当天下午，潞晨科技CEO尤洋发文回应DeepSeek公布的理论成本利润率。争议焦点主要集中在以下几点★★：

　　2★、潞晨科技宣布暂停DeepSeek API服务★：用户需尽快使用账户余额，未使用部分将全额退款。

　　数据参考性问题★：尤洋认为文章中合并计算了DeepSeek网页、APP和MaaS API的token数，无法准确反映MaaS的真实成本和使用情况。MaaS是ToB工具★，与ToC的网页和APP在性能要求和成本结构上存在显著差异。

　　解码阶段也采用了类似的策略，但更加精细★★★，将Attention层进一步细分为两步★★★，使用了五阶段流水线-stage pipeline)，实现更流畅的通信-计算重叠★★★。

　　MaaS性能与稳定性★：春节期间DeepSeek APP和网页频繁掉线分钟以上，无法满足ToB客户对低延迟和高稳定性的要求★★★。MaaS作为ToB服务，需保证首字响应≤2秒、单token处理≤100ms★，现有技术难以达标★★★。

　　尽管DeepSeek在技术上取得了显著突破★，但其基于MaaS的商业模式却面临严峻挑战。3月1日★★★，潞晨科技官微宣布：“尊敬的用户，潞晨云将在一周后停止提供DeepSeek API服务★★★，请尽快用完您的余额★★★。如果没用完，我们全额退款。★★”

　　商业模式可持续性：MaaS需时刻保持超负荷运转★★，且需准备5倍于实际需求的机器资源以应对突发流量，导致成本高企。高投入与低毛利的矛盾使得MaaS模式难以盈利。

　　3月1日，DeepSeek在知乎平台开设了官方账号，并发布一篇技术文章——《DeepSeek-V3/R1推理系统概览》。文章显示，DeepSeek-V3/R1推理系统的优化目标是实现更大的吞吐量和更低的延迟。为了达成这两个目标★★，DeepSeek采用了大规模跨节点专家并行（EP）方案。这种方案虽然增加了系统的复杂性，但能有效提升性能。

　　技术创新的实际贡献：DeepSeek在AI基础设施上依赖英伟达GPU和已有技术（如MOE架构★★★、PD分离）★★，并未提出颠覆性算法。中小云厂商吹嘘推理速度提升10倍，但缺乏实际盈利案例★★★，技术优势未能转化为商业成功。

　　在成本控制方面，DeepSeek的表现尤为突出★★★。根据官方披露的数据，V3/R1的训练成本仅为557★★★.6万美元★★★，不到OpenAI GPT-4o模型的1/20。其推理成本也极具竞争力，每百万token的定价仅为16元，相比OpenAI低了近70%★★★。基于这些优化★★，DeepSeek的理论利润率高达545%，显示出其在成本控制和效率提升方面的巨大潜力。

　　DeepSeek在文章中详细介绍了如何通过EP技术增长批量大小、隐藏传输耗时以及进行负载均衡，从而优化整个推理系统的性能。通过这些技术手段，DeepSeek能够处理更大规模的数据，同时保持或提高响应速度★★。以下是预填充阶段的计算-通信重叠示意图：

　　1、DeepSeek首次披露：其V3/R1推理系统的理论成本利润率高达545%★★，展现出显著的技术与成本优势。