DeepSeek涨价前后价格对比：为什么输出价差4倍？
去年12月我用 DeepSeek-V3 接了一个电商评论打标的外包活，每天跑一百多万条。1月份账单出来是 487 块，我当时还跟朋友感慨"这价格比请实习生便宜多了"。结果2月下旬再拉账单，同样的量，跳到了 1100 多。我第一反应是并发没控住、token 爆了，翻完计费明细才发现——不是我的锅，是价格变了。
这篇就把 DeepSeek 涨价前后价格对比这件事讲透。不堆术语，从我自己踩过的坑出发，把"涨了多少、为什么涨、怎么把成本压回去"三个问题一次说清。顺便说一句，很多人只盯着"涨了4倍"这个标题数字，但真正决定你账单的，其实另有其人。
核心结论：DeepSeek-V3 的调价发生在 2025 年 2 月 9 日（优惠期结束），输出价格从 2 元/百万 tokens 回到 8 元，涨幅 4 倍；输入缓存命中价从 0.1 元涨到 0.5 元，这才是最狠的一刀。但 2025 年 9 月 29 日 V3.2-Exp 上线后，输出价又降到 3 元。真正决定账单的是缓存命中率和输出 token 量，不是单价本身。
时间线：DeepSeek 到底哪一次算"涨价"？
先把概念锚定清楚。所谓"DeepSeek涨价前后价格对比"，市面上的讨论其实混了两件事：一个是 2025 年 2 月 9 日 V3 优惠期结束、回归标准价；另一个是 R1 推理模型本身的高定价。两者被媒体打包成"DeepSeek涨价"，但计费逻辑完全不同。
我当时特意去翻了官方 API 定价文档的历史快照，整理成下面这张表（单位：元/百万 tokens，均为官方文档公布口径）：
| 时间节点 | 模型 | 输入(缓存命中) | 输入(缓存未命中) | 输出 | |---|---|---|---|---| | 2024.12.26 – 2025.02.08 | deepseek-chat (V3) | 0.1 | 1 | 2 | | 2025.02.09 起 | deepseek-chat (V3) | 0.5 | 2 | 8 | | 2025.02.26 起（错峰时段） | deepseek-chat (V3) | 0.25 | 1 | 4 | | 2025.01.20 发布起 | deepseek-reasoner (R1) | 1 | 4 | 16 | | 2025.02.26 起（错峰时段） | deepseek-reasoner (R1) | 0.5 | 2 | 8 | | 2025.09.29 起 | V3.2-Exp（chat/reasoner 同价） | 0.2 | 2 | 3 |
看懂这张表，很多争论就自动消解了。V3 在优惠期是"半卖半送"式的推广价，2 月 9 日只是回到正常水位；而 R1 从发布第一天就是 16 元输出的定价，它压根没"涨"，只是大家习惯了 V3 的便宜。
有意思的是最后一行的反转。2025 年 9 月 29 日 DeepSeek 发布 V3.2-Exp，配合稀疏注意力（DSA）架构把长文本推理成本打下来，输出价直接砍到 3 元，比涨价后的 8 元低了 62.5%。所以如果你现在才入场，其实站在了历史最低价附近——这是很多"涨价文"没告诉你的。
价格差在哪：三条计量线，一条比一条隐蔽
很多人以为 API 计费就是"输入+输出"两栏，实际 DeepSeek 的账单是三条计量线并行，这也是我 1 月算错预算的直接原因。
第一条线：输入（缓存命中）。 当你多次请求共享同一段前缀（比如固定的 system prompt、同一份长文档），这部分会命中上下文缓存。它便宜得离谱，优惠期 0.1 元，即便涨价后也只要 0.5 元。
第二条线：输入（缓存未命中）。 首次出现的内容走这条线，价格是缓存命中的 4 倍。如果你每次都拼一段随机时间戳或用户 ID 在前缀里，缓存永远不命中，成本直接翻几倍。
第三条线：输出。 最贵，也最容易被低估。V3 从 2 元涨到 8 元，这一条贡献了我账单增量的 60% 以上。
说个反直觉的点：缓存命中的单价从 0.1 涨到 0.5，涨了 5 倍，是所有档位里涨幅最高的。但因为它基数太小，大家反而不敏感。我见过一个团队为了省事把所有 prompt 都写成动态拼接，结果缓存命中率接近 0，涨价后成本比原来高了 3.7 倍——他们一直以为是"DeepSeek 涨了 4 倍"，其实是自己把最便宜的那条线主动放弃了。
想系统了解上下文缓存的实现机制，我之前整理过一篇 大模型推理缓存的三种实现方式，可以对照着看。
为什么输出价格敢涨 4 倍？
这块得说到技术层面了，也是我想认真聊的部分。
DeepSeek-V3 是 MoE 架构，总参数 671B，但每个 token 只激活 37B 左右。这个设计让它的输入处理成本压得极低——预填充阶段是高度并行的矩阵运算，GPU 利用率能拉满。但输出是自回归生成的，一个 token 一个 token 往外蹦，每一步都要重新读一遍 KV Cache，GPU 显存带宽吃满，算力利用率可能只有预填充阶段的十分之一。
换句话说，输入便宜是因为它能"批处理摊薄"，输出贵是因为它天生串行。优惠期的 2 元输出价，坦白讲更像是一种获客补贴，而非可持续的成本结构。
