跳到正文

对比模型

Gemini 3.8 Flash 与 DeepSeek V4 Flash

作者:Ofrai Editorial(Model Testing Team)

两个快速档位,只有一个问题:做出一千条可用结果要花多少钱。在 Ofrai 的目录里,两个模型都没有被标注为最便宜的档位,所以这不是一场靠单价决胜负的竞赛,而是一场看你的条目有多少能原样交付的竞赛。DeepSeek V4 Flash 的设计目标与文档描述都指向吞吐量,适合彼此独立的批量条目;Gemini 3.8 Flash 是均衡的默认档,它的优势出现在批次里较难的那一段,而不是中间那条。两者共用同一套积分,下面这套测法只多花一遍批次的开销。

对话与视频按积分计费。

大批量场景下真正该计价的单位,是被采纳的条目

按单次调用比价,用在大批量任务上是错的,而且两个方向都会错。单价更低但一半条目回来还得返工的模型,跑下来更贵;单价更高但回来就能用的模型,反而可能赢。大批量下诚实的单位是被采纳的条目,也就是零修改就能发出去的产出。

具体做法是:把上周处理过的那批活儿切一段出来,让两个模型各做一遍,数清有多少条目一次都没改。这个数字比任何公开价目表都有用,因为它标定的是你真正交付的那个东西。

在 Ofrai 的模型页上,Gemini 3.8 Flash 和 DeepSeek V4 Flash 都没有被写成最便宜的选项,Gemini 3.8 Flash 的模型页还明确把「极低单次成本的简单分类任务」列在不适合之列。所以两者都不是靠单价取胜,胜负取决于有多少条目经得起复核。抽检比例一旦定下来,后面每次改动都能拿它对照。

两者的差别往往藏在需要返工的那一半里,而这一半在单价表上完全看不出来。

所谓大批量工作,真实形态是什么样的

大批量不是把一个长任务切成若干段,而是许多只共享同一条提示词、除此之外毫无关联的小任务。没有哪一条依赖上一条的答案,条目之间不积累任何状态,第四十条出错也说明不了第四十一条会怎样。分类、抽取、逐字段改写、路由分流、初稿生成,全都是这个形态。

这一点很重要,因为它改变了你比较的对象:不是在两个深度不同的模型之间选,而是在两台用来生产大量相似产出的器具之间选。推理深度——所有高阶档位比较里的主角——在这里基本不适用。真正适用的是:结果能不能解析、有没有守住你指定的格式、语气在多条之间是否一致、以及在发出去之前有几个人必须打开它。

按这四条评分,并且把分数当作分流信号而不是判决:某个模型如果在一批真实数据上有相当比例过不了其中一条,那么无论什么价,这批活都不该归它。判断错了的代价通常不在这一次跑批本身,而在下游那个一直按同一套格式读结果的地方,它会在别的批次里反复冒出来。

DeepSeek V4 Flash 真正该选的地方

在 Ofrai 自己的模型页上,DeepSeek V4 Flash 被描述为 V4 一代的快速档位,而它列出的适用工作正是那些大批量任务:跨大量条目的起草、抽取与分类;从文档、表格或消息里做结构化抽取;反正有人工复核的标注、路由与分流;以及一周里密集的日常编码问答与小改动。

同一页把背后的原则写得很直白:V4 Flash 优化的是吞吐量,当每条用更慢但更好的答案在总体上反而比快速作答更贵时,快速档才是对的。它的问答部分进一步给出一条判断依据——当各个条目彼此独立时,Flash 通常是正确的档位。这是模型写明的设计目标,不是从字缝里读出来的立场。

当你的清单很长、条目互相独立、并且有人工抽查再放行时,从这里开始。同一页也列出了它不接的活:结论必须逐步核对的多步推理、没有余量容错的设计取舍,以及一次只有一份重要材料时的细致处理。用这个判断之前先确认一件事:如果你手上这批条目之间其实有前后关系,那么上面这条依据就不成立,该按另一种方式切分。

Gemini 3.8 Flash 真正该选的地方

Gemini 3.8 Flash 被描述为 Google 当代的 Flash 模型,定位是均衡的默认档:输出质量高于 3.7 Flash,推理深度低于 Pro 档。它列出的强项恰好是「批次内部存在差异」时最咬人的几项:带多个要求的提示词、输出必须扛得住的结构化抽取与格式化,以及答案质量和响应速度都重要的面向客户对话。

