Moonshot AI vs DeepSeek vs Qwen：2025 年評比

最後更新時間：2025 年 7 月。本文涵蓋快速發展的技術。模型版本、定價和可用性自發佈以來可能已發生變化。

本頁內容：

• 快速比較：Moonshot AI 對比 DeepSeek 對比 Qwen
• 什麼是 Moonshot AI？
• 什麼是 DeepSeek？
• 什麼是 Qwen？
• 上下文窗口比較
• 基準性能
• 開源狀態與自行託管選項
• API 定價與地理區域存取
• 隱私、審查與數據安全
• 該選擇哪個中國 AI 模型？
• 常見問題

2025 年 1 月，DeepSeek-R1 的發布在單一交易日內，使輝達（Nvidia）市值蒸發了約 6000 億美元。此事引發了一個嚴肅的問題：如果中國的一家 AI 實驗室，能以遠低於西方國家訓練成本的代價，達到 GPT-4o 等級的基準測試表現，那麼全球開發者社群還忽略了什麼？

2025 年定義中國大型語言模型（LLM）格局的三個模型是 DeepSeek（深度求索）、Moonshot AI（月之暗面）和 Qwen（通義千問）。它們之間不可互相替代。DeepSeek 在成本效益和開源權重靈活性方面處於領先地位。Moonshot AI 的 Kimi 產品在長文件處理方面具有壓倒性優勢。Qwen 透過其多模態模型家族和企業級基礎設施，其涵蓋的領域比兩位競爭者都更廣。

截至 2025 年初，這三款中國的 ChatGPT 替代品，在特定基準測試上各有達到或接近 GPT-4o 等級的表現，同時 API 價格遠低於 OpenAI 的定價。在原始能力衡量上，中國與西方 AI 模型之間的差距已大幅縮小。如今仍存在的差異點在於：內容篩選器、資料駐留、開源模型可用性，以及上下文視窗大小。這正是本次比較所涵蓋的內容。

本文將從基準測試、API 定價、上下文窗口能力、開源狀態、地理可用性及隱私考量等面向，審視這三個生態系統，並將各模型對應至其真正勝出的應用場景。

在 Bybit 上交易 MOONSHOT： 隨著 Moonshot AI 與 DeepSeek 和 Qwen 的知名度一同提升，加密貨幣交易者正關注此領域 — Bybit 為對交易 MOONSHOT 代幣感興趣的人士提供 MOONSHOTUSDT 永續合約。另請參閱 Bybit 上的 Moonshot AI IPO 交易.

快速比較：Moonshot AI vs DeepSeek vs Qwen

以下是 Moonshot AI、DeepSeek 和 Qwen 在 2025 年開發者和企業用戶最關注的各個面向中的對比。

以下章節將深入探討各個模型，並針對基準測試、定價和使用場景適用性進行橫向比較。

什麼是 Moonshot AI？

Moonshot AI (月之暗面) 是一家總部位於北京、成立於 2023 年的 AI 新創公司，以 Kimi 聞名：這是一款長上下文 AI 助理和 API 產品，單次請求可處理高達一百萬個 token。該公司的核心論點是，極長的上下文窗口長度是當前大型語言模型 (LLM) 市場中，最未被滿足或服務不足的能力差距，而 Kimi 就是圍繞這個賭注打造的。

如需完整的公司概覽和產品藍圖，請參閱 Moonshot AI：公司概覽與 Kimi 產品指南.)

公司背景與 Kimi 產品

Moonshot AI 於 2023 年由楊植麟創立，他是卡內基美隆大學和清華大學的博士畢業生，曾任職於 Google Brain。該公司名稱的字面意思是「月球暗面」（月之暗面），但大多數使用者是透過其消費性產品 Kimi 認識它的。

Kimi 是產品名稱，涵蓋了聊天機器人介面和開發者 API。Moonshot AI 是其背後的公司。這種區分非常重要，因為許多使用者在不知道公司是 Moonshot AI 的情況下搜尋「Kimi AI」，且部分英文來源會交替使用這些名稱。Kimi 聊天機器人可透過 kimi.ai 存取；開發者 API 存取則可透過位於 platform.moonshot.cn 的 Kimi API 平台取得。

Moonshot AI 已籌集到大量資金，投資者包括阿里巴巴、紅杉中國（HongShan）和騰訊，截至 2024 年，估值約為 25 億至 30 億美元以上。這筆資金反映了機構對長文本上下文（long-context）專業化策略的顯著信心。

功能與技術優勢

Kimi 的標準上下文視窗為 128K tokens，並為文件處理任務提供宣傳最多可達 100 萬 tokens 的長上下文模式。上下文視窗是指模型在單次互動中能夠處理的最大文本量，以 tokens 衡量，每 tokens 大約 0.75 個單字作為通用換算比例。

實際上，100 萬個 token 意味著您可以在單一 API 呼叫中輸入整個法律案例歸檔、一份 700 頁的研究文獻或一個大型軟體儲存庫。GPT-4o 最高支援 128K 個 token，這足以應付大多數日常任務，但對於大規模的全文件擷取則顯得不足。針對長文件分析，Kimi 的上下文窗口提供了結構上的優勢，這是本文中沒有其他模型能比擬的。

Kimi 真正擅長的應用場景包括多文檔法律分析、學術文獻回顧、長程式碼庫理解以及 PDF 處理工作流。Moonshot AI 強調將中文性能作為核心設計重點。Kimi 主要為中文用戶打造，團隊在中文自然語言處理（NLP）質量上投入了大量資源，儘管目前針對中文 NLP 任務的標準化公共基準測試仍然有限。

如需 Kimi K3 的完整技術評測，請參閱 Kimi K3：Moonshot AI 的旗艦推理模型.

