 DeepSeek 为什么要做一件在商业上看似"自割一刀"的事：把推理框架开源。框架开源不带来许可收入，但会带来部署惯性——默认权重是 DeepSeek-V4.1-Flash-1017，编解码组件 deepseek-recipe 只认 V4 与 V4.1，模型与框架互为入口。这是一种用工程文档换分发的方式。

也解释了另一件事：为什么这次开源最被质疑的不是技术，而是"你把自己的成本优势送给别人了"。业内有人把话说得很不客气：廉价客户是不存在的忠诚，把自己的全部技术公开，换来的只会是其他厂商再一次在性价比层面联合绞杀。

五、钱会流向哪里：开源之后的三方账

把 DeepSeek、第三方服务商、企业买方三方的账分开算，结论比"谁吃亏谁占便宜"要清楚。

DeepSeek 这一边。短期少赚的是 API 价差——如果第三方用 DeepInfer 把服务成本压下来，要么降价抢份额，要么保住价格让出利润。中长期多的是两件事：一是把推理工程能力变成生态标准，让所有用 DeepSeek 模型的人默认站在 DeepInfer 这一侧；二是用开源框架把硬件需求锚定在 SM100 与昇腾 950 上。

有业内人士的判断是这样：借助 DeepInfer，第三方服务商可以让同一批硬件处理更多请求，把运行同一款模型的成本降下来。这部分成本节省，既可能用于改善利润，也为降低 API 报价提供了空间。

第三方服务商这一边。短期冲击有限，因为缺三件套意味着自建仍然需要平台工程能力，云厂商和 Together、Fireworks 这类服务商的编排层没有被替代。但中期取决于补齐速度——如果 KV 缓存与 P/D 分离按 README 的暗示陆续开源，"下载即服务"的门槛会明显下降。

这里有一个值得警惕的信号。博通 CEO 在高盛的一次会议上摆出了一组当前语言模型的创收数据：从生成 Token 的数量来看，闭源模型和开源模型差不多各占 50%，两种模型在服务器上的推理成本也差不多，但闭源模型的年收入在 1200 亿美元左右，是开源模型 300 亿美元的 4 倍。

这组数据的含义不是"开源模型更赚钱"，而是推理成本相近、收入差 4 倍。这 4 倍的差距来自模型能力溢价和定价能力，而一旦推理工程成为可复制的商品，这层溢价就会被持续压缩。

企业买方这一边。账最清楚。有个说法来自 HN 评论：如果 AI 输入账单能砍掉九成以上，企业会愿意为剩下的部分付安全溢价。这个判断成立与否，取决于 DeepInfer 到底是"能直接跑的框架"，还是"需要自己补齐一半的框架"。

六、几个流传很广但我不引用的数字

按这个栏目的规矩，把查不到可确认口径的数字单独列出来。这一轮传播里有几条属于"看着精确、实则无法确认"的类型：

最后一条特别值得点出来。中文互联网在写这次开源时，普遍把 DeepGEMM-Ascend 的 99.8% 硬件利用率和 DeepInfer 的引擎能力捆在一起讲，读起来像是"DeepInfer 在昇腾上跑出了 99.8%"。这是两件事：一个是算子库在一种精度一种形状下的峰值占用率，一个是引擎的端到端服务能力。它们都在 DeepSeek 名下、都与昇腾 950 相关，但证据等级完全不同。

再补一组背景，说明这轮价格战不是 DeepSeek 单独发起的。10 月，Anthropic 把 Haiku 5.5 短请求的价格压到每百万输入 token 0.1 美元、输出 0.5 美元，分别只有 Haiku 4.5 的十分之一；9 月 22 日发布的 GPT-6 Luna，输入价格从上一代的 0.2 美元降到 0.1 美元，输出从 1.2 美元降到 0.5 美元。DeepSeek 开源推理框架，是把这轮竞争从"谁敢先降"变成了"谁能把成本压到让对手不得不降"。

还有一组数字值得对照：a16z 在 10 月发布的消费 AI 报告里提到，Claude 最高价的个人套餐 Max 用户占消费付费用户的 7.3%，Google 和 ChatGPT 百美元级高价套餐上占比分别只有 1.3% 和 1.1%。**愿意为高价付费的用户基础非常有限。**这既解释了为什么厂商要用低价产品冲量，也解释了为什么推理成本这件事对所有人都重要——当绝大多数用户都在用便宜那一档时，能不能把便宜那档的成本再压一压，比旗舰模型强不强更决定生意。

