政策、競爭兩頭夾擊，國模未來看昇騰？

上週五 DeepSeek 4.1 版本進行了更新，雖然只是一次版本之內的 “小更新”，但實際性能提升明顯。疊加同一天爆出的 DS 計劃用升騰做下一代預訓練以及美國國土安全部發布禁令的影響，DS 的近期事件對行業以及產業鏈的影響都不小。$智譜(02513.HK) $MINIMAX-W(00100.HK)

核心結論整理：

1. 模型本身如何？

V4.1-Flash-1017 不是 “國產超越 Opus” 的故事，而是一次成本領先＋編程 Agent 專精的強化。它最直接衝擊的是國內同檔的 Flash 模型，以及海外輕量模型（Haiku 5.5、GPT-6 Luna）。

2. 國產算力替代？

The Information 援引消息人士話稱，DS 年底會用升騰預訓練前沿模型，難點不在單卡，而在萬卡規模下的通信和穩定性。

DeepSeek 自己也説這是 “最大一場豪賭”。賭贏了，中國前沿訓練才有望真正與英偉達脱鈎。但兑現的時點至少要到 2027 年之後，全部交付、看到整體效果則要到 2028 年。

3. 中美政策夾擊影響？

受影響的主要是 “第三方雲託管＋授權分成” 這條中間渠道。DeepSeek 靠的是自有 API 和 MIT 開源，後續需要保持前沿領先才能守住稀缺性估值溢價，其中升騰能否支撐好 DeepSeek 的下一代模型預訓練開發影響不小。

而原先把出海空間押在 AWS 分銷、超 2 萬億參數大模型上的同行，因政策受到的估值情緒壓力更大。

以下為詳細分析

一、DeepSeek 開啓新一輪 “性價比” 基模的中美對抗

1. V4.1 Flash-1017：版本小更新，性能大提升

（1）V4.1-Flash 底層架構：

它是一個 5520 億參數的混合專家（MoE）模型，但每次只 “叫醒” 一小部分專家：讀輸入時只激活約 80 億參數，寫輸出時約 160 億。

再加上把 “記憶”（KV Cache）壓到每個 token 約 890 字節，讀一整個代碼倉庫也不會擠爆顯存。所以它天生適合 “讀得多、寫得少” 的編程 Agent 場景。

V4.1-Flash 9 月 10 日首發，這次 10 月 17 日更新為 1017 版本。雖然只是對同一代模型的小更新，但實際能力提升幅度非常可觀，同時關鍵的緩存價格保持不變，妥妥的 “加量不加價”。

從基準指標跑分和實測來看，V4.1 Flash-1017 重新回到帕累托最優區間（下圖綠色區間），以 Max 版本為例，在 0.2 美元-0.3 美元的單任務成本區間，DS 競爭力比較突出。

以相似定位的同行模型對比來看，Max 版本綜合性價比甚至略優於 Claude Haiku 5.5 的 Max 版本。

（2）綜合性能提升路徑

具體能力上，1017 版本沿用 9 月 10 日首發的底層架構（Causal encoder-decoder 搭配 MoE），依靠定向能力優化來實現效果提升。

這套架構本身就可以削減 Attention 階段的計算量，壓縮 KV cache 資源消耗，疊加推理側工程優化，提高緩存命中率（接近 100%），然後大量調用流量走低價緩存通道。

最終實現路徑簡單來説就是：

1）減少大模型的自由發揮，更聚焦用户指定要求來 “幹活”。同時減少參數、格式等錯誤，提高返回結構的穩定性；

2）讓大模型記住關鍵信息、多輪對話中別跑偏，而非迷失在長上下文中，壓縮 KV Cache。

3）輸出更短、步驟更省：減少大模型輸出廢話、重試、長分析的情況，高緩存命中率、調用 token 走便宜通道，最終讓 Agent 跑完任務更便宜（單任務成本從 3.3 元下降至 1.3 元）

4）重點優化軟件工程/終端/自動化任務，讓 DeepSeek 的 Coding Agent 能力定向提升（DeepSWE 從 74.2% → 77.0%）

5）對特定的生態平台做適配：此前海豚君提到，不同的大模型和特定 Harness 之間並非完全適配，最佳的情況肯定是大模型和 Harness 屬於同一家，這樣後訓練過程才可以利用全量使用軌跡數據進行一致性優化。