一個重要的注意事項：Moonshot AI 的 100 萬個 Token 數值是其宣傳的最大值。在極端上下文長度下，隨著模型接近這些限制，可靠的效能品質可能會有所下降。宣傳最大值與可靠運作範圍之間的區別在此同樣適用，企業機構在投入正式部署之前，應針對其特定的文件量進行測試。

限制與地理存取

Kimi 是一個封閉且專有的模型。目前不存在開源權重的版本：開發者必須使用其 API。這是 Moonshot AI 相對於 DeepSeek 和 Qwen 最顯著的結構性劣勢，因為它排除了私有化部署、基於專有數據進行微調的可能性，以及任何降低對供應商依賴的路徑。

在包含 MMLU、HumanEval 及 MATH 在內的標準基準測試中，Moonshot AI 尚未發佈符合 DeepSeek 和 Qwen 在其技術報告中所使用的 MMLU/MATH/GPQA 框架的結果。在已有數據的指標上，其通用基準測試表現落後於這兩家競爭對手。

截至 2025 年初，國際用戶的地理存取情況並不一致。Kimi.ai 聊天介面在部分國際地區可以存取，但存取可靠性有所差異，且在某些地點可能需要使用 VPN。位於 platform.moonshot.cn 的 Kimi API 可供開發者使用，但非中國帳戶的註冊可能需要額外步驟。請直接查看 kimi.ai 以瞭解目前的可用性，因為這可能會隨著 Moonshot AI 向國際擴張而有所變動。

Kimi 與 DeepSeek-Coder 和 Qwen-Coder 不同，沒有專門的程式碼模型變體。其長上下文視窗有助於程式碼庫分析，但當程式碼基準效能是首要考量時，它並非合適的工具。

Moonshot AI 最適合誰？

• 在單次請求中處理超過 64K tokens 文件的開發者與研究人員
• 以長篇文件分析為主要任務的中文應用程式
• 針對法律、學術或研究語料庫構建文件智慧化工作流的團隊

不適合：需要開放權重部署、最低 API 成本、專用程式碼模型或多模態能力的團隊

什麼是 DeepSeek?

DeepSeek (深度求索) 在 2025 年 1 月成為全球討論度最高的 AI 實驗室，當時其 R1 模型以僅需西方訓練成本的一小部分，展現出 GPT-4o 等級的基準測試效能。此事件重塑了對於開發前沿級別 AI 所需算力的假設。

公司背景與 2025 年 1 月的顛覆

deepseek.com 於 2023 年由梁文豐在杭州創立，他也是中國知名量化對沖基金幻方科技的聯合創始人。這段淵源使 DeepSeek 擁有獨特的組合：能夠取得大量的 GPU 計算資源，以及一種系統級量化思維文化，這直接體現在該實驗室處理模型效率的方式上。

2025 年 1 月 27 日，在 DeepSeek-R1 公開發布後，輝達（Nvidia）股價在單個交易日內下跌約 17%，市值損失約 6,000 億美元。核心原因在於：DeepSeek 的技術報告聲稱 V3 的訓練算力成本約為 560 萬美元，而據報導，同類型的西方模型花費則高達數億美元。雖然獨立研究人員質疑該數據是否計入了所有基礎設施成本，但即便經過調整，其效率差異依然巨大。此事件引發了各界對 AI 產業 GPU 支出假設是否需要修正的實質性討論。

梁文鋒這種以效率為導向、研究驅動的模型開發方法，似乎是這些成果背後的哲學核心。

DeepSeek 模型家族

DeepSeek 已發布多個針對不同任務的模型版本。目前的主要模型包括 DeepSeek-V3（通用指令模型，2024 年 12 月發布）、DeepSeek-R1（推理模型，2025 年 1 月發布）、DeepSeek-Coder（專用於程式碼生成）以及 DeepSeek-VL（視覺語言任務）。對於評估此生態系統的開發者而言，理解 V3 與 R1 之間的差異是最常見的知識落差。

DeepSeek-V3 vs DeepSeek-R1：有何差異？

DeepSeek-R1 是一個推理模型：它會在產生最終答案前，生成對使用者可見的中間思考鏈（Chain-of-Thought）步驟。這個過程使 R1 在數學推理和邏輯問題上表現更強，但在日常任務上比 V3 慢。DeepSeek-R1 並非 V3 的通用替代品。請特別在任務需要多步驟推理、複雜數學或困難邏輯問題時選擇 R1。其他所有情況請使用 V3。

DeepSeek-R1 透過強化學習達成其推理能力，而無需依賴大規模人類回饋資料（RLHF）。如果此訓練方法規模化驗證成功，將顯示高效能的推理模型可以比先前假設的更有效率地建立。