它自己的模型页也写明了这个档位的现实天花板:如果 Flash 在长文档里反复丢细节,那是能力上限,不是提示词问题。这一页同样直白地列出它不接的活——需要逐步可审计的推理链,以及无人复核、后果真实的自主决策。

所以选它的理由不是更低的单价,而是这样一批工作:不同条目带着不同要求、不同读者或不同输出格式,本来就由指令服从度和格式稳定性决定结果,而 Gemini 有记录的强项正在批次里较难的那一段。它自己的比较说明还写了另一半:流程已经在上一代跑得干净时,没有换代的运营理由,等重试开始变多再换也来得及。

按批次大小分流

大批量工作没有唯一正确的模型,而是每一批工作各有各的正确模型。DeepSeek 的页面给了你它据以成立的那条判断:它优化吞吐量,而当条目彼此独立时,Flash 通常是正确的档位。

Gemini 的页面给出的是另一条:对于初稿生成、摘要、分类、客服分流这类大批量且可复核的工作,从成本角度它应该是默认档,把少数难题分流给 Pro 档,而不是试图让 Flash 表现得像更大的模型。

把两条放在一起,就得到一条能贴在墙上的规则:彼此独立、重复、形态相近的条目归吞吐量档;一次带着多个要求、或者输出要被下游脚本读取的条目,归均衡的默认档;结论之间互相依赖的条目,往上走一个档位;一次只有一份重要材料的活,也往上走。跳过这一步的代价,是整批活被交给了你随手先试的那个模型。

先按批次的形态分流,再按条目内部的难度分流,这两步的顺序不能颠倒,否则你会把难题混进本该走便宜档的那一批。

不会自己报警的那种失败

吞吐量档位的典型失败不是拒绝,而是自信、格式规整、偏偏在你正在测量的那一点上错掉的产出。DeepSeek 的页面用自己的话点出了这个风险:这个档位不适合没有第二双眼的决策、隐蔽的 bug、法务或财务措辞,以及任何看起来合理的错答案不容易被发现的内容。在大批量工作上,这种失败表面上看很便宜,因为条目彼此独立,一个分类错就是一个分类错。

但它底下的代价很贵,因为看起来合理的答案,恰恰是你的复核人最不容易抓住的那一种。Gemini 的页面给出了一个值得照抄的反制办法:建一张带置信度列的表并按升序排列,让最弱的说法先浮出来;同时要求模型在原文没写明的地方填一个占位符,而不是猜。

由此得到的规则是:你把复核压得越便宜,就得把越多的复核挪进提示词里。随机抽几条来复核是最省事的做法,也恰恰是最容易漏掉这类错误的做法,因为它们不会集中在某一种条目上。

不太舒服的那部分:两者都不是最便宜的那一项

两者都从同一份共享积分余额里扣费,工作台会在你发送前显示这次请求的积分消耗。文本任务按该模型的公开单价,以每千输入加千输出的量计费,所以上下文越长、输出越多,费用按比例上升。这同时也是两个模型上最可靠的省钱来源,而它并不来自选型:发送前先把无关文档裁出上下文,通常是最省的做法。

不舒服的地方在于,公开的按量单价并不是决定一个批次任务的那个数字。很多人盯着单价做决定,结果把重试和返工的成本完全排除在比较之外。真正决定它的是,单价乘以你的重试率,再乘上后续人工返工的成本。

两个单价处在相近区间的模型,在这个乘积上可以落在完全不同的地方,而唯一诚实的判断方式就是拿自己的批次跑一遍并数出来。只盯着可见的那个数字做优化,最后来结算的往往正是你原本没打算算进去的那一个。

不编数字,怎么测每条被采纳条目的成本

不要照着功能列表做基准,也不要相信不是你自己测出来的数字。取一批真实数据,五十到一百条你实际会处理的条目,取自线上工作,而不是你事先整理过的样本。用生产环境里那条一模一样的提示词,把整批送进一个模型,逐条记录三件事:有没有解析成你要求的形状、发出去之前改了几处、有没有多产出你没要求的内容。

被采纳的条目就是零修改的那一条。然后把同一批送进另一个模型,记同样这三项。消耗的积分除以被采纳的条目数,是唯一值得写进决策依据的单位任务数字,而且这是你测出来的,不是假设出来的。过一个月再跑一遍,并且两次运行之间把提示词冻结住,这样你量到的是模型,而不是自己的提示词水平。