這次 V4.1 的更新專門針對 DeepSeek Harness、CodeBuddy、WorkBuddy、Claude Code 等 Harness 平台做了適配優化。

（3）最優應用場景——Coding（輕量開發）、Agent 自動化（高頻重複業務）、多模態視覺（3D 模型設計）

在實用性上，1017 版本因為 Coding 和圖像理解相關的能力突破，所以在視覺編程（2D 建模、網頁生成）、三維設計能力、遊戲開發類的 3D 任務處理能力上有明顯提升。

但在通識性推理上，HLE（人類最後考試）沒有明顯提高。側面説明這次的提升是定向的：資源集中投向編程、Agent 和視覺工具任務，通識與基礎推理沒有躍遷。

官方喊出了 “許願式編程” 的產品賣點——只需要更少的提示詞，就能搭建完整項目工程，依靠更長的思維鏈去處理複雜 Coding 任務（但解碼速度夠快，所以任務耗時仍然不長）。

整體而言，V4.1-Flash-1017 更加適配輕量、初級的 Coding 場景，部分性能可以對標 GPT-6 Extra 和 Luna。但不適合拿該 Flash 版本來承擔高質量公文、深度文學創作以及對幻覺率要求較高的強事實核實等任務，這類用旗艦模型效果更好。

（4）商業化新觸點——搜索 API 開始收費

開放自研的 Search/Fetch 接口，每千次成功請求 5 元。通過 DeepSeek Harness、Claude Code、Codex 走服務端工具調用的部分暫時免費，11 月 1 日起按次收費。

2. 中美性價比基模的追逐

9-10 月，海外密集更新了高性價比風格的產品，部分輕量模型已經在標價上甚至跑贏大部分中國大模型。這也在驗證海豚君此次財報中所説的，在算力預備充分的情況下，海外頂模廠開始自己蒸餾低價模型，與中國的性價比模型競爭，從而壓低中國模型的生存空間。

海豚君 10 月 8 日點評 Haiku 5.5 時指出，北美模型第一次在輕量檔性價比上跑贏了大多數同性能的中國模型。

這次 DS V4.1 Flash 的更新，並沒有繼續降低紙面價格，但通過優化緩存命中，將實際 Agent 場景任務成本壓縮更多——在 Agent 場景，同一段上下文會被反覆調用，絕大部分 token 走的是緩存檔。

DeepSeek 閒時緩存命中價是 0.02 元/百萬 token，而海外廠商大多不公開實際命中率。因此就算紙面單價接近，真實賬單可以差出一個數量級。

從年中 K3 實現突破性追趕，中間 2-3 個月期間中國大模型在有意義的迭代上，節奏似乎慢了下來。部分業內説法是，思維鏈隱藏等反蒸餾手段的實施，拖慢了中國大模型的追趕速度，將 K3 打出的 3 個月代際差，又重新拉回到 6-12 個月。

但這裏的代際差只是預訓練部分。據智譜介紹，中國大模型目前已經越來越依賴後訓練來實現性能提升。這個階段對數據質量（有上下文環境、有真實反饋）的要求更高，而非數據規模大小。隨着 AI Coding 等生產力場景的採用率提升，可用於後訓練的高質量用户軌跡數據也在增加。

不過，隨着海外前沿模型的預訓練參數量上升到 5-10 萬億級別，中國大模型在預訓練階段的提升還有空間，目前已發佈的中國大模型總參數量大多在萬億以下，在研模型中面向 3 萬億及以上參數量規模的正在增多。

中美大模型競爭，我們將 DS 1017 版本視作中方在 “性價比” 比拼中的新一輪迴擊起點（非最前沿模型）。據業內調研統計，10 月至 11 月將有多家中國大模型迎來重要的版本更新，除了昨天發佈的 Minimax M3.1 外，GLM 5.5、Kimi K3.1、Qwen 4.0、HY-4 Pro 將在這 1-2 個月中陸續發佈。

