众力资讯网

DeepSeek突然限额:一周59.2万亿Token,算力压力从哪来?

一款被很多人当作日常免费AI助手的大模型,突然开始给长对话设置使用限制。
11月16日,多家媒体报道,DeepSeek App和网页版部分用户遇到了新的使用限制。有人发现,长期没有交互的对话无法继续接续,有人遇到单次输入文字上限调整,还有用户在使用过程中收到了每日额度已达到上限的提示。
其中,最引人关注的一条提示是:由于算力不足,部分超过7天不活跃的长对话不再支持继续使用。
这件事之所以引发讨论,是因为DeepSeek此前给普通用户留下的印象,一直是模型能力强、使用门槛低。现在,连长对话也开始受到限制,不少人自然会问:AI不是越来越便宜了吗?为什么使用起来反而有了边界?
更值得关注的是,第三方平台公布的数据也显示,DeepSeek模型的调用需求已经达到相当大的规模。第一财经11月16日报道援引OpenRouter统计称,DeepSeek V4.1 Flash 1017在11月9日至15日这一周完成了59.2万亿Token调用,位居该平台模型周榜首位。
一个是普通用户遇到使用限制,一个是模型调用量持续受到关注。这两件事放在一起,让我们看到了大模型行业正在面对的一个现实问题:
模型越来越高效,并不意味着计算资源会变得无限。

一、DeepSeek为什么突然限制长对话?
先看这次调整究竟涉及什么。
根据11月16日IT之家、第一财经和澎湃新闻等媒体报道,部分DeepSeek用户反馈,App和网页版出现了长对话限制、单次输入文字上限调整以及每日使用额度限制。
具体反馈并不完全一致。有用户收到的是超过7天不活跃的长对话无法继续使用,也有用户反馈超过72小时不活跃的对话受到限制。单次输入文字上限则被报道调整至约4万字。
这里必须明确,以上属于媒体报道和用户反馈,不是DeepSeek正式公布的统一规则。截至相关媒体发稿时,DeepSeek尚未就此次调整发布单独的正式公告,也没有明确公布统一的恢复时间。
为什么长对话会成为限制重点?
这就涉及大模型运行中的一项关键技术:KV Cache,也就是键值缓存。
可以把它理解成模型连续交流时使用的计算备忘录。
例如,你让AI分析一份几十页的技术报告,先讨论芯片架构,再讨论制造工艺,最后分析产业链影响。为了回答最后一个问题,模型需要利用前面已经处理过的信息。
如果每次回答都重新计算之前的全部内容,不仅会增加重复工作,也会影响响应效率。因此,大模型会缓存注意力机制中的部分计算结果,也就是Key和Value,以减少后续生成过程中的重复计算。
但缓存本身也需要资源。上下文越长,缓存管理通常越复杂。当大量用户同时进行长对话时,显存占用、缓存调度和推理并发都会面临更高要求。
需要特别说明的是,聊天记录保存在服务器上,并不意味着它始终占用GPU显存。历史记录可以存放在普通存储系统中,缓存也可以根据系统设计进行释放、重新加载或者重新计算。
因此,DeepSeek这次限制长期不活跃的对话,可能与平台资源调度有关,但目前没有官方资料证明具体采用了哪一种缓存回收方案。
真正值得关注的不是用户少了几次提问机会,而是长上下文服务本身需要持续投入计算和存储资源。当越来越多用户把AI当作长期工作助手,平台就必须重新平衡使用体验与资源成本。

二、一周59.2万亿Token,说明了什么?
这次事件还有一个值得关注的数据。
根据第一财经11月16日报道援引的OpenRouter统计,11月9日至15日,DeepSeek V4.1 Flash 1017在该平台完成59.2万亿Token调用,位居模型周榜首位。
这个数字看起来很大,但首先要弄清楚它代表什么。
Token是大模型处理文字和信息时使用的基本计量单位。它不完全等于汉字,也不完全等于英文单词。模型需要处理的输入和生成的输出,都会涉及Token计算。
59.2万亿Token,反映的是特定统计周期内,通过OpenRouter这一第三方聚合平台产生的模型调用量。
它不能代表DeepSeek官方App、网页版、API以及其他所有渠道的总调用量,也不能直接换算成普通用户人数。
但这个数据仍然能说明一个趋势:大模型正在从偶尔回答问题的工具,逐渐变成持续参与实际工作的基础工具。
以前,很多人使用AI只是查询一个知识点、翻译一段文字或者生成一篇短文。现在,用户可能让模型阅读整份技术资料、分析多个文件、编写复杂代码,甚至连续执行多步骤任务。
这些任务对计算资源的要求并不相同。
一个简单问题可能只需要较短的输入和输出,而一次长文档分析可能涉及大量上下文处理。复杂推理和多轮工具调用,也会增加模型需要完成的计算工作。
因此,不能只看用户数量判断算力压力,更不能把Token调用量简单理解成GPU消耗量。
真正影响服务能力的,是模型结构、上下文长度、并发请求、硬件配置和推理效率等多方面因素。
这也是为什么一款模型即使在技术上不断进步,仍然可能需要通过使用额度来管理服务资源。