架構：混合專家模型如何解釋 DeepSeek 的成本效益

DeepSeek-V3 使用專家混合 (MoE) 架構：這是一種將模型劃分為稱為「專家」的專業子網路的設計，對於任何給定的輸入，只有一小部分專家會被啟用。這種稀疏激活降低了計算成本，同時保持了與密集模型相匹配的基準性能。這三種模型都建立在 Transformer 架構之上，但 DeepSeek 的 MoE 實現是其效率提升的主要原因。DeepSeek 的技術報告聲稱 V3 以約 560 萬美元的訓練成本達到了 GPT-4o 等級的基準結果。Qwen 也在其模型系列中提供 MoE 變體，使其在特定部署配置下具有類似的效率優勢。

優勢、劣勢與開源狀態

DeepSeek 以開放權重形式，在 MIT 授權下釋出其模型權重，這是三種模型中最寬鬆的選項。DeepSeek-V3、DeepSeek-R1 和 DeepSeek-Coder 的模型權重可從 DeepSeek on Hugging Face. 下載。DeepSeek-R1 的精煉小型版本（7B、14B 和 32B 個參數）可在消費級 GPU 上運行；而完整的 671B 參數模型則需要企業級多 GPU 基礎設施。Ollama 或 vLLM 等推理框架支援這些較小變體模型的本地部署。

DeepSeek 的優勢：

• 在這三款模型中，其公佈的 API 價格最低（V3 的輸入 Token 每百萬約為 0.27 美元）
• 採用 MIT 許可證，無商業使用限制
• 在程式碼編寫與數學推理方面具有強大的基準測試表現
• 擁有龐大的開源社群並被廣泛採用
• 在速率限制內，可透過 platform.deepseek.com 平台使用免費層級

DeepSeek 弱點：

• 內容過濾適用於中國法規要求下的政治敏感議題
• 雲端 API 數據在中國數據主權法下運作
• 技術報告中提到的 560 萬美元訓練成本數據受到獨立研究人員的質疑
• 缺乏能與 Qwen 廣度相匹配的原生多模態系列（DeepSeek-VL 雖存在但並非主要重點）

在與 GPT-4o 的基準比較中：DeepSeek-V3 在 MMLU 和 HumanEval 項目上與 GPT-4o 達到相同水平，而 DeepSeek-R1 在 MATH 和 GPQA 推理任務上與 OpenAI 的 o1 競爭力不相上下，API 成本卻大約低 10 到 18 倍。

什麼是 Qwen？

Qwen（或稱通義千問）是一個大型語言模型系列，由阿里巴巴集團開發並透過阿里云發布，使其成為本文中唯一一個由一家大型上市公司支持，而非由獨立 AI 研究機構支持的模型。

公司背景：Qwen 作為阿里云的產品

Qwen 並非一家新創公司。它是阿里巴巴 AI 產品線的一部分，建構於阿里云的基礎設施之上，並透過 dashscope.aliyun.com 上的 DashScope API 平台進行分發。這份企業級支援為 Qwen 在企業部署方面帶來了顯著的優勢：包括 SLA 保證、遍佈阿里巴巴全球雲端區域的區域性數據駐留選項，以及與阿里巴巴更廣泛的企業服務堆疊整合。

Moonshot AI 主要專注於文本和文件處理。DeepSeek 的主要優勢是文本，DeepSeek-VL 作為一個視覺變體，但並非核心產品的重點。

Qwen 模型家族

多模態AI是指能夠處理和生成多種類型內容的模型，例如文字、圖像、音訊和程式碼，而不僅限於文字。Qwen的模型家族包含了專用的視覺-語言、音訊和程式碼變體，使其成為此處涵蓋的三個生態系統中結構上最廣泛的多模態解決方案。

Qwen 模型家族的廣度是其區別於 Moonshot AI 和 DeepSeek 的主要核心優勢。本文中沒有任何競爭對手能在單一且協調的模型生態系統中，涵蓋如此多樣的模態與應用場景。

QwQ 是 Qwen 的推理模型：阿里巴巴直接對標 DeepSeek-R1 的產品，具備用於數學、邏輯和複雜推理任務的思維鏈（chain-of-thought）能力。QwQ/DeepSeek-R1 的這種平行對比在大多數探討中國 AI 領域的競品文章中並不存在，但這是在推理任務上評估這兩個生態系統的正確框架。

關於多模態功能的一個要點：Qwen-VL 處理視覺與語言；Qwen-Audio 處理音訊。基礎的 Qwen2.5 模型本身並不具備同時跨越所有這些模態的原生多模態能力。當使用場景需要圖像處理時，需專門使用 Qwen-VL。這種模型家族結構是一項優勢（專門構建的專業化變體），但這意味著「將 Qwen 用於多模態任務」需要選擇正確的變體，而不僅僅是通用模型。

自託管部署的硬體規格建議：7B 模型可在具備 16GB VRAM 的消費級 GPU 上運行；14B 至 32B 模型需要工作站級 GPU 配置；72B 模型需要多 GPU 伺服器基礎設施。Qwen2.5 是採用涵蓋超過 29 種語言的數據進行訓練，在中文和英文之外，於阿拉伯文、法文、西班牙文和德文方面表現尤為強勁。

