中國人工智慧模型正快速縮小與 OpenAI、Anthropic 等頂尖系統的性能差距，並在企業日益重視的單任務成本方面持續展現優勢。獨立 AI 評測網站 Artificial Analysis（AA）最新分析截至 8 月 7 日的資料指出，DeepSeek V4 Flash 以每項任務 3 美分的成本，成為前 20 大模型中成本最低的選項。
AA 的評估也顯示，近來多款中國模型已不再只是依靠低價競爭，而是開始進入高階模型行列。月之暗面（Moonshot AI）的 Kimi K3、阿里巴巴的 Qwen 3.8 Max 均躋身 AA 綜合智慧指數前十名；7 月底公開的 DeepSeek-V4 Flash，若擴大至前 20 名，也名列其中。這些模型多採用開放權重架構，在性能與成本之間取得相對平衡。
DeepSeek V4 Flash性能接近GPT-5.6 Luna
在 AA 綜合智慧指數中，DeepSeek-V4 Flash 的最大推理模式取得 52 分，與 OpenAI GPT-5.6 Luna 的 max 模式相同。然而，兩者的單任務成本存在明顯差距：
| 模型 | 推理模式 | 智慧指數 | 單任務成本 | 首字回應時間 | 點到點回應時間 |
|---|---|---|---|---|---|
| DeepSeek-V4 Flash | 最大推理模式 | 52 分 | 3 美分 | 1.17 秒 | 19.49 秒 |
| GPT-5.6 Luna | max | 52 分 | 5 美分 | 超過 135 秒 | 來源未提供 |
除了成本較低，DeepSeek V4 Flash 的回應速度也明顯較快。AA 資料顯示，該模型首字回應時間為 1.17 秒，點到點回應時間為 19.49 秒；GPT-5.6 Luna 的 max 模式僅首字回應就超過 135 秒。對需要即時互動或大量執行任務的企業而言，延遲可能直接影響使用體驗與整體營運效率。
單任務成本比每Token價格更能反映企業支出
AA 強調，企業評估大型語言模型時，不能只看每個 token 的價格，更應觀察完成一項實際任務所需的總成本。隨著 AI 逐步導入代理式工作流程與推理密集型任務，模型可能消耗大量推理 token，或因產生冗長回答而推高實際支出，因此單純的 token 計價未必能完整反映使用成本。
Uber 與亞馬遜近期出現的成本暴增案例，也凸顯 AI 使用量快速上升後，企業預算可能面臨失控風險。在這種情況下，模型能否以較少資源完成複雜任務，可能比表面上的 token 單價更具決策價值。
中國模型進入高階區間，但成本差異仍然存在
在較高階的模型區間，AA 評測顯示 Claude Opus 5 以 63 分居首，但單任務成本達 2.34 美元，為評測中成本第二高的模型；Claude Fable 5 則以 3.14 美元成為最昂貴模型。
開放權重模型方面，Kimi K3 的 max 模式取得 60 分，單任務成本為 84 美分。其分數僅比 Claude Opus 5 少 3 分，並比 GPT-5.6 Sol 少 1 分，顯示中國模型與頂尖閉源系統之間的性能差距正在縮小。不過，Kimi K3 的任務成本仍高於 DeepSeek V4 Flash，顯示不同中國模型在性能與成本之間採取的取捨並不相同。
阿里巴巴最新的 Qwen 3.8 Max 同樣受到關注。這款模型擁有 2.4 兆參數，在 AA 智慧指數中取得 58 分，排名第十，與阿里巴巴所稱的「歷代最強 Qwen」相符。不過，其單任務成本為 1.13 美元，仍高於部分同級競爭模型。
低成本區間仍由多款模型競逐
在最低成本區間，GPT-5.6 Luna 的 low 模式、MiMo-V2.5 與 Llama 4 Scout 均能將單任務成本壓低至 1 美分。其中，MiMo-V2.5 取得 37 分，成為這一價格帶中性價比較高的選項。
這些結果顯示，模型市場正逐漸形成不同的競爭層級：部分模型追求最高智慧指數，部分模型則以較低成本完成大量任務，另有模型在性能、速度與支出之間尋求平衡。對企業而言，最適合的模型未必是分數最高者，而可能取決於工作負載類型、回應延遲要求與可接受的總體成本。
評測聚焦企業實際工作負載
AA 表示，智慧指數與單任務成本評估建立在九項基準測試之上，涵蓋程式設計、科學、長上下文推理與代理式任務等面向。這套方法主要用於衡量企業實際工作負載，而不是純翻譯、一般聊天或日常辦公用途。
因此，DeepSeek V4 Flash 的低成本與高速度表現，反映的是其在特定複雜任務組合下的評測結果，並不代表所有使用情境都能取得相同優勢。企業在導入前仍需依據自身資料、任務類型、推理需求與服務條件進行測試。
