彭博：中美顶尖 AI 模型跑分差距缩到 3%，历史最低

3% 是怎么算出来的

彭博行业研究（Bloomberg Intelligence）高级分析师 Robert Lea 在 10 月 5 日的报告里写道：DeepSeek 9 月发布 V4.1 Flash 之后，中国顶尖模型和美国对手的基准测试分差缩小到 3% 左右。今年 5 月这个数字是 9%，年初是 15%。

分差来自 LiveBench，一个公开榜单，用问答、谜题和实操任务给模型打分，做法类似测智商。9 月的榜单上，V4.1 Flash 全球排名第 6。这是 DeepSeek 自 2025 年靠推理模型 R1 出圈以来，中国模型拿到的最高排名。DeepSeek 得 81.1 分，Anthropic 最高 83.4 分。Lea 的评价是：已经可以和 Anthropic、OpenAI 的顶尖系统相提并论。

差距不在平均分，在阵容

分数接近不等于整体追平。LiveBench 前 15 名里只有 3 个中国模型，美国厂商在顶尖模型的数量上还是占优。分项看，差距分布也不均匀：据动区核对榜单原始数据，Agentic Coding（一项让模型自己改代码、跑测试、把任务做完的评测）里，V4.1 Flash 拿 77.3 分，是全榜最高，Claude Fable 5.1 只有 66.1 分；但推理是 86.7 对 91.7，语言是 81.2 对 89.5，这两项中国模型落后。

便宜几十倍的对手

彭博把原因归结为两点：中国 AI 研究能力的持续加深，以及针对国产硬件优化模型的本事。Lea 直言，这些进展“让人怀疑美国在 AI 领域的技术主导地位还能维持多久”，出口限制的效果也要打个问号。

另一面是价格。DeepSeek 官方定价：V4.1 Flash 输出每百万 token，离峰 0.60 美元，尖峰 1.20 美元。Anthropic 官方定价：Claude Fable 5.1 输出每百万 token 50 美元。单价差 42 到 83 倍。不过单价不等于做完一件事的总成本，不同模型完成同一个任务耗的 token 数不一样，这个倍数要打折看。

榜单会变，赚钱还是难

Lea 提醒了两件事：排名会持续变动；排名再高，商业化都可能很难。中国现在有 1100 多个大语言模型，价格战激烈，低毛利下中国 AI 产业可能要到 2030 年才能盈利。应用商业化上，字节跳动的豆包领先，DeepSeek 和腾讯的聊天机器人还免费。

时间点也敏感。Anthropic 和 OpenAI 正在以万亿美元级估值筹备上市，能力领先是估值的核心论据。中国模型用低价在用户数上缩小差距，美国企业财报电话会里提到开源模型的次数已经是去年同期的 6 倍。越来越多公司开始混搭：关键任务用贵的顶级模型，日常工作交给便宜的开放模型。