DeepSeek 涨价实录：同样的调用量，日账单从 1.8 元飙到 9.7 元｜半年真实账单对比

一、先说结论

涨价不是网传，是真的，而且涨幅比我预期的大。

我拿自己 8 月 16 日和 8 月 17 日这两天的 deepseek-v4-pro 调用做了个控制变量对比——这两天的 token 消耗量几乎一样（都是 1300 万～1600 万 token，且都以缓存命中为主），结果：

调用量只多了两成，账单翻了四倍多。这不是我用得多了，是单价真的涨上去了。

二、DeepSeek 到底涨了什么

8 月 17 日登录后台，顶部弹出官方横幅，原文如下：

🎉 DeepSeek-V4-Pro 正式版发布，自北京时间 2026.8.17 00:00 起，全面上调 API 价格并执行峰谷定价，闲时价格为高峰时段价格的一半。

我去翻了官方定价页（api-docs.deepseek.com/zh-cn/quick_start/pricing），新价格长这样：

高峰时段定义：北京时间 9:00–12:00、14:00–18:00，其余为闲时（半价）。

这里有两个对开发者影响最大的变化，媒体一般没讲透：

1. 引入了峰谷定价。白天高峰期所有单价翻倍。如果你的业务高峰和 DeepSeek 定义的高峰重合（绝大多数 to B 系统都是），实际成本不是按"闲时价"算，而是按高峰价算。
2. 缓存命中价的相对优势在缩水。我这种重度依赖上下文缓存（prompt cache hit 占比动辄 95%+）的工作负载，过去靠缓存命中把单价压到极低；涨价后缓存命中价的绝对数字虽然仍便宜，但相比涨价前的实际账单，涨幅非常夸张（见第四部分的实测）。

三、我的半年账单长什么样

先交代背景：我从 2026 年 4 月开始稳定用 DeepSeek API，2、3 月没有调用。用途主要是 AI 内容生成流水线（v4-flash 跑批量、v4-pro 跑需要推理的环节），重度使用 prompt cache。

以下是后台按月聚合的真实数据（金额单位：元，token 单位：百万）：

几个观察：

• 我不是什么大客户，半年总共就花了 190 块钱，典型的个人开发者/小团队量级。正因为金额小，涨价的"倍数感"反而特别直观。
• 6 月跑批量任务最多，v4-flash 一个月烧了 4.19 亿 token 才花 35.8 元——这是涨价前的价格水平，现在跑同样的量成本会高得多。
• 8 月才过 19 天，pro 消费已经 38 元，超过 6 月整月，其中涨价后两天贡献显著。

四、涨价前后同口径对比（核心数据）

月度数据会受业务量波动影响，不够干净。为了排除"我用得多了"这个变量，我专门拉了涨价前后相邻几天的逐日账单。

4.1 v4-pro 相邻两天对比（最有说服力）

两天的工作负载结构几乎一致：缓存命中占比都在 97% 左右，输出 token 都是 15 万上下。唯一的变量就是 8/17 零点切换了计费规则。

折算下来：

• 涨价前：每百万 token 综合成本 0.141 元
• 涨价后：每百万 token 综合成本 0.597 元
• 涨幅约 4.2 倍

4.2 三天窗口对比

为了避免挑日子，我把窗口拉大：

⚠️ 诚实说明：这个窗口的日均消费涨了约 12.9 倍，但这里面有两个因素叠加——一是单价上涨，二是 8/18 我正好跑了一个较大的 v4-flash 批量任务（当天 flash 消费 7.55 元、2500 多万缓存命中 token）。所以 12.9 倍这个数字不能全算在涨价头上。真正控制了变量的是 4.1 节 pro 模型的 4.2 倍，那才是纯涨价效应。

4.3 涨价后新单价下，我的历史用量要多花多少钱

我用 8/17 之后的实际单位成本（pro 约 0.60 元/百万 token、flash 约 0.30 元/百万 token，都按我的实际缓存命中率折算），回算 6 月那次批量高峰：