同一批数据、同一条提示词、同一批评分人,只有这样前后两次的数字才可以放在一起看。

复核这一道,才是真正的成本单位

两个模型的页面都把产出描述成抽查之后再发送,也都提醒凡是面向客户或后果重大的结果都要留人在回路里。这句话通常被当成一句安全提示,但在大批量下,它是预算里最大的一行。按调用计的积分是机器的价钱,按被采纳条目计的复核分钟数是整套系统的价钱,而后者才决定一批活到底值不值得跑。

所以要把它记下来:一个人处理每条花多少时间,处理一条活下来的条目又花多少时间。两批活可以交回同样数量的干净结果,却完全是两个项目,因为其中一批的返工耗时一小时,另一批耗时五小时。

接下来的规则让人不舒服:如果复核这一道比生成这一道还贵,那么这批活被分流错了,该修的是提示词或者换一个更便宜的档位,而不是让复核的人干得更快。把这两个数一起看,比只看积分账单更接近这批活的真实代价,也更容易说服别人。

抽取与格式化:最锋利的那道测试

抽取是一个批次最诚实的地方,因为结果要么守住形状,要么没有。两个模型的页面都声称擅长结构化抽取,所以有用的测试不是看谁声称了,而是看输入变脏之后会怎样。把同一批文档、表格和消息同时喂给两者,并且指定形状而不是描述形状:带列名的表格,或者键名固定的 JSON 对象,并明确要求把读不清的字段标出来、不要猜。

Gemini 有记录的强项恰好落在这里——输出必须扛得住的格式化工作——当下游有脚本要读结果时,你需要的就是这个。DeepSeek 有记录的优势是在文档、表格、消息之间来回工作,而不是只对付一种干净格式,它给的发票提示词也要求标出看不清的字段,这对任何批次都是正确习惯。数解析失败的条数,别数文笔。

解析成功但内容取错了字段,同样要记进返工的账里,因为下游脚本不会替你发现它。真正值得记下来的数字只有两个:解析失败的条数,和被改过的条数。

分类、路由与分流

这是唯一一个两个模型页面指向不同方向的活,而这种分歧本身是有信息量的。DeepSeek V4 Flash 列出的工作包括「反正有人工复核的标注、路由与分流」,这个措辞重要,因为正是那份复核让批量在这里变得安全。Gemini 3.8 Flash 的页面则明确把自己排除在「想要极低单次成本的简单分类」这种情况之外。

把两句话放在一起读,其实说的是一件自洽的事:如果你的标签确实琐碎而量又极大,这两个模型都不是最便宜的器具,应该往更下面一层找。如果你的分类是普通的那种,比如主题加紧急度、路由加一句理由,那么两个模型都合适,真正要决定的问题就变成了:你是更在意每条处理得快,还是更在意类别分布在尾部的可靠性。

要求每条给一句判断理由,然后按类别汇总数量,错误会从这些数字里显出来。抽查复核的时候,优先看被分到最冷门类别里的那几条,因为分布尾部的错误最不容易被总量掩盖。分类的难度不在标签多不多,而在标签之间靠什么区分:靠语气还是靠事实,差别很大。

再便宜一档才是正确答案的时候

两个页面都指向一个既不是它们、但更便宜的选项。DeepSeek 的模型页专门有一个问答覆盖这种情况:当任务本身足够简单、当代的行为带来的差别很小时,就用更早的入门档位,比如很短的改写、琐碎问答和批量格式清理。同一个回答也划出了让这条规则保持诚实的界线:如果回答会被别人仔细阅读,多花一点选当前档位是值得的。

Gemini 的页面从另一边画同一条线,把「极低单次成本的简单分类」列在它不合适的用途里。两边放在一起读,描述的是三分法而不是对决:没人会仔细看的机械清理,交给更便宜的档;人会读、会确认的活,交给这两个当中的一个;每个结论都必须核对的活,交给更强的档位。

绕开第三个选项的代价不真的是钱,而是你把均衡档的积分花在了根本没人会打开的行上。判断标准不是哪个模型更聪明,而是这条内容会被人读到多细。

怎么在自己的批次上跑出结论

拿前面说的批次、提示词和评分方式,先把两个模型都跑一遍,再决定把一个月的量押给哪一个。然后去读两边「被采纳条目」的样本,而不是失败的样本,因为被采纳部分才是会到达客户那里的内容,也是你之后不会再复核的部分。逐条记下那三个数字,保留两周,等你改过提示词之后再用赢家重跑同一批。

如果改完提示词之后两个模型的差距反而缩小了,说明你原先测到的主要是模板的功劳,不是模型本身的差别。这一档位上的比较,不是由抽象意义上的「谁更强」决定的,而是由「哪一个更匹配你特定的提示词和你特定的复核人」决定的。

