从DeepSeek 8月17日峰谷分时定价看差异化定价的数学建模4.5倍/3倍/12倍价差背后的需求弹性与排队论2026 年 8 月 17 日DeepSeek 的 API 调价方案正式生效。这不是一次普通的涨价——高峰时段输出价从 2 元/百万 tokens 升到 9 元翻了 4.5 倍缓存命中输入价从 0.025 元升到 0.30 元翻了 12 倍空闲时段统一为高峰的一半。更值得注意的是这是 AI 大模型行业第一次引入峰谷分时定价——和电力、自来水行业的做法几乎一模一样。为什么 AI 公司开始学电力公司4.5 倍、3 倍、12 倍这三个数字背后的数学是什么本文用差异化定价的需求弹性模型和排队论模型把这套定价的逻辑拆开讲清楚并把峰谷定价 排队优化这套组合拳在国赛里的通用打法梳理一遍。一、先把价目表摆齐4.5 倍、3 倍、12 倍到底指什么价格档位原价元/百万 tokens新高峰价新空闲价高峰倍数空闲倍数V4-Flash 输出294.54.5 倍2.25 倍V4-Flash 输入缓存未命中394.53 倍1.5 倍V4-Flash 输入缓存命中0.0250.300.1512 倍6 倍V4-Pro 输出62713.54.5 倍2.25 倍V4-Pro 输入缓存未命中92713.53 倍1.5 倍读这张表要抓住三个关键点缓存命中输入涨幅最大12 倍因为缓存命中本身就便宜0.025 元哪怕涨 12 倍也只是到 0.30 元仍然比未命中便宜 30 倍——是结构性鼓励缓存命中输出涨幅大于输入涨幅4.5 倍 vs 3 倍因为输出才是真正的算力消耗大头输入的边际成本远低于输出空闲时段统一半价这是把非高峰时段的剩余算力打折卖出去本质是填谷把这三个观察翻译成建模语言DeepSeek 这套定价是在用价格信号同时做三件事——抑制高峰、填满空闲、引导缓存。二、需求弹性模型高峰时段为什么不是 9 元就是 9 元2.1 直觉先于公式差异化定价的核心是需求价格弹性当价格上升 1%需求量下降多少。如果需求是刚性的弹性小提价不会减少需求如果需求是弹性的弹性大提价会显著减少需求。AI API 的需求弹性在不同场景下差异巨大——对话机器人的高峰需求弹性小用户不会因为贵 4.5 倍就不聊了但批量数据处理的弹性大凌晨跑批的用户对价格敏感。设需求弹性为 E绝对值价格从 P0 涨到 P1需求从 Q0 变为Q1 Q0 × (P1/P0)^E例如对批量跑批用户E ≈ 2价格涨 4.5 倍 → 需求下降到 1/4.5^2 ≈ 1/20。这就是 DeepSeek 想要的高峰时段把弹性大的用户挤走把算力留给刚性用户。2.2 三类用户的需求弹性用户类型典型场景需求弹性 E绝对值高峰提价 4.5 倍后行为对话应用客服、聊天机器人0.3—0.5需求只下降 25%—35%几乎不迁移实时推理搜索增强、智能客服0.8—1.2需求下降约一半部分会迁批量跑批数据清洗、夜间训练1.8—2.5需求下降到 1/10几乎全迁到空闲档离线分析报告生成3.0 以上需求几乎归零全部迁到空闲档这张表说明DeepSeek 的 4.5 倍涨幅对三类用户的驱逐效果差异巨大——对话用户几乎不动跑批用户几乎跑光。DeepSeek 想要的正是后面这种驱逐——把非刚需的跑批任务挤到空闲时段。2.3 收入最大化的数学设总需求函数为 Q(P)收入 R(P) P × Q(P)。求导得dR/dP Q P × dQ/dP Q(1 - E)当 E 1 时dR/dP 0提价增加收入当 E 1 时dR/dP 0提价减少收入。所以 DeepSeek 把涨幅定在 4.5 倍是因为它估计高峰时段整体需求弹性 E 1——大部分用户是刚需提价整体能增加收入。但这只在没有替代品的前提下成立。如果用户能转到其他模型GPT、Gemini、Claude那 E 会被跨平台替代弹性放大。DeepSeek 之所以敢这么涨是因为它的 V4-Pro 在 Terminal Bench 2.1 上从 72.1 提升到 87.9——用户迁移成本上升。三、排队论模型空闲档为什么是高峰档的一半3.1 排队系统建模DeepSeek 的算力可以建模成 M/M/c 排队系统请求按泊松过程到达服务台数量为 cGPU 卡数服务时间近似指数分布。关键参数是负载率 ρρ λ / (c × μ)其中 λ 是到达率μ 是单卡服务率。当 ρ 接近 1 时排队延迟急剧上升当 ρ 远小于 1 时资源闲置。时段到达率 λ负载率 ρ排队延迟 W_q系统状态高峰白天高0.85—0.95长数十秒级接近饱和中段傍晚中0.55—0.70中秒级正常运行空闲凌晨低0.10—0.25极短大量闲置3.2 空闲档半价的本质DeepSeek 把空闲档定在高峰档的一半本质是对闲置资源做边际成本定价。设高峰档边际成本为 M空闲档 GPU 大部分时间闲置单位 token 的真实边际成本接近零电力 折旧已沉没。所以空闲档理论价格可以是高峰档的 1/10 甚至更低。