七、算完这笔账，能拿走的三个判断

把上面的数字收成能直接用的结论。

判断一：38 美元不能用来推算 API 价格该定多少。它是收入口径、谷价口径、单集群口径、高缓存命中口径的复合产物。用它做定价锚点，会系统性高估单位 token 的合理价格。

判断二：真正该盯的是缓存命中率，不是吞吐。96% → 80% 意味着同样输入贵 3.6 倍。而缓存能不能命中，取决于你的业务有没有"同一个前缀被反复请求"这个特征。有，就该自建；没有，官方 API 的价格结构对你更划算。

判断三：自建的门槛不在软件，在规模。DeepSeek 官方口径的最小高效部署单元是 64 卡 prefill 加 64 卡 decode，共 128 张 SM100 或昇腾 950。这不是中小团队能碰的量级。而且模型本身是 763B 参数、48 个 safetensors 分片约 510 GB，1-bit 量化仍需超过 128 GB 系统内存。

这三个判断的关系可以用一张图说清：

顺序反了，前三个问题就都白问。绝大多数讨论卡价的时候直接从"每百万 token 多少钱"跳到"谁更便宜"，跳过了决定这串数字是否有意义的三个前提。

所以更现实的路径是：不在自己的机房里跑 V4.1-Flash，而是用 DeepInfer 里那几项调度思路去优化自己已有的推理部署。vLLM 的工程博客正好演示了这条路径的可行性——Wide-EP 配合 EPLB 把负载均衡度从 0.35 提到 0.94，仅 NIXL push 一项修复就把单 GPU 吞吐从 141K 提到 440K tokens/s。

对领码 SPARK 融合平台的映射

这套账算下来，落到企业数据平台上有三条对应关系。

其一，成本可见性要前置到调用链，而不是月底出账单。现在大多数企业是"月底看到账单才知道花了多少"，但从上面的推导可知，缓存命中率掉 16 个百分点，同样负载的输入成本就涨 3.6 倍。这意味着问题往往不在"用得太多"，而在"缓存没命中"。治理中心要能把"哪类请求前缀重复率高、哪类请求每次都是全新长 prompt"这个维度拉出来看，才能定位到真正该优化的位置。

其二，权限判定要跟着数据走。这条在推理层尤其硬——一旦某个 Agent 决定把一段内部文档送进自建推理侧，数据就出了原有的系统边界。传统权限长在应用系统边界上，抽数据那一步就丢了权限。领码的全域守卫要做的是把"谁在什么域能看什么"做成一张能查询的表，让推理侧部署在哪个域、调用哪份数据、产出流向哪里，都能被记下来、能被追。

其三，模型侧交给 Dify 一类编排层，数据侧留给平台。开源推理引擎不会让应用编排层消失——DeepInfer 自己就不含服务化层，编排、路由、缓存这三层要使用者自己写。这正好说明分工：编排层解决"业务逻辑怎么串成 Agent 调用链"，数据平台解决"这些 Agent 拿到的数据是不是被授权的、干净的、能追溯的"。

一句话：推理框架可以换，成本结构必须能被看见，标准和授权不能靠换一个引擎顺带解决。

八、结语

这次开源传播里最值得记下来的，不是哪个数字最大，而是哪个数字最容易被读错。

155 万亿 token/天，是配置参数推算出来的量级，不是实测值；38 美元/卡·小时，是谷价时段的收入，不是利润；96% 缓存命中率，是让前两个数字成立的前提条件。

把这三个数放回各自的限定词里，你会发现整件事的量级并没有那么夸张——**一家把推理成本压到极致、让 API 定价低到地板的公司，把自己的成本结构公开了一部分。**这不是慈善，是分发策略，也是把行业价格重新锚定的动作。

真正该被追问的是下一个问题：当推理工程变成人人可复制的商品，闭源厂商那 1200 亿对 300 亿的收入差，会被压缩到什么程度？

你现在为模型 API 付费，是按"每百万 token 多少钱"在比价，还是按"缓存命中率 + 实际调用量"在算总账？如果给你一个能看清自己调用结构里前缀复用率的视图，你最想先看到哪一维的拆分？评论区说说，我按形态给你拆一下该看哪几个数。