3 月 1 日，DeepSeek 于知乎开设官方账号，发布《DeepSeek-V3/R1 推理系统概览》技术文章，不仅公开了其推理系统的核心优化方案，更首次披露了成本利润率等关键财务数据。

数据显示，若按理论定价计算，其单日成本利润率高达 545%，这一数字刷新了全球 AI 大模型领域的盈利天花板。

理论单日利润率达 545%

根据 DeepSeek 官方披露，其推理服务基于 H800 GPU 集群部署，通过动态调整节点资源实现效率最大化。在最近 24 小时（2025 年 2 月 27 日 12:00 至 28 日 12:00）的统计周期内：成本：GPU 租赁成本按 2 美元 / 小时计算，日均成本为 87,072 美元；收入：若所有输入 / 输出 token 按 R1 定价（输入 1 元 / 百万 token、输出 16 元 / 百万 token）计算，单日收入可达 562,027 美元。利润率：理论值达 545%。

不过，官方坦言实际收入受 V3 定价更低、夜间折扣及免费服务比例影响，会低于理论值。

创新推理系统实现"降本增效"三重优化

DeepSeek 的高利润率源于其创新的推理系统设计，核心包括大规模跨节点专家并行（EP）、计算通信重叠与负载均衡优化三大技术支柱：专家家并行（EP）提升吞吐与响应速度，针对模型稀疏性（每层仅激活 8/256 个专家），采用 EP 策略扩展总体批处理规模（batch size），确保每个专家获得足够的计算负载，显著提升 GPU 利用率；部署单元动态调整（如 Prefill 阶段 4 节点、Decode 阶段 18 节点），平衡资源分配与任务需求。

计算与通信重叠隐藏延迟，Prefill 阶段通过"双 batch 交错"实现计算与通信并行，Decode 阶段拆分 attention 为多级流水线，最大限度掩盖通信开销。

全局负载均衡避免资源浪费，针对不同并行模式（数据并行 DP、专家并行 EP）设计动态负载均衡器，确保各 GPU 的计算量、通信量及 KVCache 占用均衡，避免节点空转。

DeepSeek 在工程层面进一步压缩成本。昼夜资源调配：白天高峰时段全力支持推理服务，夜间闲置节点转用于研发训练，最大化硬件利用率；缓存命中率达 56.3%：通过 KVCache 硬盘缓存减少重复计算，输入 token 中 3420 亿（56.3%）直接命中缓存，大幅降低算力消耗。

低成本高利润重塑 AI 商业化的成本标杆

DeepSeek 此次披露的数据，不仅验证了其技术路线的商业可行性，更为行业树立了高效盈利的标杆：其模型训练成本仅为同类产品的 1%-5%，此前发布的 V3 模型训练成本仅 557.6 万美元，远低于 OpenAI 等巨头 410；推理定价优势方面，R1 的 API 定价仅为 OpenAI o3-mini 的 1/7 至 1/2，低成本策略加速市场渗透。

业内分析指出，DeepSeek 的开源策略与成本控制能力正在打破 AI 领域的资源垄断。DeepSeek 此次"透明化"披露，不仅展示了其技术实力与商业潜力，更向行业传递明确信号：AI 大模型的盈利闭环已从理想照进现实。