但 DeepSeek 选了 1/2背后是双目标平衡不能太低太低会鼓励用户在空闲档跑本该在高峰跑的任务反而增加系统复杂度不能太高太高达不到填谷效果空闲时段 GPU 还是空转最优空闲档价格 p_idle 满足p_idle 高峰档价格 × (1 - 谷段填充目标占比)如果 DeepSeek 目标是空闲时段 GPU 利用率从 25% 提升到 50%那么 p_idle ≈ 高峰价 × 0.5。这就是 1/2 这个系数的来源。四、缓存命中 12 倍涨幅分层定价的数学4.1 缓存是什么DeepSeek 的缓存命中指的是用户请求的 token 已经被之前某个请求算过键值对KV-cache还留在 GPU 显存里。这种情况下模型不需要重新计算这部分 token 的注意力键值对只算少数新增 token——算力成本极低。所以 DeepSeek 原始定价里缓存命中只收 0.025 元/百万 tokens比未命中的 3 元便宜 120 倍。8 月 17 日新价把缓存命中提到 0.30 元看起来涨了 12 倍但仍然比未命中便宜 30 倍——相对结构没变只是绝对数字提高了。4.2 为什么缓存涨幅最大缓存命中输入的成本结构是这样的成本组成是否随缓存命中而变化模型前向计算大幅下降这部分已算过显存读取不变排队开销不变带宽传输不变利润率提升空间大缓存命中的真实边际成本非常低接近显存读取 带宽所以它的原利润率是所有档位里最高的——0.025 元卖出的 token毛利率可能高达 90% 以上。提价 12 倍后变成 0.30 元毛利率仍然非常高但对用户来说缓存命中的绝对花费仍然微不足道。这是典型的两部制定价思维——把基础服务缓存命中压到几乎免费把增值服务高峰输出抬到能补贴基础服务的水平。电力公司、电信运营商、云服务厂商都是这套思路。五、DeepSeek 的目标函数总收入最大化把上面四个模型拼起来DeepSeek 的目标函数可以写成总收入 Σ_时段 (价格_时段 × 需求_时段(价格_时段)) Σ_用户类型 (缓存命中率 × 缓存价 × 调用量)最大化这个目标需要平衡四个杠杆杠杆调高效果调低效果高峰价高峰收入上升但弹性用户流失高峰拥堵空闲价谷段利用率提升利润减少缓存价缓存利润率上升缓存生态收缩跨档价差套利机会消失用户迁移成本上升8 月 17 日这套定价本质上是一次试探性涨价——DeepSeek 想看市场反应特别是弹性用户会不会真的在高峰档消失、跑到空闲档。如果跑批用户大量迁移成功下一轮可能把高峰涨幅再往上推如果迁得不够多说明需求弹性估错了会回调。六、国赛里类似的题怎么打数模竞赛里碰到差异化定价削峰填谷分时定价这类题不要直接套经济学公式——评委会更看重模型 求解 验证三步走。步骤任务工具1设定价格档位与时段时段分类高峰、中段、空闲2估计每类用户的需求弹性文献值或回归3建立排队模型M/M/c 或 G/G/c4求解总收入最大化的价格组合数值优化5验证对弹性估计的敏感性蒙特卡罗仿真举个国赛常见题型某共享充电宝运营商如何在工作日早高峰、午间、夜间三档时段分别定价。把 DeepSeek 这道题的思路套上去估计每档的需求弹性 → 用排队论算每档的负载率 → 用总收入公式反推最优价格 → 对弹性做敏感性分析。一套流程评委一眼看出你的工程化能力。七、把峰谷定价 排队优化写成国赛通解把上面所有内容浓缩成五步国赛通法步骤核心动作DeepSeek 这道题的对应1. 时段划分按历史流量画曲线分高峰/中段/空闲三档时段2. 弹性估计不同用户群体分别回归对话、推理、跑批三类3. 排队建模M/M/c 模型或仿真GPU 卡数 c、负载率 ρ4. 价格求解总收入函数求偏导4.5 倍、3 倍、12 倍5. 敏感性分析弹性变化 ±20% 看收入变化哪些假设最关键这套通法的最大优点是不依赖具体行业——电力、共享单车、医院挂号、AI API 都能套。差别只在第 2 步的弹性数据来源不同AI API 可以用 DeepSeek 历史 API 调用数据电力可以用分时电价的历史数据国赛里通常会给一组模拟数据。八、回到 DeepSeek12 倍涨幅背后的真正意图最后回到 DeepSeek 这套定价本身。最值得记住的不是涨价幅度大而是三件事第一DeepSeek 把 AI API 变成了电力——同样的分时定价、同样的峰谷套利、同样的削峰填谷。这说明 AI 算力已经从创新溢价品转向基础设施品定价逻辑必须随之改变。第二缓存涨幅最高12 倍暴露了真实成本结构——缓存命中的真实边际成本极低之前的定价是在补贴用户培养习惯。现在用户习惯养成了开始按市场结构定价这是行业成熟的标志。第三4.5 倍高峰涨幅是试探性挤泡沫——DeepSeek 在测试自己的定价权。如果用户不大量迁移说明 V4-Pro 的差异化能力够硬如果大量迁移说明还要靠价格战抢市场。这是国赛里动态博弈的标准题型——一个动作触发对手反应再触发自己反应。把这三件事记下来下次碰到AI 公司如何定价如何用价格引导用户行为如何同时优化收入和负载这类题目你就有了一套完整的、可计算的、有数据支撑的答题框架。