DeepSeek V3以557.6万美元的训练成本实现了与GPT-4o相媲美的性能，震撼业界。申万宏源计算机团队深度拆解DeepSeek的成本优势——Llama 3 405B训练时长为3080万GPU小时，DeepSeek V3仅为278.8万GPU小时，成本仅为1/11。FP8混合精度训练、Dualpipe流水线并行算法、MoE架构创新三管齐下，算力使用效率（MFU）较半年前的DeepSeek V2提升了61%，节省约1200万元成本。据Semianalysis，DeepSeek V3价格较GPT-4下降了90倍以上。申万宏源认为，DeepSeek的低成本优势有望加速AI应用渗透，杰文斯悖论下算力总需求不减。

DeepSeek V3训练成本分解：预训练266.4万H800 GPU小时（532.8万美元），上下文扩展11.9万GPU小时（23.8万美元），后训练0.5万GPU小时（1万美元），总计278.8万GPU小时、557.6万美元（假设H800租赁费2美元/GPU小时）。Llama 3 405B训练时长为3080万GPU小时（1.6万张H100×80天），DeepSeek V3仅为1/11。OpenAI创始成员Karpathy表示：“DeepSeek V3让在有限算力预算上进行模型预训练这件事变得容易，训练消耗的算力仅为Llama 3 405B的1/11。”DeepSeek V3在2048块Nvidia H800 GPU组成的集群上完成训练（共256个节点，每个节点8个GPU，通过NVLink和NVSwitch节点内连接，节点间通过InfiniBand通信），整体训练时间约两个月。

FP8混合精度训练：DeepSeek V3将大部分核心计算（特别是矩阵乘法GEMM操作）执行在FP8精度，对精度敏感操作（嵌入层、输出头、MoE门控、归一化、注意力）在BF16或FP32更高精度下执行以确保训练稳定性，减少显存占用和计算量。Dualpipe流水线并行：优化调度策略减少GPU等待时间（“气泡”），实现部分GPU计算任务与其他GPU通信任务重叠，隐藏训练过程中大部分通信开销，结合高效的跨节点全对全通信内核，充分利用InfiniBand和NVLink带宽。MoE混合专家架构：DeepSeek V3总参数量671B，每个token仅激活37B参数，大幅降低计算量。清华大学方佳瑞博士测算，DeepSeek V3训练MFU约36.2%-39%，较半年前V2提升61%，若按H800租金2美元/GPU/小时计算，较V2节约约1200万人民币。

据Semianalysis，DeepSeek V3价格（MMLU cost/1M Tokens）较GPT-4下降了90倍以上。V3 API输出价格8元/百万tokens，仅为GPT-4o（约72.9元）的约11%；R1 API输出价格16元/百万tokens，仅为o1（约437.4元）的约3.7%。Infra算法优化带来的效率提升每半年约50%，切实带动模型成本/价格下降。申万宏源认为，“算法优化→成本下降→渗透率提升→强化训推投入”闭环逻辑持续。DeepSeek V3和R1发布后，H100价格上涨即为佐证——杰文斯悖论（技术进步使资源使用效率提高时，资源总体消耗量反而增加）在AI领域生效。算法优化不会减少算力总需求，反而因加速AI渗透而推动算力总需求增长。

表：DeepSeek V3训练成本明细

阶段	GPU小时数	成本（万美元）
预训练	266.4万	532.8
上下文扩展	11.9万	23.8
后训练	0.5万	1.0
总计	278.8万	557.6