2026.10.10 | AC | China AI | DeepSeek Channel Check: Models & Chips

摘要

本文核心要点包括：1， DeepSeek模型迭代策略2， 国产AI芯片对比及算力采购策略3， 中短期Harness发展展望

以下为专家观点：

1，DeepSeek在B系列芯片的持有量上少于竞争对手，这对模型迭代会产生怎样的影响，又将如何应对？

芯片数量上的差距确实会使模型迭代速度相对慢一些，例如，训练一个600B参数的大模型，可能会比独立的模型厂商慢1.5到2个月。为应对这一挑战，DeepSeek公司采取了两条腿走路的策略：

第一，持续对现有的小参数模型（如V4.1、V4.2）进行常规迭代，通过基于IO的训练参数和用户使用轨迹数据的强化学习，不断提升模型能力，特别是在任务复杂度和视觉理解方面。目前已有4.1 preview版本的视觉理解模型，预计会有较大幅度的提升。

第二，通过硬件策略弥补算力缺口。一方面，采用集群化作战方式，使用更多的H系列芯片（如H200）来弥补GB系列芯片的不足。一个由H200组成的超节点集群，其性能大约能达到GB300集群的45%至50%。另一方面，计划在国产950DT芯片于2026年年底量产后，首批将其适配到Pre-training阶段的训练生产环境中。目前，相关工作还处于AI lab的前期实验验证阶段，未来需要将集群规模从当前的1000到2000张卡扩展至1到2万张卡，并解决由此可能带来的集群故障率、MFU训练稳定性等问题。

2，对于采用国产芯片，DeepSeek公司的具体策略是什么，是否会“应买尽买”？在适配过程中面临哪些主要挑战？

公司并非采取“应买尽买”的策略。首先，国产芯片的产能有限，特别是寒武纪和昇腾的芯片并非想买就能买到。其次，核心挑战在于国产化适配。由于无法使用现有的CUDA生态，必须转向芯片厂商自有的生态系统，但这会导致算子库和工具链不成熟的问题。开发者生态需要全部更换，即使对CUDA进行了镜像，后端的编译器和算子也需要针对不同模型进行重写，这个过程难度大且非常耗时。此外，如果从多家厂商采购芯片，就意味着需要同时完成对多种不同芯片的适配工作，这在实践中极难实现day-zero级别的完全适配。因此，策略上会根据具体情况而定，如果能获得单一厂商（如昇腾）80%的供应，只需再补充20%的其他芯片（如寒武纪），那么适配工作量就会大幅减少，只需针对两种卡型进行。

3，在国产芯片的适配过程中，模型公司与芯片厂商的责任分工是怎样的？

在整个软硬件改写过程中，模型厂商承担了主要的工作量。具体而言，算子的编译重写、TensorIR的改写以及软硬件整体的路由和通信适配等，主要由模型厂商的团队负责。芯片厂商（GPU厂商）则通过驻场的方式提供支持，主要负责性能提升方面的工作，例如针对不同模型（其激活参数和共享专家数各不相同）优化GPU的MFU性能，以及进行单点通信、扩展和存储等方面的适配。然而，从整体工作量来看，模型厂商的负担最重。同时，市场也面临着人才短缺的困境，能够同时精通硬件、软件、模型训练、通信、光模块乃至一体化封装的infra人才非常稀缺，这进一步增加了适配工作的难度。

4，AI coding类产品当前的发展状态，是否对GPU的适配工作有明显的助益？

AI coding类产品与GPU的训练和推理有很强的关联性。这类产品主要应用于企业级办公场景，如文档生成、数据分析和流程编排，以及通过类似Copilot的插件系统覆盖法律、销售等岗位。这些应用场景的任务结构化程度高，输入输出规范明确，与deep research强相关，涉及文献综述、实验方案设计、数据解读及企业级workflow编排等。这些应用极大地推动了对长程推理、工具调用能力以及工具价值密度提升的需求，因此对deep research的能力要求非常高，从而直接关联到训练GPU的需求。同时，随着应用从工具层向编排层迁移，对单任务的output质量要求也变得特别高，这对推理算力也提出了更高的要求。在推理过程中，Agent需要以黑盒方式不断修正前序步骤的结果并进行融合，这可能会导致一定程度的算力浪费。

5，对于天数、壁仞、摩尔线程等二线国产AI芯片的性能表现，以及作为国产模型厂商的采购规划，应如何看待？

目前市场上的国产AI芯片可分为几个梯队。第一梯队主要是昇腾和海光的产品，第二梯队包括壁仞、摩尔线程、燧原、天数等。经过验证，第二梯队的GPU虽然可以使用，但基本无法满足训练侧的需求，在推理侧也存在较大挑战。

具体来看各家厂商：

摩尔线程在2025年的验证中表现相对扎实，是二线厂商里训练能力数据链较为完整的。在多层类MOE架构下，其与国产旗舰GPU昇腾相比，前2万至3万个step的平均相对误差较小，但超过3万个step后，训练稳定性会大幅下降。此外，其整体架构密度比昇腾要低20%至30%。

