爱建证券2025年2月AI专题报告对DeepSeek-V3的实际开发成本进行了穿透式分析。公司官宣正式训练成本为557.6万美元，但这是建立在前期V2等模型基础上开发的，前期研发投入约为2000-3000万美元。此外数据获取成本、硬件折旧（2048卡H800集群成本约7.168亿美元）、实验试错成本（约500万美元）等隐性成本未计入，预计实际总成本超4000万美元。虽然实际成本为公开口径的7倍，但相对Llama3-405B（约2.5亿美元）降低约69%，相对于GPT-4o（推测超1亿美元）降低约95%，AI模型训练经济性实现质的飞跃。

DeepSeek-V3正式训练阶段共消耗2.788M H800 GPU小时，按2美元/小时成本计算为557.6万美元。分阶段来看：预训练2.664M小时（532.8万，占95.5%），基于14.8T tokens完成模型基础能力构建，采用FP8混合精度与MoE架构优化效率；上下文扩展119,000小时（23.8万，4.3%），将上下文长度从32K扩展至128K，优化长文本处理能力；后训练5,000小时（1万，0.2%），通过SFT和监督微调和RL强化学习提升对齐能力。每1T tokens消耗18万GPU小时，仅为Llama3同规模模型的1/10，H800集群有效利用率达92%，领先传统架构水平的60-70%。

DeepSeek-V3的隐性成本被多数市场分析所忽略。前期研发投入约为2000-3000万美元，包含DeepSeek-V2、R1等前置模型的研发费用以及架构验证实验成本。数据获取和清洗成本未披露——14.8T tokens的高质量数据清洗与标注（数学/代码数据占比超30%）本身就是显著投入。硬件折旧未计入——若自建H800集群（单价约3.5万美元/卡），2048卡硬件成本约7.168亿美元，若按3-5年折旧分摊每GPU小时成本约0.5-0.8美元。实验试错成本约500万美元——技术报告中提及的“架构研究”阶段可能消耗的试错成本。隐性成本合计超3500万美元，实际总成本超4000万美元。

DeepSeek-V3总参数671B，实际成本超4000万美元，单位token成本约260美元/T，成本效能比设为1.0基准。Llama3-405B总参数405B，实际成本约2.5亿美元，单位token成本约833美元/T，成本效能比3.2（DeepSeek的3.2倍）。GPT-4o总参数约1.8T，实际成本推测超1亿美元（参数规模虽大但未公开），单位token成本超5400美元/T，成本效能比超21（DeepSeek的21倍以上）。若按公开口径计算成本优势更加显著。DeepSeek实现了以十分之一甚至更低的成本达到行业领先性能水平，这一成本优势将深刻影响AI产业的竞争格局。

DeepSeek-V3成本效能对比

模型	参数规模	实际成本	单位token成本（$/T）	成本效能比
DeepSeek-V3	671B	>4000万美元	$260	1.0
Llama 3-405B	405B	约2.5亿美元	$833	3.2
GPT-4o	~1.8T	推测>1亿美元	>$5400	>21