三、DeepSeek已经降低缓存成本,为什么还要面对算力压力?
这里有一个很有意思的技术反差。
DeepSeek并不是没有在降低模型运行成本。
2026年9月10日,DeepSeek官方发布V4.1 Flash时,公布了新一代KV Cache压缩技术。
根据官方介绍,与上一代相比,V4.1 Flash的KV Cache对HBM的需求降低至四分之一,对SSD存储需求降低至八分之一。
HBM是高带宽内存,可以理解为AI加速器运行时非常重要的高速存储资源。SSD则承担更大规模的数据存储任务。
为什么这项优化值得关注?
因为大模型的运行成本,并不只由参数规模决定。输入信息有多长、缓存需要占用多少资源、数据传输是否高效,都会影响模型的实际运行效率。
DeepSeek通过新的架构设计和缓存压缩技术,努力降低资源占用。这意味着在相同硬件条件下,模型有机会处理更多任务,或者以更低的成本提供服务。
但问题也恰恰出现在这里。
单次任务变便宜,不代表整个平台的总成本一定下降。
举个简单的例子。
假设一家企业通过技术优化,让每次AI任务的平均资源消耗减少30%。但与此同时,原本只有一部分用户使用AI,现在更多用户开始使用,调用量增长得更快,那么企业整体需要承担的计算需求仍然可能上升。
这不是某一家企业独有的问题,而是技术效率提高之后,需求也可能随之扩大的现实。
模型越好用,使用门槛越低,越容易进入办公、编程、教育和企业业务场景。原本不愿意使用AI的人,也可能因为成本下降而开始尝试。
因此,AI企业面对的并不只是如何让模型更聪明,还要解决如何用有限的计算资源服务更多用户的问题。
这也是DeepSeek此次调整值得从产业角度观察的原因。

四、大模型竞争,已经不只是比谁的模型更聪明
过去,讨论大模型时,大家最喜欢比较的是参数规模、推理能力和测试成绩。
哪家模型数学能力更强,哪家模型编程能力更好,哪家模型在公开榜单上的排名更高,往往成为讨论重点。
但当大模型真正进入大规模应用阶段,竞争的重点正在进一步扩展。
首先是硬件能力。
GPU、HBM、高速网络、服务器以及数据中心的供电和散热,共同决定了计算基础设施能够提供多少服务能力。
一座数据中心并不是把大量GPU放在一起就能形成高效算力。芯片之间的数据传输、内存带宽、设备利用率和散热能力,都会影响最终运行效率。
其次是模型和软件优化能力。
同样的硬件条件,不同模型架构和推理框架可能带来不同的计算效率。
DeepSeek通过KV Cache压缩降低资源占用,就是一个具体例子。
此外,量化技术、推理调度、缓存复用和模型路由,也都是降低推理成本的重要方向。
最后是应用能力。
如果一款模型只能在测试中表现出色,却无法稳定服务大量用户,它的实际应用价值就会受到限制。
反过来,如果模型能够以合理成本完成真实工作,企业愿意部署,开发者愿意接入,普通用户也愿意长期使用,那么它才真正具备规模化应用的基础。
这三个环节相互影响。
硬件决定计算资源供给,软件决定资源利用效率,应用则决定市场需要多少计算资源。
未来大模型竞争,不只是看谁的模型更聪明,还要看谁能够把计算资源转化为更稳定、更高效、更有价值的服务。

五、DeepSeek是不是准备放弃免费模式?
这是普通用户最关心的问题。
我的判断是,目前不能因为一次限额调整,就得出DeepSeek准备全面取消免费服务的结论。
截至11月16日相关报道发布时,DeepSeek没有正式宣布全面取消普通用户免费服务,也没有公布此次限额对应的付费订阅方案。
事实上,免费服务和商业化服务并不矛盾。
普通用户可以通过免费额度体验基础功能,开发者和企业则可以根据使用需求,通过API获得相应的模型调用能力。
11月13日,DeepSeek官方更新API文档,开放了联网搜索、文件输入、阅读链接等应用能力。这意味着开发者可以将更多应用能力接入自己的产品。
但API功能开放和普通用户限额是两件不同的事情,不能直接推断前者就是为了推动后者收费。
从行业发展来看,未来大模型可能形成更加清晰的分层服务。
基础问答提供一定免费额度,长上下文、复杂推理和高频调用则提供更高等级的服务。企业用户根据调用规模和服务要求承担相应成本。
这种模式并不意味着免费AI消失,而是让不同使用需求对应不同资源投入。
对于普通用户来说,真正重要的不是所有功能是否永久免费,而是免费额度是否足够实用,付费服务是否真正改善了体验。
如果付费之后依然经常出现响应缓慢、上下文中断和服务不稳定,用户自然不会愿意长期买单。
因此,服务质量与价格之间的平衡,可能比简单推出一个付费套餐更加重要。

六、国产大模型下一阶段,真正要比拼什么?
回到DeepSeek此次长对话限制。
这件事不能证明国产大模型技术停滞,也不能证明国产算力已经无法满足产业发展需求。
但它确实让一个问题变得更加直观:模型能力可以通过技术创新不断提升,计算资源却始终存在成本和供给边界。
过去,我们评价一款AI产品,常常会问它能不能回答复杂问题,能不能写文章,能不能生成代码。
现在还需要多问几个问题:完成同样一个任务,需要消耗多少计算资源?面对大量用户同时使用,服务能不能保持稳定?长上下文能不能以合理成本持续提供?
这些问题没有模型跑分那么吸引眼球,却可能真正决定一家AI企业能够走多远。
对国产大模型来说,技术进步固然重要,但从技术能力走向大规模稳定应用,同样需要硬件、软件、工程优化和商业模式共同支撑。
DeepSeek此次调整,提供了一个观察这一变化的窗口。
真正有竞争力的大模型,不只是能够给出更好的答案,还应该能够以合理的成本、更高的效率和更稳定的服务,把这些能力交到更多用户手中。
如果未来DeepSeek推出免费基础版和付费高级版,你更看重什么?是基础功能始终免费,还是愿意为更长的上下文、更高的使用额度和更稳定的服务付费?