突發,DeepSeek宣佈週末全天谷價,以後週末上班更划算?

DeepSeek 於週末無預警丟出震撼彈,正式宣布將在週末時段啟動全天候的谷價計費方案。這項消息一經發布,立刻在開發者與企業用戶社群中引起熱烈討論,不少用戶開始重新盤算是否該把重負載的運算任務通通留到週末再執行。甚至有工程師直接戲稱:「以後週末上班,可能比平常日更划算。」 此舉被外界解讀為 DeepSeek 在價格策略上的靈活調整,試圖在離峰時段吸引更多運算需求。由於谷價方案涵蓋整個週末,代表用戶能以更低成本取得相同算力,對於需要大量測試、訓練或批次處理的企業與個人開發者而言,無疑是一項誘因。
目前官方尚未透露平日是否也會跟進類似方案,但市場已開始關注這波定價變動對整體雲端 AI 服務市場的影響。在台灣時間週末深夜,DeepSeek 官方帳號突然發布一則簡短公告,內容僅說明「週末全天候啟動谷價計費」,並未提供詳細的折扣幅度或適用範圍。不過,這短短一句話已足夠讓 AI 圈炸鍋。許多開發者第一時間湧入社群平台,有人貼出自己正在跑的模型訓練任務截圖,表示「幸好還沒停掉,週末繼續跑下來可以省一筆」。也有企業技術主管在內部群組隨即調整排程,將原本排定在週一的批次推論作業提前到週六執行,搶搭這波優惠。
根據業界人士分析,DeepSeek 此舉並非單純的促銷活動,而是反映雲端 AI 算力市場正在進入更細緻的定價競爭階段。過去,雲端服務商大多採用按小時計費,週末與平日價格相同,但隨著大型語言模型訓練與推論需求暴增,用戶對於成本敏感度持續升高。DeepSeek 選擇在週末推出谷價,等於是將傳統電力市場的「離峰費率」概念導入 AI 算力領域,鼓勵用戶將非緊急的運算任務挪到需求較低的時段,一方面幫助自家資料中心平衡負載,另一方面也讓用戶獲得實質節費。值得注意的是,這項谷價方案涵蓋整個週末,從週六凌晨零時到週日午夜,連續 48 小時都適用。
對於需要長時間穩定運算的任務,例如微調大型語言模型、執行大規模超參數搜尋、或是進行強化學習的訓練循環,週末的連續低價窗口極具吸引力。一位不具名的 AI 新創創辦人表示,他們團隊的訓練成本每個月約在新台幣數十萬元,若能將七成以上的訓練排到週末,約可節省兩到三成的開支,「這對我們這種燒錢的新創來說,簡直是及時雨。」 不過,也有開發者提出潛在風險。由於週末谷價可能吸引大量用戶湧入,DeepSeek 的算力資源能否在尖峰時段維持穩定,成為關注焦點。過去其他雲端服務商在推出類似促銷時,曾發生排隊等待時間過長、甚至任務被延遲執行的情況。
DeepSeek 目前尚未公布週末的資源配額機制或是否設有優先級別,部分用戶擔心「便宜是便宜,但搶不到機器也沒用」。從市場競爭角度來看,DeepSeek 的週末谷價策略可能引發連鎖反應。目前國內外主要 AI 雲端服務商,包括 OpenAI 的 Azure 平台、Google Cloud Vertex AI、以及 AWS SageMaker,大多仍維持固定定價,僅有少數針對長期合約提供折扣。若 DeepSeek 成功透過週末低價吸引大量開發者遷移或是增加用量,競爭對手勢必得重新檢視自己的定價模型。
業內人士預測,未來可能會出現「平日標準價、週末特惠價」的常態化方案,甚至進一步細分到每日不同時段的動態定價。此外,這項政策也對開發者與企業的排程習慣產生深遠影響。過去許多團隊習慣在週一至週五白天進行開發與測試,模型訓練則在夜間執行。如今週末谷價出現,工程師們開始思考是否要將週末變成「運算日」,讓週一至週五變成「分析與迭代日」。一位在大型電商公司負責推薦系統的資料科學家指出,他們團隊的模型每天需要重新訓練一次,週末的訓練量原本就比較低,現在可以直接把週末的訓練任務提前到週五晚上開始,讓週末的算力資源被充分利用,週一早上就能拿到全新模型,反而能加速產品迭代。
不過,也有企業人資部門私下討論,這項政策是否會變相鼓勵工程師在週末加班。雖然遠端工作與彈性工時已經相當普遍,但若週末執行運算任務需要工程師隨時監控或調整,可能會模糊工作與生活的界線。DeepSeek 方面則表示,谷價方案僅針對算力費率,並不涉及人力排班,用戶可自行決定何時提交任務,公司沒有意圖影響任何企業的工時政策。目前 DeepSeek 尚未公布平日是否會跟進類似方案,但市場已開始關注這波定價變動對整體雲端 AI 服務市場的影響。部分分析師認為,DeepSeek 此舉可能是為了搶攻中小型開發者與新創公司市場,這些用戶對價格敏感度最高,也最願意調整排程以換取成本優勢。
而大型企業雖然合約規模大,但往往有固定的運算排程,較難因為週末優惠而大幅改變流程,因此 DeepSeek 的策略目標很可能鎖定在長尾客戶。隨著週末到來,實際使用體驗將成為關鍵。開發者社群已經開始在討論區互相提醒「記得設好自動排程,不要浪費週末的低價時段」,也有人在測試不同 GPU 型號在週末的實際可用性。DeepSeek 官方則表示,將密切監控系統負載,必要時會動態調整資源分配,確保服務品質。至於這波谷價方案會持續多久?官方並未給出明確時間表,僅強調「目前是試行階段,將根據用戶反饋與系統狀況調整」。
整體而言,DeepSeek 週末全天谷價的宣布,不僅是單一公司的定價調整,更可能預示著 AI 算力市場進入一個更靈活、更貼近用戶需求的競爭時代。對於開發者與企業來說,這無疑是一個重新審視運算成本結構的好時機;而對於整個產業來說,誰能率先在價格與服務品質之間取得最佳平衡,誰就有機會在下一波 AI 應用浪潮中佔據有利位置。