两个模型都是对话工作室里的标准对话模型,走同一套积分,所以这个实验的成本就是多跑一遍你的数据。先看被采纳条目里有没有你不愿署名的东西,那部分恰恰是你之后不会再看的东西。

两者都不合适的时候

有两种情况会同时排除掉这两个模型,最好在开工前就知道。第一种:每个结论都需要复核、而且条目并不互相独立的工作,比如追一条调试线索、一个不容许首答出错的决策取舍、一份比其余一百份都重要的文件。两个页面都把这一类明确列为快速档之上的地盘,而且都不假装自己能覆盖。

第二种:真正琐碎的工作加上真正极大的量;这时单次成本就是全部决策依据,而你现在站高了一层,批量格式化清理这类活应该放到 Ofrai 上同样列出的更便宜的模型上。这两种情况都不是哪个模型的失败,而是吞吐量档位本来的边界。知道这条边界在哪里,比记住任何一个模型的长处都实用,因为它决定了什么样的活根本不该送到它们手上。

另一边的错误则会让你用均衡档的价钱,去买根本没人会读的那些行。

Ofrai 积分标价

评分为站内实测编辑估计,非第三方基准。

模型类型积分
Gemini 3.8 Flash对话模型Input/Output 0.274272/1.37136
DeepSeek V4 Flash对话模型Input/Output 0.274272/0.822816

常见问题

批量分类和抽取用哪个更便宜?
两个模型都没有被标为单次调用最便宜,Gemini 3.8 Flash 的模型页还明确把自己排除在「极低单次成本的简单分类」这种情况之外。DeepSeek V4 Flash 在文档里就是为大量独立条目的吞吐量而写的,因此对长串、重复、有人工确认的批次来说,它是更稳妥的默认选择。如果你的分类属于普通类型,比如主题加紧急度,那么决定因素根本不是单价,而是有多少条目第一次就跑通了格式且内容正确,而这个只能拿自己的批次去测。
大批量抽取该默认用哪一个?
如果你的文档、表格和消息形态多样,而且输出有人工复核,用 DeepSeek V4 Flash,因为跨大量条目做抽取正是它写明的用途。如果结果要被下游脚本读取、格式稳定性比速度更重要,用 Gemini 3.8 Flash,因为「输出必须扛得住的格式化工作」是它有记录的强项。两种情况都要把输出形状写死,列名或键名都要固定,并要求模型把读不清的字段标出来而不是猜。
对比这两个模型需要分别注册谷歌或 DeepSeek 账号吗?
不需要。两者都作为标准对话模型列在 Ofrai 对话工作室,共用同一套共享积分,不需要外部接口密钥,也没有单独账单或第二份订阅。打开对话工作室,把同一条提示词分别发给两者即可直接比较,不必管理两个账号。成本控制来自选型和提示词纪律,而不是把账拆成两份。
把大批内容改写给同一批读者,哪个更好?
Gemini 3.8 Flash,因为它的有记录强项正是为指定读者改写、保留每一条事实性表述、并标出假设了读者未必掌握的信息的句子。DeepSeek V4 Flash 按设计更平,会给列表里的每一条保持中性一致的语气,当这批内容作为一次活动或一个版本一起发出、一致性比针对读者的细节更重要时,这个特性反而更合适。无论用哪个,都把语气要求写在提示词开头说一次,不要逐条重复。
它们能应付大批量的日常编码吗?
可以,前提是任务处在日常尺寸:短函数、小范围重构、解释陌生代码、把一段代码补成测试。DeepSeek 的模型页警告不要把一长串改动都送进这个档位,Gemini 则把需要看清推理的部分留给 Pro 档。对一周里有许多小代码任务的情况,两者都是合理的默认选择。当某个条目不再小、需要追根溯源而不是猜原因时,就往上走一个档位。
什么时候这种快速档位不够用?
当条目并不独立、每个结论都需要复核的时候,比如隐蔽的调试、棘手的设计取舍、法务或财务措辞。因为吞吐量档位的典型失败是自信、格式规整却在关键处出错的产出,而不是一个你会立刻察觉的拒绝。另外,当单次成本就是全部依据而工作本身又很琐碎时:这两个模型都位于更便宜的入门档之上,所以批量格式化清理应该放到 Ofrai 上更低的档位。凡是面向客户或后果重大的输出,都保留人工复核。

相关模型

工具

使用场景