開放權重狀態、授權與部署期權

Qwen 模型權重可在 Hugging Face 上的 Qwen) 取得，涵蓋從 0.5B 到 72B+ 的所有尺寸範圍。授權條款因模型變體而異：較小的 Qwen 模型使用 Apache 2.0，該授權允許寬鬆的商業使用；較大且較新的變體使用 Qwen 授權，該授權限制每月活躍用戶超過 1 億的服務進行部署。對於大多數開發團隊而言，此限制不適用，因為它針對的是超大規模商業部署。

透過 Alibaba Cloud 的 DashScope API 進行的企業部署，提供 SLA 保證、區域性資料保留選項（包括中國以外的雲端區域），以及適合受監管行業的合規工具。透過 Hugging Face 模型權重完全支援自行託管部署。

Qwen 的優勢：

• 三個生態系統中最廣泛的模型系列（視覺、音訊、程式碼、推理、指令）
• 透過阿里巴巴雲 DashScope 提供的企業級部署基礎架構
• 在 29 種以上語言中展現強大的多語言性能
• 多種尺寸變體均提供開放權重版本
• QwQ 提供了一個可替代 DeepSeek-R1 的強大推理模型

Qwen 的弱點:

• 相較於 DeepSeek R1 的顛覆性發展，Qwen 缺乏引人注目的單一模型敘事。
• 阿里巴巴的企業關係，與其他中國源模型面臨的地緣政治和監管考量相同。
• Qwen 的授權條款限制了超大規模的商業部署。
• 透過 DashScope 的 API 定價複雜；根據不同地區和模型變體而有所差異。

Qwen 適合誰？

• 需要在單一模型生態系統中提供多模態能力（視覺、音訊、程式碼）的團隊
• 透過阿里云提供 SLA 保證和資料歸屬選項的企業部署
• 除了中文和英文之外，支援 29 種以上語言的多語言應用程式
• 開發人員透過 QwQ 評估 DeepSeek-R1 的推理任務替代方案

不適用於：優先考慮絕對最低 API 成本或透過單一模型達成最大部署簡化彈性的團隊

上下文視窗比較：哪個模型可以處理最長的文件？

上下文視窗是模型在單次互動中能處理的最大文本量，以 Token 為計量單位。在此維度上，Moonshot AI 的 Kimi 相比 DeepSeek 和 Qwen 具備結構性優勢，且本文中提及的任何其他指標均無法抵銷此優勢。

Kimi 的標準上下文窗口為 128K token，具備宣傳上限達 100 萬 token 的長上下文模式，用於文件處理任務。實際而言，100 萬 token 大約相當於 70 萬字：一個完整的法律案件檔案庫、整篇學位論文、一個擴充的軟體儲存庫，或一次性餵給模型的完整研究語料庫。GPT-4o 的上限為 128K token，相當於約 9.6 萬字或大約 350 頁的文本。

文件處理工作流程的直接影響是：如果您的應用程式必須處理一份 600 頁的合約及其 50 頁的修訂歷史，或是完整的審訊記錄語料庫，Kimi 是本文中唯一一個擁有能夠一次性處理這些內容之架構的模型。

一個誠實的警示：Moonshot AI 的 100 萬 token 數據是宣傳上的最大值，而非經過獨立驗證的可靠運行上限。隨著模型接近其上下文限制，品質可能會有所下降，這是所有長文本大語言模型 (LLM) 中普遍存在的現象。對於生產環境部署而言，宣傳上的最大值與可靠的運行範圍之間的區別至關重要。各機構在將 100 萬 token 視為保證的生產上限之前，應先測試其特定的文件量，並在大規模應用中評估輸出品質。

針對應用程式的 token 使用量在 128K 以內時，此表格中的所有四種模型在上下文視窗長度上功能上是等效的。區隔性因素則轉移到基準效能、定價與開放權重可用性。

基準效能：這些模型如何相互評分

在標準化基準測試中，DeepSeek-V3 和 Qwen2.5-72B 在通用知識和程式設計任務上均能與 GPT-4o 匹敵，而 DeepSeek-R1 在數學問題解決方面則與 OpenAI 的 o1 推理模型不相上下。自 2023 年以來，中國模型在這些指標上與西方模型相比，差距已顯著縮小。

基準測試提供標準化分數，以便在可控的評估條件下進行比較，但實際表現可能與基準測試結果不同。在 MMLU 上得分良好的模型，在您的特定領域或任務上仍可能表現不佳。將基準測試分數作為一個方向性指標：優異的表現與通用能力相關，但在做出整合決策前，請務必使用您的實際工作負載進行驗證。

一項關鍵區別：在數學基準測試上，直接將推理模型（DeepSeek-R1、QwQ）與指令模型（DeepSeek-V3、Qwen2.5）進行比較，並非同類比較。推理模型是為這些任務特別設計的，因此分數會更高。下表中的模型類型欄位明確說明了這一點。

