7月31日，DeepSeek将V4 Flash官方版本API推向公测。该版本未扩大参数规模，也未更换底层架构，官方披露的主要变化来自后训练，但Terminal Bench 2.1等Agent指标明显上升。价格方面，缓存命中输入0.02元、未命中输入1元、输出2元（单位均为百万Token），延续了DeepSeek一贯的低价策略。

第三方评测让这种冲击更为直观。Artificial Analysis给DeepSeek V4 Flash和Gemini 3.6 Flash的智能指数都打了50分；按7:2:1的缓存命中、普通输入和输出混合口径计算，前者每百万Token为0.06美元，后者为1.16美元，相差约19倍。由此，“DeepSeek斩杀线”在开发者和投资圈流行起来——它不是官方指标，而是市场对价格—性能边界的简称：能力不如DeepSeek、价格却更高的模型，先失去规模化使用的理由；能力只高一点，却贵出十几倍，也要证明这点差距能给客户创造十几倍的价值。

斩杀线讨论的是模型竞争，背后更值得追问的是商业质量。大模型正在改变软件、搜索、内容生产和企业流程，这一点没有太大争议。争议在于：如此重要的技术，能否自然长成一门长期回报很高的生意？从目前公开数据看，答案偏谨慎。

按收费对象看，基础模型公司的收入大致分四类：API按Token计费；个人或团队按月订阅；企业购买许可、私有化部署和定制项目；云厂商、终端和应用平台按协议分成。经济实质可以归为两种：销售标准化模型能力，或者围绕模型做交付与服务。标准化能力可复制，但价格透明、竞品易比较；项目制能提高客单价，但销售周期和运维更重，规模扩大未必带来软件行业常见的边际利润。

成本端更复杂。预训练之外，还有后训练、数据清洗、评测、安全、人才和实验消耗；模型上线后每次调用继续发生推理成本。自建算力时表现为服务器、数据中心、折旧和电力；租云时只是换成云费用或长期算力承诺。判断这门生意不能只看毛利率，更要看自由现金流。训练投入可被资本化或融资暂时遮住，推理降本也能把单次毛利做得好看，但只要下一代模型仍要追加巨额投入，账面毛利不等于股东最终能拿走的现金。

巴菲特在2007年致股东信中讨论“好生意”时，核心是企业能否依靠持久护城河保护投入资本回报率，并提醒必须持续重建的护城河最终很难称为护城河。放到大模型行业，可拆成三项可验证指标：利润增长需要补多少资本；成本下降能否留在利润表里；客户更换供应商时要付出多大代价——分别对应资本开支、定价权和迁移成本。

大模型的第一道坎是领先优势保质期很短。今天用于训练最强模型的集群，明天仍可承担推理和实验，但很难自动保证下一代继续领先。Epoch AI对45个前沿模型的估算显示，自2016年以来，最终训练运行的硬件和能源摊销成本年均增长约2.4倍，其中硬件约占开发成本的47%—67%，研发人员约占29%—49%。如果历史趋势延续，最大训练运行在2027年前后可能超过10亿美元。巨头的最新指引把账单摊在报表上：Amazon预计2026年全集团资本开支约2000亿美元；Alphabet二季度把全年指引上调至1950亿—2050亿美元；Meta给出1300亿—1450亿美元区间。三家的口径覆盖全部业务，但都把AI算力需求列为主要投入驱动。更能说明问题的是现金流：Amazon二季度披露，过去12个月自由现金流由流入182亿美元转为流出76亿美元；Meta二季度资本开支310.8亿美元，自由现金流只有7.84亿美元。纯模型公司没有广告、电商或成熟云业务托底，融资条件一旦变化，压力会更直接。

通常技术降本会先改善企业利润，但大模型行业的特殊之处是降本成果很快被竞争传给客户。Stanford 2025 AI Index统计，同等GPT-3.5水平系统的查询成本从2022年11月的每百万Token 20美元降至2024年10月的0.07美元，18个月下降超过280倍；同期硬件成本年均下降约30%，能效年均改善约40%。Stanford 2026 AI Index显示，截至2026年3月，Arena榜单前四家公司聚集在25个Elo分以内；顶级闭源和开源模型的差距只有3.3%。Agent普及还会放大价格敏感度，采购指标正从“谁最聪明”转向“完成一项工作总共花多少钱”。调用量增长可以抵消单价下滑，但需满足严苛条件：用量增速必须长期跑赢价格下降和新增研发投入。DeepSeek的低价证明了技术效率，也把效率变成了全行业的新报价基准。

客户迁移成本方面，接口标准化正在降低切换难度。DeepSeek官方文档显示，其API兼容OpenAI和Anthropic格式，开发者修改配置即可接入；Claude Code、GitHub Copilot、OpenCode等工具可直接把DeepSeek当作后端。LiteLLM这类开源网关把100多种模型放进统一接口。企业真正沉淀的是用户账号、业务数据、提示词、评测集、权限体系和流程配置，只要这些资产留在应用层或企业自己的网关里，更换底层模型往往只是工程项目。“斩杀线”的两面性正在于此：DeepSeek能凭性价比快速获得调用量，恰恰说明客户会为更好的性价比迁移。

对“大模型不是好生意”的判断，最有力的反驳有三条：推理具有规模经济；前沿智能始终稀缺，愿意支付溢价；巨额资本开支把竞争者挡在门外。但这三条更像在解释为什么少数公司能活下来，还不能证明基础模型层平均是一门好生意。规模经济只有在降本不被价格战完全传导时才形成利润；前沿溢价只覆盖金字塔尖任务，且需每代模型重新证明；寡头格局也可能让云厂商通过捆绑、补贴和多模型平台继续压价。大厂做模型不一定靠API单独赚钱，Google可用Gemini保护搜索和Workspace，Meta可提高广告效率，Amazon可卖算力、芯片和云服务，它们获得的是全栈回报。如果一家公司的利润来自广告、云和分发入口，这证明全栈平台可能是好生意，并不能反推纯基础模型也是好生意。

未来的行业结构，更倾向于“少数闭源前沿平台＋长期存在的开源价格锚＋大量多模型应用”。利润池会沿三个方向重新分配：做成本领先者，自研芯片、推理调度、缓存、模型稀疏化和高利用率是商业模式本身；进入垂直行业，金融、医疗、制造、政务购买准确率、审计、权限、合规和事故责任，专有数据与交付能力把模型差异转换成业务风险差异；向应用和工作流下沉，谁掌握用户入口、上下文、系统权限、反馈数据和最终结果，谁的迁移成本更高，更适合从Token计费转向席位、项目或结果计费。这三条路的共同点是护城河最终都不只在模型权重里，而落在芯片和基础设施、专有数据和合规体系，或客户每天离不开的业务流程中。

DeepSeek斩杀线不是行业终局，更像一次提前到来的压力测试。它让能力弱、价格高的模型先退出，也迫使能力更强的模型解释自己的溢价。对社会来说，智能更便宜当然是好事；对基础模型公司来说，这意味着每一轮技术进步都可能同时抬高下一轮投入，并压低这一轮产品的价格。未来值得跟踪的，不是谁又多拿了几分，而是谁能在资本开支上形成成本优势、在定价上保留利润、在客户流程里建立迁移成本。等这三本账能够同时成立，一家大模型公司才算从重要技术走向一门好生意。