2026年8月刚过一周，一份AI成绩单刷了屏。中国公司DeepSeek的轻量模型V4 Flash，在业内公认最难的AI推理测试ARC Prize上拿下365分，登顶效率榜。同样是做题，美国旗舰每道题花2美元，它只要4美分。
成绩公布后，全球最大的程序员社区Hacker News在5小时内涌进382个赞、233条评论。热度最高的评论之一说得很直接：“美国AI实验室有大麻烦了。”
图：ARC Prize 官方为 DeepSeek V4 Flash 0731 发布的验证成绩卡片。来源：arcprize.org
这场考试到底考什么
先把话说清楚：ARC Prize是什么，为什么业内把它叫”AI高考”。考题的内容很朴素：一组彩色小方块的图形谜题，给你三个例子，让你推断规律，画出第四个。成年人看一眼就会，人类平均能考85分左右。
AI却在这类题上卡了很多年。2024年，当时最强的美国模型也只能考三四十分。这种题没有题库可背，规律千变万化，见过原题也帮不上忙。出题人设计这套测试时就赌了一件事：只会背答案的AI过不了这关，能过的才算真会”想”。
图：ARC Prize 官网展示的人类与AI得分差距。来源：arcprize.org
DeepSeek这次考的是升级版试卷ARC-AGI-2，比老版更刁钻，满分100，它拿了61.4分。分不算最高，但结合价格看，这个分数的分量完全不同。
两张榜单，两种游戏
ARC Prize的榜单其实有两张。一张看谁分高，一张看谁”划算”，官方管后者叫效率榜。官网上写得很直白：真正的智能不只是解出难题，还要用最少的资源解出来。
两张榜单一对比，反差立刻出来了。美国Anthropic的旗舰Claude Opus 5在升级卷上拿90.4分，每道题要花2.06美元；DeepSeek拿61.4分，每道题只要4美分，差了约50倍。OpenAI的GPT-5.6 Luna顶配版更尴尬：59.6分，比DeepSeek还低，成本却是它的4倍多。
图：ARC Prize 官网的榜单散点图，横轴为每道题成本，纵轴为得分，越靠左上越划算。来源：arcprize.org
这就是”365分登顶”的含义：在效率榜上，DeepSeek V4 Flash 0731把美国同行全部压在身后。论纯分数，美国旗舰依然领先；但”最强”和”最划算”，现在分属两家公司。
分数榜上，美国公司依然霸榜；效率榜的榜首换人，对商业世界才是更响的信号。企业买AI是按调用量付费的，没有人按排行榜付费。
便宜的秘密：考试时多想一会儿
便宜从哪来？先得理解这类考试的一个规则：允许AI”多想一会儿”。模型可以在交卷前反复推演、打草稿，业内叫”推理时计算”。考场外不必是天才，考场上肯花时间打草稿也能考出好成绩；打草稿要烧电费，谁把”草稿费”压得低，谁就赢。
DeepSeek把这条”小模型+强推理”路线走到了极致。V4 Flash总共有2840亿个参数，但每处理一个词只唤醒其中130亿个，好比一支大部队只在需要时派出尖刀班。加上权重完全开源，谁都能下载、自己部署，省掉了中间环节的加价。官方API定价是每百万字输入0.14美元、输出0.28美元，比美国旗舰便宜一到两个数量级。
开源的意义不止于便宜。公司可以把模型装进自己的服务器，数据不出门、账单不封顶，还能按自家业务调教。对美国那些按次收费的闭源巨头来说，这是商业模式层面的冲击，价格战只是冰山一角。
5美元一天的背后，是普通开发者第一次用得起”顶尖思考”。过去这种级别的推理按次计费，贵到只敢在关键任务上用一下；现在它可以24小时挂在后台，替人盯着一切。
5美元一天的实测
社区已经有人这么干了。开发者LaurensBER在Hacker News上分享：他同时挂着5-6个工作会话、12路并发，拼命用一天也花不掉5美元。他每月200美元的Claude订阅已经吃灰——那个模型当然更强，但”用之前先算额度”这件事本身，让人不想回去。
真正让他兴奋的是便宜解锁的新玩法：程序测试挂了，让AI自动修；代码覆盖率不够，每次提交自动补测试；服务器日志、安全审计、每个异常都值得查一遍。以前这些活”值得干但请不起AI”，现在变成了日常。
单个场景都不起眼，但乘以每天、每个团队，就是一条全新的成本曲线。便宜到可以浪费，本身就是一种能力。
美国实验室的大麻烦
这才是硅谷不安的根源。HN上获赞最多的评论之一写道：美国AI实验室有大麻烦了。除非靠”国家安全”令把中国模型挡在门外，否则国际市场没人愿意再为前沿模型付溢价——同样的活，开源模型几分钱就干，还能自己部署、自己调优。
还有人算过另一笔账：监控日志、审计、数据质量检查这类活，用旗舰模型做贵到不划算，用便宜模型做刚刚好。需求一直存在，只是以前没人付得起。
当然，支持”大模型不可替代”的声音也有道理。另一位评论者指出：简单任务各家都够用，真正的分水岭在要连续干24小时以上的复杂活，小模型的错误会累积，大模型依然不可替代。未来更可能出现的，是”大模型当指挥官、便宜模型当小兵”的混合编队。
从目前的趋势看，这场竞争正在从”谁更强”转向”谁更划算”。就像手机从奢侈品变成日用品，性能不再是最稀缺的东西。
以上分析基于ARC Prize官方页面和公开社区讨论。笔者没有参与这些项目的开发，判断可能有偏差，欢迎指出文中的不足。
参考链接
- ARC Prize: DeepSeek V4 Flash 0731 结果页
- ARC Prize: Leaderboard 榜单页
- HN 讨论 (item?id=49214008)
- DeepSeek 官方 API 文档
- Artificial Analysis: DeepSeek V4 Flash 定价与评测
- vLLM Recipes: DeepSeek V4 Flash 模型说明
