据称 DeepSeek V4 Flash 成本低 105 倍——员工实际付出的代价

DeepSeek 凭借一项引人注目的说法进入 Google News 的报道周期：据称，V4 Flash 完成某项测量任务的成本仅为 Claude Fable 5 的 1/105。

这项比较听起来像是对企业应部署哪种模型作出的直接裁决。但事实并非如此。低任务成本几乎无法说明重试、监督、失败率、安全控制，或已完成工作本身的价值。

因此，更重要的竞争在于低成本执行与可靠完成之间。Anthropic 将 Fable 5 定位为适用于漫长、困难项目的模型，而 DeepSeek 则将 V4 Flash 打造成面向高吞吐工作负载的高效模型。

员工正处于这两种策略之间。更低的推理成本让雇主能够自动化更多任务，但也增加了审查输出和处理例外情况所需的工作。

核心问题并不是廉价 AI 是否会取代所有昂贵模型，而是组织能否在错误吞噬预期节省之前，围绕模型路由、核验与问责重新设计岗位。

当 DeepSeek V4 Flash 登上 Google News 时，发生了什么变化

DeepSeek 将模型效率从一项技术特性，转变为劳动力和运营模式问题。

该公司推出 V4 系列时，发布了两款开放权重的混合专家模型。这种架构会针对每个 token 只激活模型的一部分，从而降低推理所需的计算量。

根据 V4 发布公告，V4 Flash 拥有 2840 亿总参数，但在推理期间仅激活 130 亿参数。DeepSeek V4 Pro 规模更大，激活 490 亿参数。