壁仞的产品，如BR100，更偏向平面化架构。尽管其号称性能超过NVIDIA H200，但在实际生产环境测试中，其自研的BLINK互联技术虽然理论上最大支持1024卡扩展（Scale-up），但超节点能力很差，仅相当于昇腾950PR的30%至40%。同时，其主力场景BF16无法兼容海外GPU的开发环境，底层架构对海外供应链存在依赖。由于被美国商务部列入实体清单，且中芯国际目前没有7纳米产线可供其使用，因此难以进行大规模的国产化生产储备。

燧原与腾讯深度绑定，是唯一走DSA路线的厂商，其产品号称对标H20。虽然支持原生的BF16，但在训练级运算和集群线性加速方面，相比传统的GPU方案仅提升约25%至30%。其方案仅能支持千卡级别的精准部署，且自有的DAC架构不兼容CUDA，导致整体迁移成本高于GPGPU路线。

寒武纪相对较好，其新一代思元690量产后，整体GPU能力有所提升。但其产能不足，无法达到昇腾950PR的水平。因此，这些二线芯片目前主要用于实验室环境下的小规模非生产性试验，特别是算法验证，尚无法进行大规模的训练量产。

6，在不考虑产能限制的情况下，单从性能角度比较，昇,950PR和寒武纪思元690在推理应用上孰优孰劣？

如果仅从性能角度看，寒武纪思元690的表现要优于昇腾950PR。根据试验验证数据，在MFU和百万Token每秒的吞吐效率这两个指标上，思元690更强。不过，尽管690的物理性能更稳定，片上生态适配性更好，但其产能问题更为严重。

7，当前国内推理任务主要使用国产芯片，若模型使用NVIDIA B系列芯片训练，再用国产芯片进行推理，其效果如何？与直接使用NVIDIA芯片进行推理相比，存在多大差异？

目前国内的推理任务几乎100%使用国产芯片，其中华为昇腾卡占比约为65%至70%。将NVIDIA B系列训练的模型部署到国产卡上进行推理，其性能与直接使用NVIDIA芯片存在一定差距。

以NVIDIA H200作为基准进行比较，寒武纪思元690的推理性能（包括MFU、推理稳定性、单任务Token吞吐量）大约能达到H200的70%至75%，而昇腾950PR则约为H200的70%。平均来看，国产旗舰芯片与NVIDIA H200的性能差距并未如想象中巨大。在一项涉及2000至2500张昇腾950PR和寒武纪思元690的“推理加速”专项试验中，发现这些国产卡的组合性能大约能达到NVIDIA GB200的75%至80%。

与NVIDIA H200相比，国产卡在推理效率（Token/s）上大约落后30%至40%。更关键的差异在于稳定性，NVIDIA芯片的故障率更低，其稳定性比国产卡至少高出30%至40%。因此，在条件允许的情况下，推理任务仍会优先选择NVIDIA的B系列或H系列芯片。

8，DeepSeek的Harness产品目前处于何种状态，以及中短期的发展预期是怎样的？

当前的Harness版本是在4.1 Pro之后推出的，其定位更偏向开发者而非商业客户，这与Workbuddy的Harness不同，后者更侧重于普通用户，包括编程和Agent类的核心用户，追求更快的上手速度、更低的难度和更广泛的可调用模型。DeepSeek的Harness则主要基于其自有模型，并在此基础上开放了许多架构。该版本更多是为开发者服务的。

下一版本的Harness将融入更多的Agent能力，接口数量预计会大幅增加，包括浏览器等MCP动态接口，以及开发环境中涉及的数据库、产品链等调用接口。此外，Skills生态也将得到扩展，目前主要为官方Skills，下一阶段将引入基于开放生态的第三方Skills。这得益于开放生态补充带来的用户需求增长，以及大量use case和good case数据的积累，这将极大提升Harness的整体能力。Harness目前正通过RSI方式进行迭代，迭代完成后的能力将被内化到下一阶段的新模型中。因此，无论是工具链、生态还是模型性能的提升，都将在下一版本，特别是与4.2版本配套的Harness中体现。

9，下一版Harness预计的发布时间点是什么时候？其产品形态和商业模式将有哪些变化？

下一版Harness将与4.2版本一同发布，可以理解为在4.1 Pro之后紧接着就会跟进4.2版本。如果算力供应和竞品开发节奏没有受到影响。新版本的Harness在应用层界面和前端页面上将有显著变化，整体风格会更偏向C端用户，而非当前完全面向开发者的设计。

同时，该产品线也会推出企业版本，形态类似于Kimi当前的“agent sub”，主要面向企业端提供Agent插件套件。企业用户可以进行本地化部署，或通过云端方式对接自有的ERP系统，并实现前端能力、后端数据库及开发流程的热插拔。这将成为一个面向B端客户的产品。对于C端，则会通过“coding plan”的模式提供订阅服务。