基準分數來自官方技術報告：DeepSeek-V3 技術報告 (arXiv:2412.19437)，DeepSeek-R1 技術報告 (arXiv:2501.12948)，Qwen2.5 技術報告，OpenAI GPT-4o 系統卡。分數反映截至 2025 年初的結果。AI 模型的能力發展迅速。在進行能力比較前，請查閱官方技術報告和當前排行榜。

從這些數據中，有幾項發現值得關注。DeepSeek-R1 在 MATH-500 上得分 97.3%，顯著超越 GPT-4o 的 74.6%。這個差距最清楚地體現了推理模型架構的優勢。DeepSeek-V3 和 Qwen2.5-72B 在 MMLU 上的表現與 GPT-4o 在四捨五入範圍內相當，這證實了中文指令模型在一般知識基準測試上已達到效能均等。QwQ 在推理任務上為 DeepSeek-R1 提供了一個有競爭力的替代方案，其在 MATH 和 GPQA 上的得分均高於 GPT-4o，使其成為偏好 Qwen 生態系統的團隊的一個可行選項。

Qwen2.5-72B 在基準測試中的表現已能與 Meta 的 Llama 3.1-70B (先前開放權重性能的領導者) 匹敵，甚至在某些情況下超越了它。這確立了中國的開放權重模型，可作為自我託管部署的嚴肅替代方案。

在程式碼編寫與數學推理的基準測試上，DeepSeek-R1 的表現能與 Claude 3.5 Sonnet 匹敵。然而，在需要細膩理解指令和創意寫作的任務上，Claude 仍保有其優勢，這些優勢在這些基準類別中並不明顯。

Moonshot AI 並未在 MMLU/MATH/GPQA 框架下發布標準化基準測試結果。對 Kimi 能力的評估主要依賴其長文本處理優勢，而非這些標準衡量指標。

開源狀態與自託管期權

DeepSeek 以 MIT 授權條款釋出其模型權重，這是三者中最寬鬆的開放權重選項。Qwen 提供 Apache 2.0 和 Qwen 授權條款下的開放權重模型。Moonshot AI 則完全不發布可供下載的權重。

「開源」（open source）與「開放權重」（open weight）之間的區別對於做出部署決策的開發者來說至關重要。當一個模型是開放權重時，開發者可以下載模型參數並在本地運行、針對自定義數據進行微調，或在無需支付 API 費用的情況下進行部署。這並不代表訓練方法論是完全可復現的，也不代表完整的訓練基礎架設已公開發布。這三個模型中，沒有一個是 GNU 定義下的完全開源模型。DeepSeek 和 Qwen 是在特定授權下發布模型權重，而非完整的訓練流程。

DeepSeek 和 Qwen 都在 Hugging Face 上發布其模型權重，這是開放權重 AI 模型的主要發布平台。Hugging Face 是一個平台和模型庫，而非中國的 AI 實驗室，它託管來自全球開發者的模型。

授權說明： DeepSeek 的 MIT 授權允許不受限制的寬鬆商業使用。Qwen 授權允許開放權重部署，但限制月活躍用戶數超過 1 億的服務使用；Apache 2.0 則適用於某些較小的 Qwen 變體。Moonshot AI 的 Kimi 僅透過 API 提供，且無法下載權重。

自架 DeepSeek：蒸餾的小型版本 (7B、14B、32B 參數) 可在消費級 GPU 上運行；完整的 671B 參數模型需要企業級多 GPU 基礎設施。推論框架如 Ollama 或 vLLM 支援本機部署。完整文件可透過 Hugging Face 上的 DeepSeek) 儲存庫取得。

自行託管 Qwen：7B 版本可在配備 16GB 顯存的消費級 GPU 上運行；14B 至 32B 模型需要工作站級 GPU 配置；72B 模型則需要多 GPU 伺服器基礎設施。模型權重可透過 Qwen on Hugging Face) 取得，涵蓋所有尺寸版本。

對於有數據敏感性需求的組織，自行部署 DeepSeek 或 Qwen 開源權重模型，可以完全消除雲端數據主權的顧慮，因為數據永遠不會離開您的基礎設施。

API 定價與地區存取權限

API 價格可能會有所變動。以下所有數據均反映截至 2025 年初的公開費率。在做出整合決定前，請前往官方 API 文檔頁面核實目前的定價。

截至 2025 年初，DeepSeek-V3 的 API 定價為這三款模型中最低，每百萬輸入代幣（tokens）約為 0.27 美元，比 GPT-4o 的每百萬輸入代幣 5.00 美元便宜約 18 倍。這種成本差異是開發者對中國大語言模型作為 OpenAI 替代方案感興趣的主要財務驅動力。

有關完整的 Kimi API 方案詳情與成本優化，請參閱 Moonshot Kimi API 2026 定價：方案與成本指南.

