DeepSeek V4還能更省！新工具緩存命中率高達99.82%，2折穩定到手
重點摘要
量子位 這篇消息聚焦「DeepSeek V4還能更省！新工具緩存命中率高達99.82%，2折穩定到手」。原摘要指出：原本4億+token、61美元的賬單，直降至12美元。這則內容已被收錄為 AI 情報追蹤項目，後續可從技術進展、產品落地、產業競爭或市場影響等角度持續觀察。
DeepSeek V4 近期推出了一項全新工具，主打透過優化快取（緩存）機制來大幅降低運算成本。根據其公布的成果，該工具能將快取命中率提升到極高水準，使原本高昂的 API 呼叫費用大幅下降，用戶最多可將帳單壓到原本的兩折左右。
這項新工具主要針對大量重複或相似查詢的場景，例如對話歷史、常見問題或模板化輸入。透過更聰明的快取策略，模型不必每次從頭運算，就能直接沿用先前儲存的運算結果，從而減少實際運算量。這項技術在過去的大語言模型服務中已有應用，但 DeepSeek V4 這次宣稱的命中率表現相當突出。
對開發者與企業來說，最直接的影響就是 API 使用成本顯著降低。過去需要花費數十美元處理的巨量 token 請求，現在可能只需幾美元就能完成，這讓更多小型團隊或個人開發者有能力負擔高頻率的大模型呼叫。同時，回應速度也可能因為減少重複運算而變快。
讀者可以持續關注這項工具實際應用的穩定度，以及是否會開放給所有使用者或僅限特定方案。此外，未來 DeepSeek 是否會將類似技術延伸到 V4 以外的版本，或進一步整合進自家其他產品，也都是值得留意的發展方向。
Related
相關文章
Liquid AI Introduces LFM2.5-Embedding-350M and LFM2.5-ColBERT-350M: Dense Bi-Encoder and Late-Interaction Models for Fast Multilingual Search Across 11 Languages
This week, Liquid AI released two new retrieval models. They are LFM2.5-ColBERT-350M and LFM2.5-Embedding-350M. Both hold 350M parameters. Both are the first bidirectional members of the LFM family. They build on LFM2.5-350M-Base, released in March. The pair targets fast multilingual and cross-lingual search across 11 languages. Their footprint is small enough to run almost anywhere. Both are available now on Hugging Face under the LFM Open License v1.0. LFM2.5 Retrievers The two models share one backbone but represent text differently. LFM2.5-Embedding-350M is a dense bi-encoder. It turns each document into a single vector. Pick it when you want the fastest search and the smallest, cheapest index. LFM2.5-ColBERT-350M is a late-interaction model. It converts each token into a vector rather
Perplexity Launches Brain, a Self-Improving Memory System That Builds a Context Graph of an Agent’s Work and Learns Overnight
Most AI memory remembers the user. It stores your preferences, your tastes, and your role. Perplexity is taking a different path. Today, Perplexity launched Brain, a self-improving memory system for its agent product, Computer. Brain does not focus on remembering you. It remembers what the agent did. That reframes what memory in AI is for. What is Perplexity‘s Brain Brain is a self-improving memory system. It builds a context graph of the work Computer performs. At set intervals, such as overnight, Brain reviews that graph. It then teaches itself how to do the work better. The idea is straightforward. The more work you do, the more efficient Brain makes your Computer. Brain is rolling out today to Perplexity Max and Enterprise Max subscribers in Research Preview. Two Axes of AI Memory Perp
智譜新高，MiniMax承壓，“大模型雙雄”命運殊途
這篇消息聚焦「智譜新高，MiniMax承壓，“大模型雙雄”命運殊途」。原始導語提到：大模型在被市場重新定價 從 AI 情報角度來看，這類內容值得關注其背後的技術進展、產品落地、產業競爭與後續市場影響。
華為昇騰 0 Day 支持智譜 GLM-5.2 模型，提供全面推理優化
華為昇騰 AI 宣佈在智譜開源 GLM-5.2 大模型當天即完成深度推理優化。通過 MOE 大融合算子、通信計算融合、高併發調度等七項關鍵技術，顯著提升編程和長程任務的處理效率，現已支持 A3 系列產品部署。#AI 大模型# #國產算力#
企業AI轉型再添利器：青雲科技算力雲接入 MiniMax-M3 模型
企業AI落地面臨高效低成本難題。青雲科技旗下基石智算平臺接入國產開源大模型MiniMax-M3，提供新算力支持。MiniMax-M3以卓越上下文處理能力等三大核心技術見長，依託自研架構，助企業便捷部署AI業務。
阿里開源統一科學大模型 LOGOS，僅用五十六分之一參數超越微軟
阿里 ATH-Token Foundry 聯閤中國人民大學高瓴人工智能學院開源科學基礎模型 LOGOS。該模型採用統一科學語法與純序列建模範式，在六大科學任務上匹配或超越傳統專用方法。其中 LOGOS-1B 僅 1B 參數，即展現出極高效率，性能超越參數量達 8×7B 的微軟模型。