10，考虑到4.2版本即将发布，届时在Harness或Agent能力方面，市场竞争格局和各厂商的能力排序预期是怎样的？

如果将通用的Agent产品都纳入考量，Workbuddy凭借其当前的流量优势和多模型路由调用策略，在未来几个月内无疑是最强的。

但若从独立厂商的角度看，包括Kimi的Agent、DeepSeek的Harness以及MiniMax的MiniMax Sub等，DeepSeek预计将处于最强的位置。无论是在面向开发者还是B端客户方面，其MCP接口数量、Skills Hub生态、第三方可调用能力以及产品侧的迭代速度都具备优势。Kimi也处于第一梯队，但与DeepSeek相比，在数据和生态方面仍存在一定差距。

第二梯队包括MiniMax和GLM的产品。它们的Harness能力，包括RSI的学习和泛化能力，侧重点不够通用。例如，MiniMax更偏向于其较强的多模态能力，而GLM则更侧重于编程。

其余大厂，除Workbuddy外，基本处于第三梯队。例如，千问和混元的Harness做得相对内化，并未作为独立的Agent工具面向C端或B端，而是直接整合在模型能力中，作为不同档位（如Max档或Pro Max档）的一部分。

11，目前各家AI厂商的开发者生态发展状况如何？

从开发者生态来看，传统的互联网厂商如腾讯、字节和阿里巴巴（千问）最具优势，因为它们本身就拥有庞大的开发者基础，并为其提供了丰富的插件、第三方Skills和工具链。据了解，千问拥有约七八十万的开发者。字节的扣子这类Agent产品也吸引了大量开发者，并支持自建开发环境和Agent架构。

在独立模型厂商中，MiniMax和DeepSeek相对较强。它们通过类似MiniMax Hub的产品吸引了开发者。这些开发者一方面是use case的贡献者，另一方面也使用厂商提供的编程或持续集成工具。不过，它们的生态相对不那么通用。例如，MiniMax凭借其强大的多模态能力和Agent能力，吸引了许多开发者基于其模型进行微调，以供给前端产业应用。未来，强大的Harness和开发者能力对于获取AI增量至关重要，后端业务的发力点将高度依赖于产品本身强大的流量支持。

12，从商业化角度看，未来AI或大模型的收入预期是否主要来自B端市场？

是的，大部分模型厂商的核心商业化策略都押注在B端市场的付费业务上。相较之下，C端用户在国内市场的迁移成本极低，大部分用户仍处于体验和试用阶段，商业化潜力有限。

13，除了目前已有的商业化模式，例如Coding场景，下一波大模型商业化的爆发点可能出现在哪些领域或能力上？

未来的商业化爆发点主要体现在以下几个方面：

首先是Agent能力的垂直化拓展。当前通用的Agent主要集中在办公、Coding等场景，未来将向更专业的垂直领域深化，例如金融、教育、医疗以及制造业等特定场景。这需要围绕特定行业构建解决方案，并优化产品层面的能力，类似Kimi针对金融场景推出的解决方案。

其次是向World Model方向发展。目前基于物理世界数据采集，并与视觉模型结合生成视觉媒体或3D内容的应用，主要服务于游戏或部分工业生产场景，尚处于基础阶段。预计到2027年下半年，随着类似DeepSeek与宇树科技的合作深入，模型将更多地与机械灵巧手、工业级机器人等实体进行结合。

最后是数据能力的提升。现有数据已遭遇瓶颈，未来将大量依赖合成数据作为补充。因此，合成数据的质量和数量将成为决定模型训练能力能否快速提升的关键。对环境的要求也越来越高，例如在沙盒环境中进行商业化训练，可能需要在3000至4000个不同场景中进行适配，这将极大推动合成数据能力的进步。这些趋势在2026年下半年将变得尤为重要。

14，DeepSeek在行业拓展方面有无特定的侧重领域？

DeepSeek重点关注金融和医疗这两个行业。从目前的API整体调用情况来看，主要也集中在金融、教育、医疗和制造业。

15，字节、阿里这类厂商若推出5T以上参数规模的模型，将对国内模型市场的竞争格局产生何种影响？

这类厂商推出更大规模的模型将从两方面影响竞争格局：

首先，在资源层面，更大模型的训练会挤占大量高性能GPU资源。在当前计算资源呈零和博弈的态势下，这将导致其他厂商更难获取优质GPU，对其模型的训练和能力提升构成威胁。

其次，在市场层面，这些厂商拥有强大的流量优势和深厚的互联网生态壁垒，例如Workbuddy这类产品。一旦它们在模型应用上发力，独立模型厂商在通用能力上将难以与之抗衡。因此，独立厂商的生存策略必须是走向更深的垂直化，通过提供更专业的行业解决方案来构筑竞争优势，占据细分市场。下一阶段，各大模型厂商将通过行业解决方案来拓展和巩固各自的市场地位。