[{"Free Tier":"免費方案","Input (per 1M tokens)":"輸入 (每 100 萬個 token)","Model":"模型","Official Pricing":"官方定價","Output (per 1M tokens)":"輸出 (每 100 萬個 token)"},{"Free Tier":"是 (有限制速率)","Input (per 1M tokens)":"約 $0.27","Model":"DeepSeek-V3","Official Pricing":"DeepSeek API 平台於 platform.deepseek.com","Output (per 1M tokens)":"約 $1.10"},{"Free Tier":"是 (有限制速率)","Input (per 1M tokens)":"約 $0.55","Model":"DeepSeek-R1","Official Pricing":"DeepSeek API 平台於 platform.deepseek.com","Output (per 1M tokens)":"約 $2.19"},{"Free Tier":"有限","Input (per 1M tokens)":"請參閱目前費率","Model":"Qwen-Max (DashScope)","Official Pricing":"Alibaba Cloud DashScope (dashscope.aliyun.com)","Output (per 1M tokens)":"請參閱目前費率"},{"Free Tier":"無","Input (per 1M tokens)":"請參閱官方文件","Model":"Moonshot AI / Kimi","Official Pricing":"Kimi API 於 platform.moonshot.cn","Output (per 1M tokens)":"請參閱官方文件"},{"Free Tier":"無","Input (per 1M tokens)":"約 $5.00","Model":"GPT-4o (reference)","Official Pricing":"OpenAI 定價於 platform.openai.com/pricing","Output (per 1M tokens)":"約 $15.00"}]

所有價格均截至 2025 年初。整合前請先核實。

DeepSeek 透過 platform.deepseek.com 提供具有速率限制的免費 API 層級。chat.deepseek.com 的對話介面可免費使用，無須 API 費用。對於 Qwen，目前的 DashScope API 定價隨模型大小和區域而異。請直接諮詢阿里雲 DashScope (dashscope.aliyun.com)，因為阿里雲的定價可能會因帳戶層級和企業合約而有所不同。關於 Kimi API 的定價，每 Token 的費率可在 platform.moonshot.cn 取得。此處未確認具體數據以供直接包含。

在輸入 Token 方面，$0.27 與 $5.00 的對比代表了 DeepSeek-V3 相較於 GPT-4o 在相同 Token 數量下降低了 18 倍的成本。對於每日處理數百萬個 Token 的高吞吐量應用程式而言，這種差異在大規模運作時會變得非常顯著。

地理存取

DeepSeek API：截至 2025 年初，platform.deepseek.com 在國際上可供存取，不受地理區域限制。可透過中國以外的標準電子郵件註冊來取得 API 金鑰。chat.deepseek.com 上的聊天介面也適用於國際用戶。在建置生產環境整合之前，請於 platform.deepseek.com 上驗證目前的可用性，因為存取條件可能會有所變動。

Moonshot AI / Kimi：截至 2025 年初，kimi.ai 在某些地區已可國際存取，但存取穩定性有所差異。在中國以外的特定地區，若要穩定存取可能需要 VPN。Kimi API（位於 platform.moonshot.cn）已開放給國際開發者使用。國際使用者應直接在 kimi.ai 上查看目前的可用性，因為這是三種模型中存取變數性最高的。

Qwen / DashScope： DashScope API 可透過阿里巴巴雲的全球基礎設施進行國際存取。阿里巴巴的全球雲區域提供地區性數據駐留選項，這意味著企業用戶可以配置部署，在繼續使用 Qwen 模型的同時，將數據保留在中國境外。

隱私、審查與資料安全

這三款模型均應用了符合中國生成式人工智慧法規的內容過濾。這種行為是真實存在且有紀錄的，值得仔細評估，但其影響範圍僅限於少數政治敏感話題，而非典型的開發者或企業工作負載。

中國的《生成式人工智能服務管理暫行辦法》（於 2023 年 8 月 15 日起施行）由中國國家互聯網信息辦公室（CAC）管理，要求人工智慧服務的輸出內容必須符合社會主義核心價值觀，並禁止包含顛覆國家政權的內容。此項監管要求形塑了透過其官方雲端 API 存取這三種模型時的內容過濾行為。

審查內容：所有三個模型都套用內容過濾器，限制政治敏感話題，包括天安門廣場、台灣獨立以及對中國政治領導人的批評。此行為在官方 API 部署中表現一致，並由研究中國 LLM 內容政策的獨立研究人員記錄在案。

通常不會被審查的內容： 程式碼編寫任務、商業文件分析、科學研究、數學推理、一般常識查詢以及專業寫作輔助，都不太可能觸發內容過濾器。對於絕大多數的開發者和企業使用案例（軟體開發、數據分析、客服自動化、內容摘要），將不會遇到內容過濾器。

API 與自行託管的區別在此至關重要。內容篩選器適用於所有三個供應商的雲端 API 存取。自行託管的開放權重模型（DeepSeek 和 Qwen）部署在您自己的基礎設施上，不受相同的 API 層級內容篩選的約束。對於敏感主題有不受限制輸出需求的組織，應考慮自行託管的開放權重部署，而非雲端 API 存取。

中國法律下的數據隱私：所有三個模型的雲端 API 均依據中國數據主權法運作。透過這些雲端 API 處理的數據，可能在適用法律下須回應中國政府的要求。此項考量在性質上，雖然管轄權不同，但與適用於美國法律框架下之美國雲端 API 的數據主權疑慮相似。有嚴格數據駐留要求的組織，應根據其合規義務評估此點。

