Deepseek 开源其最快最便宜模型所用的推理引擎

Deepseek 将其最快、最便宜模型 V4.1-Flash 所使用的推理框架 DeepInfer 开源。该框架基于 vLLM 构建，据称在运行 AI 模型时可降低算力成本与能耗。报道同时指出，此次开源会进一步加大 OpenAI、Anthropic 等西方厂商面临的价格压力。

此前 Deepseek 的低价模型能力主要封装在自有服务中，外部难以复用其推理侧的成本优化。此次直接把支撑最快、最便宜模型的推理框架开源，意味着成本效率手段从内部资产变为可被外部采用的公共工具，价格竞争的传导路径也随之变化。

该框架基于 vLLM 构建，属于推理服务层的工程优化，通过提升模型运行效率来压低单位算力消耗与能耗。成本下降并非来自模型能力变化，而是来自部署与调度环节的效率改进，因此可被同类模型或服务复用。

对自建推理服务的团队而言，可直接评估采用 DeepInfer 替代或补充现有 vLLM 部署，以降低单位调用成本与能耗。对产品侧，推理成本下降会改变定价与免费额度的可行空间；研发侧需关注框架与现有模型、硬件的兼容性与迁移成本。

• 在测试环境中用 DeepInfer 部署现有开源模型，对比 vLLM 基线在延迟、吞吐与单位成本上的差异，形成可复用的评估结论。
• 针对成本敏感的批量推理场景（如内容生成、分类标注），测算采用该框架后的单次调用成本，作为重新定价或扩大免费额度的依据。
• 将推理成本下降空间纳入产品套餐设计，尝试推出更低价的轻量档位或更高调用配额。
• 梳理该框架的部署依赖与硬件要求，评估是否值得封装为内部推理服务模板以降低后续模型接入成本。

• DeepInfer 的具体开源许可证与商用限制是什么？
• 相比原生 vLLM，DeepInfer 在哪些环节做了改动，性能与成本数据是否有第三方复现？
• 该框架是否只适配 Deepseek 自家模型，对第三方模型的支持程度如何？
• 所谓对西方厂商的价格压力，是否有可量化的定价或市场份额证据支撑？