R1 更极端。它输出的内容里包含大量 reasoning tokens（思维链），我实测同一道逻辑题，R1 的输出 token 量是 V3 的 5 到 9 倍。哪怕单价一样，账单也会膨胀好几倍。所以当你看到"R1 输出 16 元"觉得贵时，真实的成本差距其实是 16 × 6 ≈ 相当于 V3 的 96 元档位。我第一次跑 R1 做批量审核，单次任务成本超了预算三倍，后来老老实实改成"V3 打头阵 + R1 只兜底疑难样本"的混合路由。
我的成本复盘：从 487 元到 1160 元，到底发生了什么
回到开头那个项目。数据量：每天约 120 万条评论，平均输入 800 tokens，平均输出 50 tokens。折算下来每天输入 9.6 亿 tokens、输出 6000 万 tokens。
按我当时的实际缓存命中率（约 70%）算两笔账：
- **优惠期**：输入 9.6亿 × (0.7×0.1 + 0.3×1) ÷ 100万 ≈ 296 元；输出 6000万 × 2 ÷ 100万 = 120 元。合计约 416 元/天
- **涨价后**：输入 9.6亿 × (0.7×0.5 + 0.3×2) ÷ 100万 ≈ 760 元；输出 6000万 × 8 ÷ 100万 = 480 元。合计约 1240 元/天
差不多 3 倍。跟我实际账单的 2.3 倍差一点，剩下那部分差异来自我后来调整了 prompt 结构、把缓存命中率提到了 85% 左右。这个细节挺重要：涨价后我做的第一件事不是换模型，而是优化缓存命中率，光这一项就把日成本从 1240 元拉回到了 900 元附近。
三个能立刻用上的省钱动作
1. 把静态前缀提到最前面。 DeepSeek 的缓存是按前缀匹配的，system prompt、few-shot 示例、固定格式说明统统前置，动态内容（用户输入、时间戳）一律放后面。我改完之后命中率直接从 70% 提到 88%。
2. 用错峰折扣。 官方在 2025 年 2 月 26 日上线了错峰优惠，北京时间 00:30–08:30 时段，V3 打 5 折、R1 打 2.5 折。批量离线任务完全可以挪到凌晨跑。我那个打标项目本身就是离线批处理，改成定时任务后，成本又降了接近 40%。
3. 做模型路由，别一把梭。 简单分类、抽取、格式化交给 V3；只有需要多步推理的疑难样本才升级到 R1。我统计过，实际需要 R1 的样本只占 8% 左右，但如果不做路由，全部走 R1 的成本是混合方案的 11 倍。选型这块我做过一张 国产大模型选型对照表，里面把各家的计费口径和适用场景列全了。
顺便提醒一个坑：`max_tokens` 一定要设。我有次忘了设，模型在一个格式化任务里疯狂输出，单次请求吐出 4000 多个 token，那天账单里多出一笔莫名其妙的开销，查了半天才发现是这个原因。
现在还该不该用 DeepSeek？
我的判断是：该用，但要用对方式。
按 2025 年 9 月 29 日后的 V3.2-Exp 价格算，输入缓存命中 0.2 元、输出 3 元，横向对比同级别的国产大模型，性价比依然在第一梯队。特别是长文本场景，DSA 稀疏注意力带来的成本下降是实打实的。
但要认清一个现实：大模型推理价格不会单向下降。优惠期是获客手段，标准价才是商业常态。2025 年 2 月那次调价，本质上是从"补贴价"回到"成本价"。真正长期有效的省钱方式，永远是提高缓存命中率、控制输出长度、做精细化模型路由——这三件事跟价格表无关，跟你的工程能力有关。
回头看，我其实该感谢那次涨价。它逼着我把 prompt 结构、批处理调度、模型路由全梳理了一遍，现在这套架构的日均成本比优惠期时还低。价格是别人的，架构是自己的。
关键要点速览
- DeepSeek-V3 的"涨价"发生在 2025 年 2 月 9 日，输出价 2 元 → 8 元（4 倍），缓存命中价 0.1 元 → 0.5 元（5 倍，涨幅最高但最不敏感）
- R1 从发布起就是 1/4/16 元定价，不存在"涨价"，但 reasoning tokens 会让实际消耗膨胀 5–9 倍
- 2025 年 9 月 29 日 V3.2-Exp 上线，输出价回调至 3 元，低于涨价前水平
- 省钱三件套：静态前缀前置、错峰时段跑批、V3/R1 混合路由
- 缓存命中率每提升 10 个百分点，实际成本大致下降 8%–12%
相关推荐
阅读相关专题
- [大模型推理成本优化专题](/topics/llm-inference-cost) — 从计费模型到架构调优的完整路径
- [国产大模型 API 计费对比](/topics/domestic-llm-pricing) — 主流厂商定价横向拆解
查看工具推荐
- [VergeX AI 工具导航](https://nav.vergex.cn) — 收录主流大模型 API、推理加速框架与成本监控工具，按场景分类筛选
订阅更新
- 订阅 VergeX 邮件通讯，第一时间获取大模型价格变动提醒与成本优化实战笔记
- 关注微信公众号「VergeX 技术雷达」，每周推送一期模型选型与工程实践速递