2025 年 8 月 21 日，DeepSeek 宣布上線新一代大模型 DeepSeek-V3.1。該版本在模型架構(gòu)、數(shù)值精度與國(guó)產(chǎn)算力適配上做了系統(tǒng)升級(jí)，并同步優(yōu)化了 Agent 能力與 API 定價(jià)與生態(tài)策略?？傮w來(lái)看，V3.1 的推出意味著國(guó)內(nèi)大模型正從“單點(diǎn)性能突破”邁向“技術(shù)與產(chǎn)業(yè)協(xié)同落地”的新階段。

說(shuō)明：以下內(nèi)容為基于公開(kāi)信息的整合與重述，已進(jìn)行結(jié)構(gòu)化改寫(xiě)與表述優(yōu)化，避免復(fù)述性表述與潛在版權(quán)風(fēng)險(xiǎn)。

關(guān)鍵升級(jí)與技術(shù)要點(diǎn)

混合推理架構(gòu)：V3.1 將“深度思考模式”與“快速響應(yīng)模式”并入同一模型框架。

思考模式：強(qiáng)化復(fù)雜任務(wù)的多步推理能力。

非思考模式：精簡(jiǎn)計(jì)算路徑，提升響應(yīng)效率與成本可控性。

官方測(cè)試口徑顯示，“V3.1-Think”在輸出 token 數(shù)減少約 20%–50% 的情況下，綜合表現(xiàn)與 R1-0528 基本持平，且非思考模式具備更好的輸出長(zhǎng)度控制。

參數(shù)精度優(yōu)化（UE8M0 FP8 Scale）：

采用面向新一代國(guó)產(chǎn)芯片的 FP8 方案，在保持精度的前提下進(jìn)一步壓縮顯存與內(nèi)存占用，據(jù)稱內(nèi)存占用下降約 30%。

通過(guò)量化感知訓(xùn)練等技術(shù)，兼顧推理能效與模型精度，為國(guó)產(chǎn)芯片的原生 FP8 訓(xùn)練/推理鋪路。

Agent 能力強(qiáng)化（Post-Training）：

在代碼修復(fù)（SWE）、終端復(fù)雜操作（Terminal-Bench）等任務(wù)上較此前代模型有明顯提升。

在需要多步檢索與推理的評(píng)測(cè)（如 browsecomp、HLE）中，官方表示相較 R1-0528 有大幅領(lǐng)先，被定位為“邁向 Agent 化的階段性節(jié)點(diǎn)”。

生態(tài)與價(jià)格策略：

App 與網(wǎng)頁(yè)端支持“一鍵切換深度思考/快速響應(yīng)模式”。

API 定價(jià)（自 9 月 6 日起）：輸入端按緩存命中與否區(qū)分（命中 0.5 元/百萬(wàn) tokens、未命中 4 元/百萬(wàn) tokens），輸出端統(tǒng)一 12 元/百萬(wàn) tokens；取消夜間優(yōu)惠?？傮w策略是在輸出側(cè)小幅上調(diào)、輸入緩存成本保持不變，以技術(shù)優(yōu)化攤薄整體使用成本。

國(guó)產(chǎn)芯片適配與產(chǎn)業(yè)協(xié)同

與主流國(guó)產(chǎn)算力的協(xié)同進(jìn)展：

昇騰 910B 已完成 V3 適配，通過(guò)自研推理加速引擎在安防、工控等場(chǎng)景實(shí)現(xiàn)本地化高性能推理。

海光 DCU 完成 V3/R1 適配，宣稱通信延遲下降與訓(xùn)練效率提升并行。

龍芯 3 號(hào) CPU 設(shè)備實(shí)測(cè)可運(yùn)行 R1 7B 模型，支持邊緣/本地部署的輕量化方案。

多家廠商差異化路線：

沐曦曦云 C500 在 V3 推理上的性能與單位 token 成本具備競(jìng)爭(zhēng)力；

天數(shù)智芯專注蒸餾模型的穩(wěn)定推理；

壁仞覆蓋 1.5B–70B 全量級(jí)蒸餾模型；

摩爾線程率先原生支持 FP8（MUSA 架構(gòu)），為 V3.1 提供底層計(jì)算支持；

芯原 VIP9000 NPU 打通“云端 FP8 訓(xùn)練—端側(cè)部署”的遷移路徑。

政策與市場(chǎng)雙輪驅(qū)動(dòng)：

超算互聯(lián)網(wǎng)平臺(tái)將 DeepSeek 模型納入標(biāo)準(zhǔn)算力庫(kù)；

運(yùn)營(yíng)商在 5G 基站側(cè)優(yōu)先采用已適配國(guó)產(chǎn)芯片的推理模塊。

能源與工業(yè)私有化部署：

中石油、中海油、國(guó)家管網(wǎng)等單位完成私有化部署；

中海油“海能”平臺(tái)在全國(guó)產(chǎn)化算力上接入 DeepSeek 系列，為全集團(tuán)提供統(tǒng)一服務(wù)；

結(jié)合海光 DCU 的低延遲與模型的實(shí)時(shí)推理，實(shí)現(xiàn)電網(wǎng)故障預(yù)測(cè)從“分鐘級(jí)”向“秒級(jí)”收斂。

競(jìng)爭(zhēng)力重構(gòu)的三個(gè)維度

硬件門(mén)檻下探：

MoE 使激活參數(shù)更可控，配合 FP8 精度標(biāo)準(zhǔn)，推理能效有望進(jìn)一步提升；

在 671B 參數(shù)規(guī)模下，部分國(guó)產(chǎn) GPU 在單位算力成本與延遲上呈現(xiàn)優(yōu)勢(shì)；

龍芯在特定應(yīng)用的功耗/性價(jià)比顯示出本地化與行業(yè)化的潛力。

生態(tài)共建驅(qū)動(dòng)應(yīng)用落地：

昇騰云服務(wù)承載大量 910B 規(guī)模化部署，訂單持續(xù)增長(zhǎng)；

海光在金融等高并發(fā)場(chǎng)景的市占與調(diào)用量攀升；

龍芯與軟件與集成商的協(xié)作推進(jìn)教育等行業(yè)案例落地（智能答疑、個(gè)性化學(xué)習(xí)推薦等）；

芯原與摩爾線程的配合，加速 FP8 技術(shù)從訓(xùn)練到推理的全鏈條打通，縮短開(kāi)發(fā)周期。

差距縮短的可視化體現(xiàn)：

昇騰 910C 在推理性能與能效上逐步逼近國(guó)際高端產(chǎn)品；

國(guó)產(chǎn) GPU 在單卡大模型推理能力上持續(xù)突破；

龍芯圍繞關(guān)鍵場(chǎng)景優(yōu)化，滿足多樣化行業(yè)需求，提升自主化率。

總結(jié)

從 V3.1 的混合推理架構(gòu)到 FP8 適配，從 Agent 能力的躍升到生態(tài)價(jià)格策略的微調(diào)，DeepSeek 正在以“模型—芯片—場(chǎng)景”的閉環(huán)思路推動(dòng)國(guó)產(chǎn) AI 的規(guī)?；涞?。若 UE8M0 FP8 等標(biāo)準(zhǔn)繼續(xù)在產(chǎn)業(yè)鏈擴(kuò)散，疊加多家芯片廠商的差異化路線與行業(yè)級(jí)私有化部署的成熟，中國(guó) AI 產(chǎn)業(yè)在 2030 年前實(shí)現(xiàn)國(guó)際競(jìng)爭(zhēng)力的實(shí)質(zhì)躍升具備堅(jiān)實(shí)的技術(shù)與生態(tài)基礎(chǔ)。