二、中國國產算力替代提上日程？仍要看萬卡規模下的通信穩定性

昨天 The Information 報道， DeepSeek 正與華為合作設計未來的 AI 芯片，計劃最早在 2026 年底開始用升騰 950DT 做預訓練。對於 DeepSeek 來説，這是 “一場豪賭”。

這也印證了此前的建產傳聞：9 月 Bloomberg 報道 DeepSeek 計劃在烏蘭察布建吉瓦級數據中心，採購至少 16 萬顆 950DT（約 25.6 億美元）。但當時的説法是，950DT 主要用於推理，訓練仍依賴英偉達，交付週期至少 18 個月。

這裏面存在的口徑差異，只能説明，年底預訓練上升騰暫時是計劃方向，具體實施、上規模的落地和效果評估都要等到明年再説。

1. 950DT 是什麼水平

按華為路線圖規格：FP8 算力 1 PFLOPS、FP4 2 PFLOPS、144GB 自研 HBM（HiZQ 2.0）、4TB/s 顯存帶寬、2TB/s 片間互聯，大約在 H20 與 B200 之間。

• 單卡： FP8 算力只有 B200 的約 22%，顯存帶寬只有一半。
• 互聯： 片間互聯帶寬 2TB/s 反而略高於 B200 的 1.8TB/s。因此華為的思路是用互聯換規模——Atlas 950 超節點官方已確認 1024 卡（1 EFLOPS FP8、256TB 全局統一內存編址含 CPU 系統內存、3 微秒時延），路線圖目標是 8192 卡全互聯。

但訓練萬億 MoE 時，真正決定效率的是大規模專家並行下的實際通信吞吐。專家並行規模從 8 個提升到 128 個時，分給不同的專家任務處理結果在匯聚時吞吐掉了大約 20%。也就是説卡連得越多，每張卡分到的有效通信能力越弱。

不過，在超節點內，對專家的任務分發（dispatch）和合並各專家的任務結果（combine）時候，帶寬已經接近 H100/H200 節點內 NVLink。

2. 技術難點：萬卡互聯的效果穩定性

（1）通信牆：大專家並行（EP）下的帶寬衰減。 萬億參數的 MoE 模型預訓練，token 要在卡與卡、節點與節點之間來回路由，跑的是 EP32 乃至更高。

• 宣傳口徑： DeepSeek 9 月 30 日開源升騰版 DeepEP，實測 dispatch 375GB/s，“接近硬件上限”。但這是 EP8 檔、PoC 版固件下的每卡數據，商用版可能更低。
• 實際衰減： 從 EP8 擴到 EP128，dispatch 降約 15%，combine 從 347GB/s 降到 278GB/s，降約 20%。官方説是因為結合合併時本地規約開銷，以及遠程內存訪問與計算爭搶 HBM。

也就是説，宣傳口徑取的是最優檔，但實際工程上要按衰減後的數字做預算。

（2）穩定性牆：卡越多，故障越頻繁。 據機構調研，華為給出的千卡 MTBF（平均無故障時間）是 300 小時、領先業界 25% 以上的宣傳口徑。

但一般而言故障率隨卡數線性放大，比如以 1.6 萬卡的集羣來算，意味着平均每 19 小時就會出一次故障（300*1000/16000），斷點續訓、故障隔離和快速恢復的工程量會非常大。英偉達的萬卡集羣也有同樣的問題，但 CUDA 生態多年積累的容錯工具鏈，升騰還需要補課。

（3）效率牆：算力利用率（MFU）還沒有公開數據。 華為 CANN 社區公開了一份面向萬億參數 MoE 的預訓練系統參考實踐：用 V4-Flash（約 2840 億參數）在 950 超節點上做了實際訓練驗證，再對 550B、1.6T 兩個規模做了切分分析，並討論向 10 萬億參數外推。

但實際驗證的規模遠小於萬億，各規模點用了多少卡、MFU 多少也都沒有披露。

可參照的數據： 盤古 718B MoE 在升騰 A2 萬卡集羣上 MFU 約 41%。

（4）供給牆：HBM 和產能。 華為輪值董事長的原話是 “能產多少就供多少”，瓶頸在國內工藝、存儲和光模塊。950DT 超節點目前還在測試，規模供貨要到今年底或明年初（全部交付完畢要 18 個月）。