两款模型都支持 100 万 token 的上下文窗口。上下文窗口是指模型在一次交互中能够处理的材料量。

DeepSeek 将 Flash 描述为更快、更经济的选项，并将 Pro 定位于更困难的推理、编程和智能体任务。

这一差异很重要，因为标题中的比较并非针对两款完全相同的产品。它将一款侧重效率的小型模型，与 Anthropic 公开可用的最高能力系统进行了对比。

据称，105 倍这一数字描述的是某项特定评估中每项完成任务的成本。它并不意味着每个 token、工作流或业务结果都便宜 105 倍。

任务级比较综合了多个变量，包括 token 消耗、推理长度、完成成功率、重试次数，以及评估者对可接受输出的定义。

一款模型即使消耗更少资源，如果员工必须反复修正其工作，成本仍可能居高不下。另一款模型的推理成本可能更高，却能减少困难任务上的审查时间。

DeepSeek 的技术设计仍使这项比较具有重要意义。官方模型卡显示，V4 Flash 使用 130 亿活跃参数，并支持本地或第三方部署。

开放权重也拓宽了可选的部署方式。组织可以评估托管访问、专业服务商，或自行管理的基础设施。

这种灵活性带来的竞争压力不止于一次基准测试结果。它削弱了这样一种假设：有能力的工作场所自动化必须始终依赖最昂贵的专有模型。

它也让软件供应商有空间将 AI 嵌入更多操作中。摘要、分类、代码审查、文档提取和常规研究，都更容易被高频运行。

Google News 放大了这个简单比率，因为它呈现出一个明确的赢家。买方应记住，底层事件其实更为复杂。

DeepSeek 降低了测试大范围自动化的门槛，但并未消除组织为决定这些自动化应部署于何处而承担的成本。

这一结果改变了 AI 采购讨论中的第一个问题。团队不再需要问每项任务是否都配得上高级模型。

他们可以问：哪些任务需要高级可靠性，哪些能容忍更低成本的尝试，哪些应继续由人类直接控制。

这一转变形成了本文的核心张力：推理成本下降提升自动化规模的速度，快于多数公司改善监督能力的速度。

低价 AI 促使雇主自动化更多工作

当每次尝试的成本变得更低，管理者就有动力将 AI 应用于更多员工活动。

Axios 将这次发布描述为不断加速的 AI 价格战的一部分。其分析将 DeepSeek 与其他推动有能力模型走向商品化经济的中国实验室并列。

商品化模型不需要赢得每一项基准测试。它需要以有吸引力的运营成本，在可重复的工作负载上表现得足够好。

这一标准覆盖了很大一部分办公室工作。员工经常对消息进行分类、起草常规回复、提取字段、比较文档，并将笔记转为结构化记录。

其中许多任务不需要最强的推理系统。它们需要足够的准确性、快速响应，以及对常见情形的可预测处理。

因此，低成本推理首先对商业软件公司形成压力。对每个请求都运行昂贵模型的供应商，需要与那些将简单工作路由到低成本系统的产品竞争。

同样的压力也会传导至内部技术团队。领导者可能会问：当较小模型能产出可接受结果时，为什么还要让高级模型处理文档标签工作。

他们也可以扩大此前看似不经济的试验。一家公司可能分析每一段客服对话，而非仅抽样分析；或者在人工检查前审查每个 pull request。

这种扩张对员工有两种影响：它会自动化一部分生产性工作，同时产生更多监控和例外处理工作。

一名客服代表或许不再需要撰写那么多初始回复，但同一个人可能需要负责修正升级个案、识别虚构政策，并处理自动化系统无法解决的对话。

一名初级开发者可能会编写更少的样板代码，但仍需检查依赖关系、运行测试、追踪安全假设，并在审查中解释变更。

分析师面临类似取舍。低价模型可以总结更多文档，但分析师仍须对这些总结是否保留关键事实负责。

雇主起初可能会计算生成输出，而不是已完成结果。这种衡量偏向可见的产出量，并掩盖生成后所需的劳动。

有用的工作场所指标应涵盖从请求到结果被接受的完整路径，应计入人工审查、重试、修正、延误和事故。

没有这种核算，廉价模型可能看似高效，实际上却将隐性工作转移给员工。组织付出的代价是注意力，而不是模型账单。

这种隐性工作分配并不均衡。高级员工往往承担最终责任，因为他们能够识别细微的失败。

初级员工可能失去曾帮助他们积累高级判断所需知识的常规任务。这会在专业团队内部造成培训问题。

管理者同样面临压力。即使基准测试结果与公司自身数据不一致，他们仍必须决定自动化输出何时可靠到足以发布。

因此，被迫作出的回应不只是采用 DeepSeek。雇主需要路由规则、评估集、审查阈值，以及对故障负有明确责任的负责人。

建立这些控制措施需要时间。低成本执行可以立即到来，而治理则发展缓慢。

