一边指责中国AI“偷师”，一边用DeepSeek优化自家模型省钱？海外博主点名OpenAI、Anthropic一样不讲武德

本文来自微信公众号： 瞰见Lab ，作者：瞰见·Ai

美国的AI公司指责中国厂商“抄袭”，转身又利用中国公开的技术给自己省钱，还继续向用户收费？海外博主的一张评论截图，把这个疑问摆到了人们面前。

X用户xiax的评论截图。图中“使用了DeepSeek技术但是没有致谢”是原作者的质疑，下文会说明其中的证据缺口。

如果这是真的，场面就很难看了。自己创造的东西不可以碰，别人创造的东西可以使用，省下的钱算自己的本事，至于谁先想到这个方法，倒好像并不重要。

我核对了对应的英文原文、技术报告和价格说明。中国技术的进步有据可查，美国公司的降价也确实发生了。可从这两件事跳到“偷偷用不认账”，中间还缺少证据。

但顺着这些材料往下看，中国AI到底给世界带来了些什么？

本文看点

01

437倍的口径

02

降价与技术来源

03

明确采用的实例

01

KV CACHE

437倍，到底节省了些什么

先看截图里最醒目的数字。

9月17日发布的DeepSeek V4.1 Flash技术报告提到，缓存占用可以缩减大约437倍。但比较对象是早期的DeepSeek V1；和上一代V4 Flash相比，全局KV缓存占用的空间已经减少到了原来的四分之一左右。

在相同的上下文长度下，新模型每个token占用890个字节的全局KV缓存空间。按一百万Token计算，大约是八亿九千万字节（约890MB）。

该数字是有明确的数据来源的。它指的是全局KV缓存，不能把模型运行所需的全部显存都算进去，更不能理解为整个AI的成本降低了437倍。模型参数本身就需要占用存储空间，而计算也需要花费金钱。

来源：DeepSeek V4.1 Flash技术报告图1（b）。比较的是每token全局KV缓存，不是全部显存或总成本。

不熟悉KV缓存，可以这样理解。模型分析文本时，会生成一些供后续运算使用的状态信息。把它们保存下来，在下一次使用时就可以直接调用了，避免了重复计算。内容越长，需要保存的信息也就越多。

让AI持续完成一个很长的编程任务，存储和搬运这些信息的成本就会很高。算得出来，并不代表可以存储下来；存下来了，还要看能不能传输、读取。

DeepSeek所做的就是把开支一点点降低下来。V4.1Flash采用了跨层缓存复用以及FP4缓存等方式，并且在报告中对存储于SSD或者主机内存里的持久缓存进行了单独分析。

这些技术不适合拿来做热闹的产品演示，却直接关系到AI能否以较低的成本完成长上下文任务。工程师所要的是这样的方法。

中国的团队把它做了出来，并且把技术路线也写出来了。这项贡献本身就很厉害，不需要再加上一份外国公司“忏悔书”来增添气氛。

02

CACHE PRICE

账单便宜了，就能证明用的是谁的技术吗？

英文文章题为《The AI Race Just Got Awkward》，意思是AI竞赛突然变得尴尬了。

作者认为OpenAI、Anthropic新模型的价格下降，是因为两家借用了DeepSeek的缓存优化技术，但是没有进行解释。

这些降价数字是能查到的。

Claude Opus 5.5的缓存读取费用由原来的Opus 5每百万token 0.50美元降低到现在的0.20美元，下降了60%。Anthropic发布的公告里已经把账单给列出来了。

GPT-6.1 Sol的缓存输入的价格为每百万tokens 0.1美元。英文作者拿它与两个月前GPT-5.6 Sol的0.5美元比较，得出降幅80%。但按目前GPT-5.6 Sol的0.4美元计算，降幅就是75%；而和GPT-6 Sol的0.2美元相比，降幅就变成了50%。

这组数据说的是API缓存读取价格，降幅要连着比较基准一起看。换一个基准，百分比就不一样了。

瞰见Lab依据Anthropic发布说明、OpenAI模型文档及英文评论整理。单位为美元／百万Token，标准API缓存读取或缓存输入价格；口径截至2026年10月10日。

接下来要问的是，两家公司有没有公布采用DeepSeek架构的信息？有没有工程师提供相关代码和解释？

这篇英文评论没有给出。作者把缓存读取降价当作采用了这项技术的依据。

这个推论太快了。厂商要向顾客收取多少费用，会受到产品的定位以及竞争对手等因素的影响；至于实际成本怎么降下来，可能涉及多种工程改良。一张价格表并不能说明技术来源是什么。