私有化部署 DeepSeek 或 Qwen 等開源權重模型能完全消除雲端數據主權的疑慮，因為數據始終保留在組織自身的基礎設施內。對於有受監管數據處理要求的企業團隊而言，這是建議優先評估的方案。

對於大多數編碼工具、內部生產力應用程式和非敏感文件處理而言，使用中國人工智慧雲端 API 的實際數據風險與其他第三方 API 服務相當。醫療保健、金融或政府領域的企業團隊應針對其監管環境進行額外的盡職調查。

上述資料隱私及合規性考量僅供一般資訊參考之用，不構成法律建議。受監管產業的組織在部署任何司法管轄區的 AI 模型前，應諮詢合格的法律顧問。

您該選擇哪款中國 AI 模型？

2025 年最佳中國 AI 模型取決於您的具體使用案例。選擇 DeepSeek，以獲得最低的 API 成本、最強的編碼和推理基準，以及在其 MIT 授權的開放權重模型下的最高部署彈性。選擇 Moonshot AI / Kimi，用於需要處理超過 128K 個 token 的文件應用。選擇 Qwen，用於支援多模態能力、超過 29 種語言的多語言支援，或透過阿里云進行企業部署。

使用案例決策矩陣

在以下情況下選擇 DeepSeek...

成本是主要考量因素，您需要 MIT 許可證下的開放權重模型以獲得最大的部署靈活性，或者您的使用場景集中在程式碼編寫與數學推理。對於大多數首次評估中國大型語言模型 (LLM) 的開發者來說，DeepSeek-V3 是最強大的起點。它在 MMLU 和 HumanEval 上的基準測試性能達到了 GPT-4o 等級，而 API 成本約低 18 倍，且對商業用途沒有授權限制。當任務涉及多步推理、複雜數學或邏輯密集型問題，且思維鏈 (CoT) 處理足以證明額外的延遲與成本是合理的時候，請特別切換至 DeepSeek-R1。

在以下情況下選擇 Moonshot AI / Kimi...

您的應用程式必須在單一請求中處理長度超過 128K 個 token 的文件、程式碼庫或研究語料庫。在此介紹的任何其他模型都無法比擬 Kimi 所宣稱的 1M token 上下文處理能力。這些取捨是真實存在的：Kimi 是一個封閉模型，沒有開放權重選項；在標準評估中，其通用基準效能落後於 DeepSeek 和 Qwen；對於中國以外的用戶來說，其地理存取的可靠性不如其他兩個模型。僅當長上下文的需求是不可協商的時，才接受這些取捨。

如果選擇 Qwen 則...

您的應用程式需要多模態功能、橫跨 29+ 種語言的多語言支援，或具備阿里云 SLA 保證和可設定資料所在地點的企業級部署。QwQ 是 Qwen 的推理模型替代方案，可與 DeepSeek-R1 競爭，在數學和邏輯基準測試上表現優異，特別適合偏好阿里云生態系統或希望避免對單一供應商過度集中的團隊。Qwen 的模型家族廣度，涵蓋 Qwen2.5、QwQ、Qwen-VL、Qwen-Audio 和 Qwen-Coder，無疑是此處涵蓋的任何競爭對手都無法比擬的。

常見問題

DeepSeek-V3 與 DeepSeek-R1 有何不同？

DeepSeek-V3 是一款通用型指令模型，可直接遵循使用者指令，並提供快速的回應，適用於寫作、程式編寫和日常任務。DeepSeek-R1 是一款推理模型，在回答之前會生成可見的思維鏈步驟，使其在數學推理、邏輯和複雜的多步驟問題上表現更為強勁。DeepSeek-R1 並非 V3 的通用替代方案。只有在任務明確需要多步驟推理時，才建議使用 R1。在成本方面，V3 每百萬輸入 Token 的價格約為 0.27 美元，而 R1 約為 0.55 美元。

DeepSeek 使用起來安全嗎？

DeepSeek 的雲端 API 在中國數據主權法下運行，這意味著透過該 API 處理的數據可能會根據適用的法律框架，應中國政府的要求提供。內容過濾適用於政治敏感話題，包括天安門廣場和台灣獨立。對於大多數商業用途（如程式碼編寫、文件分析和商務寫作），將不會遇到這些過濾器，且實際的數據風險與其他第三方 API 服務相當。對於有嚴格數據駐留要求的組織，應考慮自行託管部署 DeepSeek 的開放權重模型，這將完全消除對雲端數據的疑慮。

我可以在中國境外使用 Moonshot AI / Kimi 嗎？

截至 2025 年初，kimi.ai 在部分地區可供國際存取，但存取可靠性因地區而異，在中國境外可能需要 VPN 才能穩定使用。開發者專用的 Kimi API 可在 platform.moonshot.cn 進行國際註冊。相比之下，DeepSeek 位於 platform.deepseek.com 的 API 可供國際存取且不受地理限制，而 Qwen 的 DashScope API 則是透過阿里雲的全球基礎設施提供。請直接查看 kimi.ai 以瞭解目前的可用性，因為 Moonshot AI 的國際存取情況正在持續演變中。