短期内，组织自动化的速度可能快于重新设计岗位的速度。从长期看，赢家将把人工监督视为一项经过设计的职能。

员工应留意雇主如何描述这一职能。“人类参与回路”可能意味着实质性权力，也可能意味着承担无限的纠错工作。

这种区别决定了更低的模型成本是提升生产率，还是仅仅加剧工作强度。

DeepSeek V4 Flash 与 Claude Fable 5 的较量，是完成能力的较量

真正有意义的对手并不只是 DeepSeek 与 Anthropic，而是低成本执行与可靠完成。

Anthropic 将 Fable 5 推出为其广泛可用模型中，最有能力处理长期编程、研究和知识工作项目的模型。该公司表示，它可以持续完成长达数日的任务。

官方 Fable 5 发布公告强调复杂项目、科学工作、软件工程、视觉能力和长期智能体运行。

这一定位与 V4 Flash 形成鲜明对比。DeepSeek 强调高效推理、更小的活跃规模、开放权重，以及在常规智能体任务上的强劲表现。

因此，这一比较更像是货运面包车与专业工程车辆之间的竞争。两者都承载工作，但针对不同路线进行了优化。

简单评估可能会让 Flash 以压倒性优势胜出。若一项长期迁移项目需求模糊，Fable 5 若能避免返工并保持一致性，则可能更具优势。

关键变量是失败的成本。错误的文档标签，与不正确的法律解读或不安全的生产部署，后果截然不同。

低风险任务适合低成本尝试。高风险任务则更看重可靠性、可追溯性和升级控制。

这自然形成一种模型路由策略。路由器是根据任务、风险和预期难度选择模型的软件。

最便宜且能力足够的模型可以处理常规请求。更强的模型可以接手困难个案，而人类仍保留承担法律或运营责任的决策权。

路由之所以有吸引力，是因为模型能力存在重叠。不同模型在不同类别上表现良好，组织并不需要一个通用系统。

不过，路由本身也增加了复杂性。在真正的问题显现之前，分类器可能会误判难度。

一个看似常规的摘要请求，可能包含相互矛盾的条款。一个看似局部的代码变更，可能会改变多个服务中的身份验证行为。

因此，组织需要升级触发条件，包括低置信度、相互矛盾的证据、敏感数据、反复失败，或影响外部用户的操作。

员工在这些边界上变得至关重要。他们的价值不再是产出每一份初稿，而是识别自动化路径何时不安全。

这种转变并不必然是积极的。雇主可能要求一名员工审查更多输出，却不减少其其他职责。

审查机器生成的工作还会产生自动化偏见。当系统看起来很自信，或通常表现良好时，人们倾向于接受看似合理的输出。

审查者可能恰恰因为草稿写得很精致而漏掉错误。流畅的语言会让薄弱的推理更难被发现，而不是更容易。

DeepSeek 的低运营成本会通过规模放大这种风险。即使失败率很低，当组织运行数百万项任务时，也会产生大量例外情况。

Fable 5 也不能消除这一问题。Anthropic 承认，安全措施可能拒绝部分请求，因此集成方案需要处理拒绝和回退行为。

这些拒答能够保护用户，但也可能中断正当工作。企业必须决定是重试、切换模型，还是将任务交给人工处理。

因此，高端模型策略在具备能力的同时也伴随摩擦。买方支付的费用，是为了预期降低棘手失败的发生率，而非获得保证完成的承诺。

低价模型策略则带来不同的负担。买方获得规模化能力，但必须证明其评估流程能够发现真正重要的失败。

没有任何一种策略能在所有工作场景中胜出。结果取决于任务组合、错误后果以及员工时间的价值。

模型基准测试无法解决这些问题。组织需要基于自身文档、系统和真实失败历史进行测试。

这正是为什么“105 倍”的标题应当成为评估的起点，而非终点。它揭示了成本差距，但完成质量的差距仍然取决于具体工作负载。

“105 倍”对比没有衡量什么

当读者将一项有边界的测试视为衡量劳动生产率的通用指标时，戏剧性的成本比率就会产生误导。

第一个不确定性来自基准测试范围。研究人员改变提示词、推理设置、输出限制或评分规则时，结果都可能随之变化。

第二个不确定性是可比性。两个模型可以接收到相同任务，却未必产出同样有用或同样安全的答案。

第三个因素是人工时间。大多数公开模型对比并不会衡量员工核查引用、测试代码或重写不清晰输出所花费的时间。

这些缺失之所以重要，是因为人工往往是 AI 工作流中最大的隐性投入。当一名专家需要花三十分钟验证答案时，廉价答案就不再廉价。

这一对比也几乎没有说明数据处理方式。企业必须了解提示词会传输到哪里、供应商如何保留信息，以及本地部署是否会改变其合规义务。

开放权重赋予组织更多控制权，但控制权也意味着责任。自托管模型需要基础设施、监控、安全更新，以及了解其失败模式的人员。

