本文拆解 DeepSeek 的低成本逻辑，涵盖 MLA 注意力、DeepSeekMoE 稀疏路由和 R1 强化学习三条主线，附可运行的 API 调用代码与选型建议，帮你判断什么场景该用它。

DeepSeek 为什么这么便宜？MLA 与 MoE 工程拆解

2024 年 12 月底 DeepSeek-V3 发布那会儿，技术群里讨论最多的不是它跑分多少，而是一句反复出现的话：「这个价格是怎么算出来的？」

核心结论：DeepSeek 的低价不是补贴烧出来的，而是两个架构决策叠加的结果——MLA 把 KV Cache 压掉 93.3%，DeepSeekMoE 让 671B 参数的模型每次只激活 37B。R1 则进一步证明，纯强化学习也能让模型自己长出推理能力。

先把丑话说在前面：论文里那个 557.6 万美元的训练成本，只统计了正式预训练那一段，不含前期研究、数据清洗和消融实验。网上传成「五百万美元造出 GPT-4」是误读。但即便按三倍余量估算，它依然比同档位模型便宜一大截——这个差距是实打实的工程结果，值得拆开看。

DeepSeek 是什么？先把它说清楚

DeepSeek 是指深度求索公司研发的一系列开源大语言模型及其配套推理服务。这家公司 2023 年 7 月成立，核心团队来自量化机构幻方，早期最出名的标签是「不融资、不烧钱、自己买卡」。

它真正进入大众视野是 2025 年 1 月 20 日。R1 发布当天，DeepSeek 应用登顶美国 App Store 免费榜，随后几天英伟达股价出现历史性回调。这个场景我记得很清楚——当时我正在给一家制造业客户写模型选型报告，第二天早上打开微信，几个技术群全在转股价截图，没人讨论技术了。

但如果只把 DeepSeek 当成「便宜的 ChatGPT 替代品」，就错过了它真正有价值的部分。它的技术路线里有两根支柱：一根解决「大模型推理时花多少钱」，另一根解决「大模型训练时花多少钱」。前者是 MLA，后者是 MoE。

这一节讲原理。坦白说，我第一次读 V2 论文时没太看懂 MLA，直到自己拿一个小模型把 KV Cache 的显存占用曲线画出来，才突然明白作者在干什么。

传统多头注意力（MHA）在推理时，每生成一个 token，都要把此前所有 token 的 Key 和 Value 缓存下来。上下文一长，这块显存就爆了——它基本是长文本大模型推理最大的瓶颈。

MLA（Multi-head Latent Attention，多头潜在注意力）的做法是：不直接缓存完整的 K 和 V，而是把它们压缩成一个低维潜向量，推理时再从潜向量还原。

根据 DeepSeek-V2 技术报告（arXiv:2405.04434，2024 年 5 月发布），MLA 相比 MHA 能将 KV Cache 降低 93.3%，同时效果上超过 GQA 和多查询注意力。

这也解释了为什么 DeepSeek 的 API 敢做上下文硬盘缓存，而且拉开两个计费档位：缓存命中时输入 0.5 元/百万 tokens，未命中 2 元/百万 tokens（V3 标准价，2025 年初）。差了整整四倍。

MoE 不是