Related
相關文章
Google 開源 Harness²:遞迴代理程式框架,無需新模型也能提升效能
Google Cloud AI Research 開源了 Harness²,這是一個遞迴代理程式框架,透過改良凍結模型周圍的程式碼與檔案來增強效能。對開發者而言,重點很簡單:你的代理程式無需更強大的模型也能進步。重點摘要:規模為框架而非模型,訓練參數為0,包含8個可編輯的框架元件,版本0.1.0。執行環境為Linux、Python 3.12或3.13搭配uv,模型呼叫則透過Vertex AI。GPU需求未公開。效能方面:一次改良步驟即可在3個基準測試中,提升所有4個模型與框架組合的表現。最佳成果:GLM-5搭配OpenCode在WorkBuddy-Bench上從64.2提升至75.7(+11.5點);最差表現:GLM-5搭配Codex在JobBench上僅提升1.2點(23.6至24.8)。什麼是Harness²?它是Google研究推出的即插即用框架。
如何利用NVIDIA結構化資料模型進行零訓練表格預測
In this tutorial, we implement Structured Data Models, NVIDIA’s new library that puts several pretrained foundation models for tables behind one PyTorch interface, and use it to make predictions without training.
認識 Kyutai REKI:2.4B VLA 模型為機器人操控帶來高效記憶
Kyutai 與 Inria 及 École des Ponts 合作,推出了 REKI——一個用於機器人操控的 2.4B 參數視覺-語言-動作模型(VLA)。該模型僅使用公開數據進行預訓練,並配備了輕量級的近期記憶功能。在三個分佈外基準測試中,僅有規模約為其兩倍的模型能超越它。所有模型權重已於今日在 Hugging Face 上公開。核心資訊:規模:2.4B 參數(2.2B Qwen3.5-2B VLM + 0.2B 流匹配動作專家)。記憶涵蓋最近 3 幀,間隔 1 秒。運行環境:在 1 張 NVIDIA H100 上進行基準測試。從兩個 256×256 攝像頭輸入,編譯後每個動作區塊耗時 21.8 毫秒。權重以 BF16 格式提供,暫無量化版本。性能:在 LIBERO-Plus 和 RoboTwin Clean2Rand 基準測試中,為公開數據預訓練的 VLA 模型中最優;在 LIBERO-Plus 上達到 90.4% 的最高分。
DeepSeek 發布 V4.1-Flash-1017,DeepSWE 得分 77.0,並開放搜尋 API
DeepSeek 剛發布 DeepSeek-V4.1-Flash-1017,這是其 V4.1-Flash 模型的新檢查點,現已在 DeepSeek 網站、應用程式及 API 上線。DeepSeek 宣稱該版本在性能、任務完成速度與輸出簡潔度上均優於 9 月發布的 V4.1-Flash,並稱之為性能與成本的帕累託改進。同時,DeepSeek 也向所有開發者開放了搜尋與擷取 API。對代理建構者而言,這意味著更便宜的編碼模型加上單一 API 金鑰即可使用的第一方網路層。重點摘要:骨架參數 552B,另加 196B 的 Engram 參數;預填充階段每 token 啟用 8B 參數,解碼階段啟用 16B 參數;上下文長度達 1M tokens,最大輸出 384K tokens。運行於 DeepSeek API 的 deepseek-flash 模型。9 月版的 V4.1-Flash 權重(763B 參數,FP8)採 MIT 授權。
2026年20款Jev替代方案:挑戰TypeSafe的決策模型
TypeSafe於2026年9月15日推出Jev,這是一款決策模型而非聊天機器人。使用者可定義允許的答案,Jev將回傳標籤、分數或是否的機率。約4週內,至少20款Jev替代方案相繼問世,來自Cloudflare、OpenAI、Perplexity、Liquid AI、AWS的Strands Labs及獨立開發者。本指南比較各方案在規模、授權、硬體、價格、Jev API相容性及已發布基準測試的表現。重點摘要:規模範圍從287M(GLiNER2.5-multi-Decide)到35B-A3B(Mapika Decider),Jev規模未公開。執行環境:Von和Laya等編碼器可在CPU上運行,4B適配器適用24 GB GPU或32 GB Mac。效能:多數開源模型在困難推理上落後Jev,但在狹窄分類任務上數款與之匹敵或超越。最佳表現:Cloudflare Clef在BANKING7取得94.20分。
長鑫科技市值兩月內跌去1萬億;阿里加碼AI硬件品牌,天貓、速賣通聯動;國行版蘋果AI有望12月上線,百度、阿里參與合作丨雷峰早報
要聞提示1.長鑫科技市值兩月內跌去1萬億2.年內已至少18次故障!DeepSeek發放宕機補償,有人拿到3000元3.阿里加碼AI硬件品牌,天貓、速賣通聯動4.國行版蘋果AI有望12月上線,百度、阿里參與合作5.可靈AI新一代模型Kling 4.