Qwen 是開源的嗎？我可以下載它嗎？

是的。Qwen 模型權重可在 Hugging Face (huggingface.co/Qwen) 下載，涵蓋從 0.5B 到 72B+ 參數的模型。授權條款有所不同：較小規模的版本使用 Apache 2.0（允許商業用途），而較大且較新的版本則使用 Qwen 授權，該授權限制每月活躍用戶 (MAU) 超過 1 億的服務進行部署。對於大多數開發團隊而言，MAU 限制將不適用。Moonshot AI / Kimi 不提供可下載的權重，僅提供 API 存取方式。

哪款中國 AI 模型的 API 最便宜？

截至 2025 年初，DeepSeek-V3 提供已公布的最低 API 定價，約為每百萬輸入代幣 0.27 美元，比 GPT-4o 每百萬輸入代幣 5.00 美元便宜約 18 倍。DeepSeek 也透過 platform.deepseek.com 提供設有關鍵速率限制的免費 API 等級。在整合前，請於 DeepSeek API 平台驗證目前的費率，因為價格可能會變動。Qwen 的 DashScope 定價和 Kimi API 定價需要查閱官方文件以取得目前數據。

DeepSeek 為何導致輝達股價崩盤？

DeepSeek-R1 在 2025 年 1 月的發布，根據 DeepSeek 的技術報告，展現了 GPT-4o 等級的人工智慧基準測試效能，而據稱其訓練成本約為 560 萬美元，相較之下，據稱可與之匹敵的西方模型花費了數億美元。這引發了嚴重的質疑，關於 AI 產業對大規模 GPU 投資的假設是否必要。Nvidia 股價於 2025 年 1 月 27 日下跌約 17%，抹去了約 6000 億美元的市值。儘管獨立研究人員對於 560 萬美元的數字是否包含所有基礎設施成本仍在辯論，但即使經過調整，DeepSeek 方法所暗示的效率差異仍然是顯著的。

什麼是 Qwen 的 QwQ 模型？

QwQ 是 Qwen 的推理模型，為阿里巴巴對 DeepSeek-R1 的直接回應。與 DeepSeek-R1 類似，QwQ 在產出最終答案之前會先生成思維鏈推理步驟，使其在數學、邏輯和複雜推理任務上顯著強於標準指令模型。QwQ-32B 在 MATH 和 GPQA 基準測試中與 DeepSeek-R1 旗鼓相當。QwQ 是 Qwen 模型家族的一部分，而非獨立產品。它與 Qwen2.5、Qwen-VL、Qwen-Audio 和 Qwen-Coder 一同透過 Hugging Face 以開源權重模型形式提供。這種 QwQ 與 DeepSeek-R1 之間的對應關係，在大多數針對中國 AI 模型的競爭報導中皆未提及。

哪款中國 AI 模型最適合編碼任務？

DeepSeek-V3 和 DeepSeek-Coder 在此處討論的三個模型中，於 HumanEval 編碼基準測試中名列前茅。DeepSeek-V3 在 HumanEval 上獲得 82.6% 的分數，與 GPT-4o 的 90.2% 相比具有競爭力，而 DeepSeek-R1 在同一基準測試上達到 92.6%。Qwen-Coder 提供可比較的編碼效能，並可選擇自行託管部署，適合希望掌握基礎設施控制的團隊。Moonshot AI / Kimi 沒有專用的編碼模型，但其長上下文視窗對於分析大型程式碼庫非常有用，這些程式碼庫的限制在於文件長度而非原始編碼能力。

Moonshot AI 是否有審查機制？

是的。如同所有依循中國CAC生成式AI法規運作的中國AI模型，Moonshot AI的Kimi會套用內容過濾器，限制政治敏感話題，包括天安門廣場、台灣獨立以及對中國政治領導人的批評。對於商業生產力、編碼和文件分析等使用情境，這些過濾器不太可能被觸發。需要對敏感政治話題進行不受限制輸出的使用者，應考慮自行託管的開放權重替代方案。DeepSeek和Qwen都提供此途徑，儘管自行託管的部署可能仍會表現出一些來自預訓練資料的訓練行為傾向。

中國AI模型與ChatGPT的比較為何？

截至 2025 年初，DeepSeek-V3 和 Qwen2.5-72B 在 MMLU（一般知識）和 HumanEval（程式碼編寫）基準測試上與 GPT-4o 相差僅幾個百分點。DeepSeek-R1 在 MATH-500 基準測試上與 OpenAI 的 o1 推理模型不相上下，得分為 97.3%，而 GPT-4o 為 74.6%。中國模型提供顯著更低的 API 成本：DeepSeek-V3 為每百萬輸入 token 0.27 美元，而 GPT-4o 為每百萬 token 5.00 美元。GPT-4o 保持優勢的主要領域是針對邊緣案例的細微指令遵循、創意寫作質量、對敏感主題的內容過濾器限制，以及在某些企業環境中重要的信任度和合規性。

相關閱讀

• Kimi K3：Moonshot AI 的旗艦推理模型
• 什麼是 Kimi K2？Moonshot AI 的開源思維模型
• Moonshot AI：公司概覽與 Kimi 產品指南
• Moonshot Kimi API 2026 年定價：方案與成本指南
• 什麼是 Kimi AI？Moonshot AI 指南
• Bybit 上的 MOONSHOTUSDT 永續合約