2026 年 8 月，一个中国 AI 模型在被称为「人类最难 AI 测试」的 ARC-AGI 挑战中登顶效率榜。这个模型叫 DeepSeek V4 Flash 0731，是国产开源大模型 DeepSeek V4 的一个轻快版本。ARC Prize 官方给出的成绩是：在更难的 ARC-AGI-2 上得分 61.4%，每道题成本 4 美分；在 ARC-AGI-1 上得分 89.0%，每道题成本 2 美分。
同一天，这条消息在程序员社区 Hacker News 冲到 754 分、451 条评论，成为当天热度最高的技术帖。前一天它还只有 365 分，一天之内涨了一倍多。
最让笔者觉得有意思的是反差：大家习惯了「便宜没好货」，可这次是「便宜的国产模型」在公认最难的人类推理测试上拿了效率第一。社区有人实测：同时开 5-6 个会话、12 路并发流，一天拼命用，花不到 5 美元。
这场「人类最难测试」考什么
ARC-AGI 的题目长得很朴素：一组彩色小方块的图形谜题。AI 要从几个例子中找出规律，再推理出答案。这些题对人类很友好，普通人花点时间大多能解出来；对 AI 来说却是出了名的难——它考的是抽象推理，背题库没用。ARC Prize 官方的说法是，这套测试专门挑 AI 的弱项。
过去两年，顶尖模型在这里的进步一直不算快，不少模型每道题要烧掉几美元甚至更多。2025 年 ARC Prize 宣布改规则：以后所有成绩必须附带「效率」指标。分数只说明能力，成本说明这个能力贵不贵。
图：ARC Prize 官方效率图（标题意为「光堆算力不够」），ARC-AGI-2 之后所有成绩都要看效率。来源：arcprize.org
从公开信息来看，DeepSeek V4 Flash 0731 是目前效率榜上把「高分」和「白菜价」结合得最突出的模型之一，ARC Prize 官方称它「设定了成本与性能前沿的新标准」。
图：ARC-AGI-2 公开评测题示例（符号解读类）。人类一眼能懂，AI 常在这里翻车。来源：arcprize.org
工程判断：每道题 2 美分，测试成本就从讨论里消失了。过去实验室跑评测要精打细算，现在可以放开跑几千道，跑错了也不心疼。这个变化本身，比分数更有分量。
便宜是怎么做到的
有人觉得便宜意味着偷工减料。从公开信息来看，DeepSeek V4 Flash 是靠三层设计把成本压下来的。
第一层是稀疏专家架构。这个模型总参数约 2840 亿，但处理每道题只激活约 130 亿个。打个比方：图书馆藏书近三千亿册，读者每次来只翻需要的几本，电费自然省。这种「每次只叫醒一小部分专家」的做法，目前是行业里降成本的主流方案之一。
第二层是缓存优化。AI 回答问题时很多计算可以复用，官方 API 的缓存命中率约 99%。第三方评测机构 Artificial Analysis 据此测算，DeepSeek V4 Flash 平均每道题成本约 3 美分；有中文科技媒体报道称，这不足某些美国顶级模型的百分之一。
第三层是开源生态的竞争。DeepSeek V4 Flash 权重公开，谁都能下载自托管，社区和第三方平台可以自己定价。价格由市场竞争决定，不由某一家公司说了算。
图：第三方博客为这次成绩制作的封面图，标注了两档得分与每题成本。来源：explainx.ai
工程判断：架构、缓存、生态三件事叠加，成本坍塌是结构性的，短期看不到反弹的理由。只要这套设计还在，价格就立得住。
贵的 AI 订阅，第一次显得尴尬
社区实测最能说明问题。HN 用户 LaurensBER 说，他同时开 5-6 个会话、跑 12 路并发流，一天拼了命也花不掉 5 美元。他自己订着 Claude Max，但几乎不再打开，因为回去反而要时刻惦记用量限额。他的原话大意是：贵模型确实更强，用起来却像退步。
另一位用户 abixb 说得更直白：「如果这是真的，美国 AI 实验室有大麻烦。除非靠国家安全令禁掉中国模型，否则没人会为前沿模型付溢价。」
这话有点狠，但戳中了行业里一个默认的惯性：前沿模型就该贵。过去买 AI 订阅，本质是买配额——每月几百元，问多了还要排队限流。而 DeepSeek V4 Flash 按量计费，便宜到可以随手扔任务给它：测试挂了让 AI 自动修、日志异常让 AI 自动查、代码覆盖不够让 AI 自动补测试。这些用法以前没人舍得，因为成本不允许。
工程判断：当 AI 便宜到「用完即弃」也不心疼，使用方式会从「省着用」变成「放开用」。HN 评论区有人说，10 美元能买到 140 美元的额度，想烧完都难。这种改变对普通用户的意义，比排行榜上的名次大得多。
普通人能等到什么
对不写代码的普通人来说，这场效率竞赛的好处很直接：AI 服务会整体变便宜。国产模型把价格打下来，国外厂商也得跟着降价，否则用户会用脚投票。过去一年各种 AI 产品的免费额度越来越多、月费越来越低，和这场成本竞赛直接相关。
往远处看，AI 会进入更多「以前不值得用」的场景。小商家雇不起客服，可以让 AI 顶班；家长辅导作业，可以随便问不心疼钱；理账单、写材料、改简历，这些琐事都能交给 AI 打底稿，人再修改。
需要提醒的是，便宜不等于全能。效率榜登顶说的是性价比，DeepSeek V4 Flash 在部分复杂任务上仍和顶级闭源模型有差距。HN 讨论里也有用户指出，长时间多步骤的任务，小模型的小错误会累积成大问题。笔者的建议是：便宜模型当主力，贵模型当备用。
写在最后
从公开信息来看，这次成本坍塌还远没到头。开源模型的追赶速度，正在逼着整个行业重新算账。
笔者更愿意把这次登顶看作一个信号：AI 的竞赛，正在从「谁更聪明」延伸到「谁更便宜」。聪明的部分我们还在等，便宜的部分，已经来了。一天不到 5 美元——比不少人一杯奶茶还便宜，而它登上的，是「人类最难 AI 测试」的效率榜。
参考链接：
- ARC Prize: DeepSeek V4 Flash 0731 评测结果
- HN 讨论 (item?id=49214008)