• 6 月 v4-flash 实际花了 35.78 元（4.19 亿 token）
• 按涨价后同口径单价估算，同样 4.19 亿 token 大约要花 120–140 元
• 也就是说，那个月的账单大概率会从 36 元变成 130 元上下，翻 3.5 倍左右

（这是基于我自己缓存命中率结构的估算，实际数字会因高峰/闲时调用比例而浮动。）

五、为什么涨这么多：我的三点判断

1. "白菜价"时代结束了。 DeepSeek 过去一年多靠极致低价快速抢占开发者市场，V3/R1 时期的价格本身就不太可持续——模型训练和推理的算力成本是硬支出。V4-Pro 作为正式版，能力提升（Agent、Responses API、Codex 接入、1M 上下文）的同时回调价格，是商业上必然的一步。
2. 峰谷定价是在做算力调度。 白天高峰翻倍，本质是用价格杠杆把非实时任务赶到夜间和周末。对个人开发者影响有限（大不了夜里跑批量），但对白天必须实时响应的 to B 业务，成本压力是实打实的。
3. 缓存红利还在，但没那么夸张了。 我这种工作负载过去能把成本压到 0.14 元/百万 token，核心是 95%+ 的缓存命中率。涨价后缓存命中价仍然远低于未命中价（pro 高峰 0.30 vs 9.0 元/百万，差 30 倍），所以优化缓存命中率依然是第一省钱手段，只是地板价比以前高了。

六、涨价之后，我打算怎么办

分享几个我已经在做或准备做的调整，供同样用 DeepSeek API 的朋友参考：

1. 模型路由，别什么都用 pro。 v4-pro 单价是 v4-flash 的 3 倍（高峰输出 27 vs 9 元/百万）。分类、抽取、简单生成这类活儿，flash 完全够用；只有复杂推理、Agent 规划才上 pro。我已经在代码里加了一层路由。
2. 非实时任务全部挪到闲时。 批量生成、数据打标这类不要求即时返回的，统一排到北京时间 18:00 之后或周末跑，直接半价。我 6 月那次 4 亿 token 的批量任务，如果挪到闲时能再省一半。
3. 死磕缓存命中率。 这是杠杆最大的优化点：
   把 system prompt、固定前缀、few-shot 示例放在消息最前面，保证跨请求复用；避免在缓存前缀中间插入变量参数，参数往后放；同一批任务尽量连续发，别让缓存过期（DeepSeek 缓存有 TTL）。
4. 控制上下文长度。 1M 上下文不代表每次都要塞满。输入 token 是按使用量计费的，无关历史该截断就截断。我最近在加一层上下文压缩，长对话只保留最近 N 轮 + 摘要。
5. 做好备选方案。 不把所有流量压在一家。我在评估 Qwen、GLM、Kimi 等国产模型的同能力档价格和接口兼容性（OpenAI 格式让切换成本很低），作为 pro 涨价后的 fallback。这部分等我跑过对比测试再单独写一篇。

七、写在最后

DeepSeek 这次涨价，对我这种半年花 190 块的个人开发者来说，绝对金额依然不高——即使翻 4 倍，月成本也就是从几十块变成一百多块，完全在可接受范围内。但它的象征意义大于实际金额：

国产大模型"赔本赚吆喝"的价格战阶段，大概率要告一段落了。 接下来开发者要习惯的是"按能力分层定价 + 按时段动态定价"，而不是永远有最便宜的那一家。

对真正靠 API 做产品的团队来说，现在该做的不是抱怨涨价，而是把成本监控、模型路由、缓存优化这些基本功补上——这些能力在任何定价体系下都是核心竞争力。

数据说明：本文用量数据抓取自 DeepSeek 开放平台后台，时间范围 2026-02-19 至 2026-08-19（实际有调用记录为 4–8 月）；涨价后样本为 8/17–8/18 两个完整自然日，8/19 数据当日尚未跑完。所有单位成本均由"消费 ÷ token 消耗量"反推，与官方刊例价可能因四舍五入和峰谷比例存在小幅差异。