• 產能佔用： 有調研口徑稱 950DT 年產量數十萬顆，DS 的 16 萬顆大約就要佔四成。
• 成本： 業內測算，HBM 大幅漲價導致國產卡報價 “雙向漲價、HBM 配置降低”，可能會進一步拉大單卡性能差距。

3. 對中美算力格局的影響

（1）對中國： 這是國產算力從 “推理夠用” 邁向 “訓練可用” 的關鍵一跳。

• 現狀： 目前中國頭部大模型的預訓練還是用海外卡。比如 Kimi，據調研前沿預訓練約 70% 放在海外租的 GB200/GB300 上，剩下 30% 中也主要是國內的英偉達卡；國產卡主要做後訓練。
• 意義： 如果 DeepSeek 能在升騰上訓出前沿模型，國內前沿訓練對英偉達的依賴就會從 “必須” 變成 “可選”。
• 軟件棧： DeepSeek 把 GPU 平台上的 DeepGEMM、FlashMLA、DeepEP、TileLang 一一對應地移植到升騰並開源，這降低了從 CUDA 生態遷移到升騰的成本。
• 產能受限下的外溢： 頭部客户鎖單會進一步擠佔升騰的有限產能，二線模型廠商和雲廠商拿卡做推理會更難，推理需求可能外溢到其他國產芯片上（寒武紀、沐曦、壁仞等）。

（2）對海外算力：短期影響不大。英偉達在中國高端訓練卡上的份額早已被管制壓到很低，這部分預期基本已經消化；美國前沿實驗室仍在往 5–10 萬億參數走，對高端算力的需求仍然高於供給——如下圖 SemiAnalysis 跟蹤數據，近一週 B200 租賃漲幅接近 15%。

但中長期視角，DeepSeek 一路用稀疏激活、KV 壓縮把單位 token 算力壓低，如果再證明 “夠用” 的國產算力也能訓出前沿模型，美國用算力封鎖換時間差的策略，邊際效力會繼續遞減。

三、兩道政策：主要被擠壓的是 “第三方雲託管＋授權分成”

1. 美國：DHS 禁令

DHS 第 2026-01 號排除與移除令（7 月 24 日簽發，10 月 20 日刊登聯邦公報）要求：

• 範圍：聯邦文職機構停止採購並移除 DeepSeek 產品，以及 “基於 DeepSeek 實現開發的第三方產品和服務”；國家安全系統另有授權，不在其內。
• 例外： 機構可以在 60 天內書面申請。
• 名單： Kimi、千問被點名為 “關注對象”，但不在禁令範圍內。

直接的收入影響幾乎為零，DeepSeek 本來就沒有美國政府客户。真正的影響在 “第三方產品” 這一條：賣給聯邦政府的美國 SaaS 廠商，今後不敢再把 DeepSeek 嵌進產品裏。這也會讓美國企業客户（尤其是有政府業務的）避開 DeepSeek。

此前紐約、田納西、弗吉尼亞等州也有類似舉措，後續值得關注的是這套邏輯會不會從政府採購延伸到商業領域。

2. 中國：技術出口目錄（徵求意見稿）

• 徵求意見： 23 項 AI 技術擬增列，意見徵求截至 11 月 15 日。
• 臨時登記： 公告發布當天即生效，覆蓋權屬轉讓、對境外許可使用等情形。
• 管控對象： 大模型核心技術（權重、關鍵檢查點、源代碼、架構、訓練與推理加速技術）列入限制出口；用國家核心數據訓練的大模型列入禁止。
• 閾值：參數量門檻為 2 萬億，另有約 10²⁶ FLOPs 的訓練算力門檻和 “全球前十” 的能力門檻（附件原文以正式稿為準）。

商務部發言人劃出的邊界很清楚：

• 不屬於技術出口： API 調用、App/網頁交互、SaaS、端側輕量化部署。
• 納入出口管理： 在海外本地部署受限模型；部署在海外自有云等相對可控的情形，可以走自動許可。
• 不納入管理： 已經通過開源、發表論文等方式進入公共領域的技術。