托管式专有系统将部分运营工作转移给供应商，但也使企业依赖于供应商的可用性、政策变化和访问条件。

Fable 5 说明了这种依赖关系。其发布历程中曾因政府网络安全担忧而出现服务中断，之后 Anthropic 恢复了更广泛的可用性。

这一事件对企业买方而言很重要，因为访问风险也是运营风险。如果关键工作流无法访问模型，再强大的模型也价值有限。

DeepSeek 则带来不同的地缘政治和采购问题。一些组织会因安全政策、数据驻留要求或供应商审查规则而限制其使用。

这些限制使得简单的成本比率无法直接转化为采用决策。纸面上最便宜的模型，可能并不符合某项具体工作负载的使用资格。

模型质量也是一个不断变化的目标。DeepSeek 表示，V4 Flash 的推理能力接近 V4 Pro，并且在较简单的智能体任务上与其表现相当。

这些都是企业自身的说法。买方应使用具有代表性的任务和预先定义的验收标准进行验证。

他们还应区分演示质量与生产可靠性。一个模型可能在令人印象深刻的测试中成功，却仍会在重复案例中不可预测地失败。

最佳评估方式是使用留出测试集。这是一组不参与调优的真实任务，有助于降低针对已知示例进行优化的可能性。

团队应按任务类别记录通过率。平均分可能掩盖恰好出现在最高风险案例中的严重弱点。

他们还应追踪错误严重程度。十个无害的格式错误，并不等于一条虚构的合规声明。

人工审核者需要一致的指导标准。没有共同的评估量表，一名员工可能接受另一名员工会拒绝的输出。

这一审核过程可能引发新的职场监控担忧。系统可能记录每位员工的提示词、编辑内容、接受率和完成时间。

管理者可以利用这些记录改进工作流，但也可能在不考虑任务复杂度的情况下，将其滥用为简单化的绩效衡量指标。

员工应当追问，AI 指标评估的是系统，还是负责监督系统的人。当员工需要为模型失败承担责任时，这一区别就尤为重要。

技能发展带来另一个不确定性。减少日常工作可以释放时间用于更高价值的分析，但也可能减少培养专业判断力所需的练习。

如果初级律师从不分析普通文件，律所就无法培养出经验丰富的审核者。软件团队也面临同样的问题：当初级开发者很少编写或调试基础组件时，情况亦然。

组织需要有意识地设计培训路径。员工应审查模型推理、比较不同方案，并在没有辅助的情况下完成部分任务。

可搜索的知识库有助于保留决策和纠正记录。然而，存储的材料仍然需要明确的负责方和持续维护。

怀疑论式的结论很直接。DeepSeek 所报告的成本优势具有意义，但并不能证明其在可靠的工作场所结果上具备同等优势。

只有当独立评估在真实任务中复现这一结果时，这一说法才会更有说服力。这些评估必须涵盖审核时间、失败严重程度和完成质量。

在此之前，这一比率只是关于推理经济学的有用信号。它并不是对就业、生产率或组织价值的完整预测。

更便宜的模型会先改变工作，再消除工作

最直接的劳动影响是任务重组：机器生成更多工作产物，而人们管理证据、例外情况和后果。

最先转移的任务是高度重复且容易核查的任务，包括格式整理、信息提取、基础分类、常规摘要和标准代码转换。

员工将减少为这些输出创建初稿的时间，转而花更多时间定义需求，并检查生成的工作是否满足这些需求。

这一转变会奖励既理解业务领域又理解自动化流程的员工。仅仅熟悉提示词并不够。

金融分析师需要识别前后不一致的假设。产品经理需要判断客户证据何时无法支持生成的建议。

工程师需要更深入的调试技能，因为生成的代码可能将错误扩散到陌生组件中。随着编码量增加，安全判断的价值也会提升。

作家和研究人员面临类似转变。生成流畅文本变得更容易，而资料溯源、原创报道和事实辨别则变得更重要。

这些变化会给初级岗位带来压力，因为雇主常将日常工作分配给初级员工。在企业创造替代性学习机会之前，自动化可能已经消除了这些任务。

不过，较低的成本也可能增加需求。当分析变得负担得起时，组织可以研究此前被忽略的市场、文档和客户互动。

这种扩展活动可能在评估、集成、合规、数据准备和工作流设计方面创造工作。岗位数量取决于需求增长是否快于每项任务所需劳动力的下降。

员工无法独自控制这一方程式。但他们可以通过记录机器无法安全做出的决策来改善自身处境。

一个实用做法是追踪反复出现的模型失败。能够识别模式的员工，可以将无形的纠错工作转化为流程知识。

另一项做法是在生成输出旁保留证据。审核者应当知道，哪些文档、测试或记录支撑了每一项重要结论。

团队可以利用知识融合将工作材料与 AI 辅助检索连接起来。目标应是可追溯性，而不是不加质疑的自动化。

