程序员视角解读为什么deepseek v4 出生就落后别人一代？性能一般价格自信
deepseek v4 姗姗来迟，虽发布了，有两个问题，一个是性能已经掉队了，另一个是价格贵的离谱
先说第一个，为什么？因为它把时间浪费在适配菊花上，这个失败菊花自己的盘古团队已经试过了，不是这些负责大模型训练的程序员不聪明不努力，而是菊花这种 NPU 妄图训练大模型的路线的难度过高，为什么？打一个形象的比方，如果说英伟达的GPU是 python，那菊花的 NPU 就是汇编语言，复杂度提升至少10倍，具体大家想了解菊花的计算卡有多难用，我到时候出一期专题讲一下
DeepSeek 自从发布 deepseek V3 之后,v4 发布前的 16 个月时间内，只更新了 v3.1 和 v3.2 这两个小版本，这个效率可以说是倒数第一。而在这段时间内，Qwen 完成 7 次迭代、GLM 完成了 6 次迭代。更新速度远远落后于 Qwen 和 GLM 这两个国产开源模型老大哥
说句公道话，虽然 DeepSeek 的迭代速度慢，但是效果还是不错的，这次 DeepSeek v4 pro 的性能，是强于 Qwen 最强的 3.6-Max 模型的，和 GLM5.1 平分秋色，但依旧不如国外的3个大模型
发布当天，还有很多自媒体软文说媲美 GPT5.5，我只能说这种是外行，不是程序员，对于编程这个场景，deepseek v4 pro 还没有到 GPT5.4 pro 的水平，具体的案例，我后面会出独立的视频/文章对比评测
还有一点 deepseek v4 pro 不支持多模态，claude、gemini、gpt 都支持多模态，但是 deepseek v4 pro、glm5.1、小米的 mimov2.5pro 居然都不支持多模态
新手程序员注意，编程就要用最好的，别听说人什么 deepseek v4 pro 用了别人1/10 的价格就是实现了 80% 的效果，这 20% 的差距是你需要手动 debug 为代价的，记住，人工的成本远高于模型的成本，只要有能力，就用 claude、gpt、gemini 写代码
回到第二个问题，deepseek v4 pro 价格太离谱了，堪称国产最贵，我把 deepseek v4 pro、小米 mimo v2.5pro、glm5.1、kimi2.6、claude opus4.6、gpt5.5、gemini3.1pro 的价格整理成了一个表格放到下面
deepseek v4 pro 在性能和小米、GLM 拉不开差距的情况下，价格居然是他俩的两倍！！！！
| 模型名称 | 缓存命中输入价格(¥/M token) | 缓存未命中输入价格(¥/M token) | 输出价格(¥/M token) |
|---|---|---|---|
| DeepSeek V4 Pro | 1元（官方） | 12元（官方） | 24元（官方） |
| 小米 MiMo V2.5 Pro | 未明确区分 | 7元（0-256k） 14元（256k-1M） | 21元（0-256k） 42元（256k-1M） |
| GLM-5.1 | 1.3元（≤32k） 2元（>32k） | 6元（≤32k） 8元（>32k） | 24元（≤32k） 28元（>32k） |
| Kimi K2.6 | 1.1元 | 6.5元 | 27元 |
| Claude Opus 4.6 | 3.6元（$0.50） | 36元（$5） | 180元（$25） |
| GPT-5.5 | 3.6元（$0.50） | 36元（$5） | 216元（$30） |
| Gemini 3.1 Pro | 1.44元（≤200k，0.40） | 14.4元（≤200k，4） | 86.4元（≤200k，18） |
不过今天 4.26 日，deepseek 推出2.5折优惠，截止到 5.5，然后还加了解释，说下半年会正式降价
我觉得 DeepSeek 最大失误就是没有趁着这两年时间疯狂堆积英伟达的计算卡，不然的话，也不会受限于计算卡不足导致性能上不去、价格下不来