3. 對商業模式的影響：主要限制 “授權分成” 路線

把兩道政策疊在同一張表上，會發現它們影響的是同一條渠道：把權重部署到海外第三方雲上做分成。

• 中國側： 超過閾值的模型部署到海外第三方雲，屬於 “境外部署”，需要申報。
• 美國側： 政府和關聯企業對 “基於中國模型開發的產品” 設置採購門檻。

這條渠道恰恰是 Kimi 等同行的出海主路徑。Kimi 的商業化策略是 “減少自建 API，通過 AWS 等雲市場分銷、由合作方做合規背書”，K3 已經上線 AWS 和 Oracle；同時修改開源協議，要求年營收超 2000 萬美元的使用方分成。而 K3 有 2.8 萬億參數，正好超過 2 萬億門檻，是目錄最直接覆蓋的情形。

DeepSeek 存量影響較小，但壓縮未來增長空間：

• 收入來源： 主要來自自有 API。前 7 個月收入約 4.75 億元，官方口頭披露的年化運行率約 10 億美元。另一種 MIT 協議，不收分成，開源本身就是獲客手段。
• 參數規模： 現役主力 V4.1-Flash 的骨幹只有 5520 億參數，V4-Pro 是 1.6 萬億，都在 2 萬億門檻以下。

所以，兩道政策對 DeepSeek 現有收入的直接衝擊接近於零。它真正需要面對的是三個中長期問題：

下一代模型開源要申報： 如果下一代旗艦在訓練算力或 “全球前十” 上觸發門檻，開源就要先走 “即報即出”，雖然不是完全禁止，但增加了摩擦，也無法避免後續的監管繼續收緊，總歸會影響與海外客户的合作開放度。站在國家層面，前沿大模型的權重正在被當作戰略資產管理。

開源的獲客價值打折： 美國禁令針對的是 “基於 DeepSeek 開發的產品”，開源下載量再大，也換不來美國政府和企業中大型客户。海外收入只能來自價格敏感的開發者和中小企業，而這又與 Haiku 5.5、GPT-6 Luna 降價爭奪的人羣重合。

商業模式繼續往 “工具化” 遷移： 11 月 1 日開始收費的 Search/Fetch，加上 Harness，是在 token 之外再加一個按次計費的觸點。這條路不涉及權重出境，兩道政策都管不到，是 DeepSeek 最安全的增量方向。

海豚君觀點： 市場傾向於把 “美國禁令＋中國出口管制” 讀成國產開源模型出海的雙重利空。我們認為，預期壓制難免，但具體影響存在結構性差異：

（1）利空集中的地方： 第三方雲託管、授權分成、海外私有化部署。雖然海外雲託管分成的業績貢獻還不高（Kimi、智譜都是剛剛和亞馬遜 Bedrock 合作），但會影響到這一部分的估值敍事——高成長預期押在 “出海 ARR” 上。

（2）影響較小的模式： 自有 API 出海、開源只做獲客。頭部 tech 旗下的模型也大多以自有生態產品來獲客，因此影響也較小。

獨立 lab 上，DeepSeek 也是自有 API 的變現為主，Minimax 直接影響也較小，因海外 ARR 主要來自 C 端應用和 API。但 Minimax 本身受基模的 “價格戰” 影響較大。

（3）DeepSeek 目前的主要約束： 不是政策，而是算力。

下一代模型能否在升騰上訓出來，決定了它能否從 “特定價格帶的性價比之王” 升級為 “前沿智能上限的競爭者”，也決定了 5000 億元估值（~750 億美元）的敍事能不能成立。

按梁文鋒口頭披露的約 67 億元 ARR 算（10 億美金），對應約 75 倍市銷率。

這對比其他同行，尤其是已經在二級市場上市的兩家，DS 和 Kimi 估值存在明顯溢價（具備持續前沿模型的研發迭代能力的 “稀缺性溢價”），也就是説，估值幾乎完全由下一代模型的向上期權價值來支撐。

但反過來海豚君認為，隨着絕對龍頭 Anthropic 估值有下調傾向，大模型整體估值情緒也會降低。疊加激烈競爭 + 監管受限，DS 和 Kimi 的溢價可能也要被迫縮小。

<此處結束>

本文的風險披露與聲明：海豚研究免責聲明及一般披露