员工还应区分被委派的任务与被委派的责任。模型可以起草答案，但必须由具名个人或团队对发布的结果负责。

雇主需要明确说明这种责任归属。责任模糊会在失败后引发互相归咎，也会在失败前助长草率采用。

最有力的人才策略，是将低价模型与受保护的审核时间结合起来。它将验证视为生产性工作，而非额外开销。

最薄弱的策略只衡量输出量。这种做法会迫使员工批准更多材料，却给予他们更少时间发现错误。

DeepSeek V4 Flash 加剧了这一选择，因为它使大规模生成更容易获得合理性。该技术降低了一项约束，却没有解决其他问题。

Anthropic 的 Fable 5 策略则从相反方向施加压力。它认为组织会足够重视持续能力，以至于愿意接受高端经济模式。

两条路线都能减少单项任务的人力投入。当模型跨越更长的工作流行动时，两者也都可能创造新的协调成本。

因此，对员工的影响较少取决于哪家供应商获胜，而更多取决于管理者是否围绕真实的系统行为重新设计岗位。

负责任的重新设计会识别可自动运行的任务、需要抽样审核的任务，以及每次都需要批准的任务。

它还会定义停止条件。反复出现的错误、不确定的证据或敏感操作，应将控制权交还给人工。

员工应参与制定这些规则，因为他们了解例外情况发生的位置。将他们排除在外，会导致自动化地图建立在理想化流程之上。

他们的参与还会揭示管理仪表板很少展示的工作。非正式协调、关系修复、背景信息收集和判断，往往决定一项输出是否真正有用。

廉价 AI 可以模仿可见的成果物，却忽略这些支撑性劳动。一份精美的备忘录不会展现那些让其建议具有可信度的对话。

这才是员工真正的成本。他们可能失去围绕自动化输出所蕴含判断的认可，同时仍需为其后果负责。

组织可以通过衡量被接受的结果、已记录的风险和成功升级处理来避免这种情况。他们不应只奖励原始生成量。

阻止一项糟糕自动化决策的员工已经创造了价值。成熟的 AI 项目会记录这类贡献，而不会将其视为拖延。

Google News 读者接下来应关注什么

三个信号将显示，DeepSeek 的成本优势会否转化为持久的工作场所变革，还是只会停留在吸引眼球的对比之中。

第一个信号是独立的任务级复现。评估者必须以一致的成功标准，在相同的真实工作负载上测试 V4 Flash 和 Fable 5。

这些研究应报告的不只是 token 消耗量，还应包括完成率、重试次数、审核时间、错误严重程度和最终接受率。

反复得到确认将加强这样一种观点：较低的推理成本会转化为较低的运营成本。若结果差异很大，“105 倍”的标题就会被削弱。

第二个信号是企业路由行为。买方应关注主要软件平台是否将高效模型设为默认选项，并将高端系统保留给升级处理的情况。

默认位置比基准测试宣传更重要。一个默默处理日常请求的模型，可以在不成为复杂工作首选系统的情况下承接巨大规模的工作量。

路由数据还可以揭示低价模型是否扩大了总需求。如果整体 AI 使用量大幅增长，前沿供应商即使失去较简单的任务，仍然可能保持价值。

第三个信号是对岗位和工作流的衡量。雇主应披露，自动化究竟是减少了总工作时间，还是仅仅把工作量转移到了审核和异常处理环节。

有用的证据包括：完成周期缩短、错误率保持稳定、未解决案例减少，以及为人工核验预留了受保护的时间。

如果产出增加的同时，纠正工作量也在上升，那么生产率提升的叙事就会被削弱。若结果改善而员工工时保持稳定，则会为这一说法提供支持。

读者还应留意 DeepSeek 的模型可用性、许可方式和官方条款的变化。即便托管服务发生变化，开放权重仍可能保留部署选择。

他们也应关注 Anthropic 的回应。更低成本的模型、新的路由产品，或关于 Fable 5 完成质量的更有力证据，都可能重塑这场竞争。

Google News 将继续突出戏剧性的比率，因为它们能把复杂的市场压缩成一个令人印象深刻的数字。决策者需要采用更严格的检验标准。

要问的是：哪个模型能完成你的实际任务、需要人工介入的频率有多高，以及当无人发现错误时会发生什么。

接着要审视由谁来完成这种介入。如果核验变成一项隐蔽的第二份工作，模型的低成本并没有消失。

它只是从服务商的账单，转移到了员工的一天之中。

下一步应当务实：选择一个边界明确的工作流，定义可接受的结果，并记录每一次纠正。只有统计完整路径后，才比较模型。

这一过程不会产生最简单的标题。它会揭示 DeepSeek V4 Flash 是否真正减少了运营投入，Fable 5 是否配得上其高端定位，或者经由路由组合的方案是否表现最佳。

最重要的是，它将表明，更便宜的 AI 是为员工带来了更大的能力，还是仅仅让他们需要监管更多机器生成的输出。