Opus 5.5有正式发布的说明，GPT-6.1 Sol也有官方更新记录。“发布低调”也不能说明公司用了别人的成果而心虚。

可以质疑，但是不能把想听的答案事先塞给对方。

接下来的材料是不用推测的。

03

OPEN RESEARCH

英伟达也把出处写明了

英伟达把FP8训练方案也列入了Nemotron Nano 2技术报告的一节里。

这一节开头就指出，整个预训练过程中使用的是DeepSeek的FP8训练方式。

来源：NVIDIA Nemotron Nano 2技术报告，第2.4节原句截图。这里说的是FP8训练方案，与此次KV缓存优化并非同一项技术。

后面还写明了具体细节。权重按照128×128的块来进行量化，激活则采用1×128的方式；哪一部分使用了DeepSeek的方法、哪一部分做了修改，在报告中都有所提及。

这里所用到的方法是训练方案，并不是本次讨论的KV缓存优化的内容。Nemotron也发布了模型权重，但是不能用来证明OpenAI或者Anthropic的封闭模型使用了哪些内容。

但它至少证明了一件事。美国一家重要的AI公司用上了中国团队公开的技术成果，并在自己的报告里说明了出处。

一个中国的团队提出了解决方案，另外一个团队去实施并且做了一些改进，然后说出了出处。这就是技术交流可以产生实际效果的地方。

用开源成果赚钱，本身算不上什么丑闻。开放使用范围要根据具体的许可证来决定，引用公开的方法与涉嫌违规获取模型输出是不一样的。中国的成就应当得到认可，美国公司合理的利益也应该受到保护。

英伟达愿意说明技术来源，这是值得赞扬的。技术交流越是充分，就越是应该交代清楚研究人员做了哪些事情。

评价中国AI时，我们也该问问，中国的工程师给这个行业带来了多少新的东西？

04

ORIGINAL CONTRIBUTIONS

中国AI的发展，不能一直只有“向谁学习”的问题

今年2月份，Anthropic就指控了DeepSeek、Moonshot以及MiniMax这些公司有违规获取Claude能力的行为。它说这些行为涉及到大量的虚假账号，并且违反了服务条款和地域限制。这是Anthropic一方的指控。

它也在同一篇文章中承认，蒸馏是普遍采用的正常训练手段，美国领先的实验室也会蒸馏自己的模型。

所以，每项争议都得具体讨论。有无违规获取数据、证据是什么、应承担什么样的责任等都要分头说明。

令我反感的是，在对中国人工智能的讨论中，这样的指责很容易占据大部分的空间。谈论技术突破时，首先就要弄清楚是否是从美国那里学到的；提出工程方案之后，又有不少人认为减少成本不算很大的创新。

这样评价，对真正做事的人很不公平。

Anthropic的文章更是把中国厂商看上去迅速发展的表现，与获取美国模型能力联系在一起，并以此来支持对先进芯片进行限制。按它的说法，中国AI的发展很大程度上依靠于从美国模型中得到的能力。

这个观点是可以争论的，并且也应当被验证。一家公司提出的违规指控，并不能代替对中国团队各项技术成果的判断。DeepSeek怎么压缩缓存、用什么精度训练、其他人为什么愿意学，这些都有材料可查。

以前讨论人工智能的时候，人们总是关注着哪个公司的模型最先达到最好的效果。也该看看谁能降低长期使用的成本。一项能力是只有少数大公司负担得起，还是更多团队都能部署，真正能够发挥作用的范围相差很大。

对于需要多次处理大量数据的小型团队来说，价格和部署要求，直接影响他们能不能用上这个系统、能用多久。工程师将缓存减小了，并且把训练方案公布出来，改变的就是上面所提到的那些条件。

中国团队已经拿出了一些别人愿意用的新方法。讨论时只剩下是否抄袭，那就太懒而且很傲慢。

至于开源团队为什么选择公开，当然也可以继续追问。他们需要投入研究的成本，并且也可能使得竞争对手获益；公开之后能否被广泛采用并得到改进、能否给团队带来商业收益，都值得关注。

一家公司用了公开技术，继续收费，这本身没有什么可指责的。值得我们警惕的是，在享用着全世界的研究成果的时候，却按照国别来决定是否承认他人的原创性工作。如果有证据表明存在双重标准，我们当然可以毫无保留地指出来。

中国团队已经做出了哪些贡献？既能看技术报告，也能看采用这些技术的团队怎么说。相比一张情绪很足、证据却不完整的截图，这些材料更加能够经受住追问。

以后再有人轻易断言中国AI只是在模仿美国，请先看一下上面的内容。

不能讨论中国公司时，只查它从别人那里拿走了什么；等别人用上中国技术，又觉得这没什么好说的。

END

本文写作说明

本文以一张社交媒体截图和英文评论为切入点，通过DeepSeek的技术报告、厂商的价格说明和英伟达的报告来展开分析。文章没有采访公司人员，不能把缓存降价当作使用了某种技术的证据。截图中的指控仍然归于原作者，技术和商业上的评价则要分别对待。

主要的数据来源

数据来源于DeepSeek发布的公开技术报告、OpenAI官方模型的价格和更新记录、Anthropic发布的说明和蒸馏声明、英伟达Nemotron Nano 2的技术报告以及insufferable.dev最初的评论文章。