5条视频分析费不到1美分：DeepSeek V4 Pro 0813，真把趋势分析打成白菜价了？

2026-08-14 · 约 11 分钟

2026-08-14 真实调用记录。5 条视频号样本，输入 2,887 tokens、输出 7,872 tokens，账单实扣 0.008104485 美元。这是一次小样本探针，不是大规模跑分；文章里的金额来自返回结果中的 usage.cost，不是官网标价。

凌晨三点多，我把账单 JSON 打开，第一反应是自己看错了小数点。

前面刚经历一轮模型对比，脑子里还在盘算：五条视频，要去重、分类、抓关键词、读评论、找趋势、出选题，这一大串活交给模型，怎么也得花点钱吧？

结果屏幕上躺着一个数字：

$0.008104485。

不到一美分。

我又数了一遍零，才敢确认：DeepSeek V4 Pro 0813 的确把这次整理做完了，而且不是只回一句“AI 漫剧很火”。它交了一份 7,872 tokens 的长答案，分类、关键词、评论话题、趋势、蓝海词、选题建议和周报摘要，一个都没落下。

但故事到这里还不能结束。因为它很便宜，也确实干了活；可它同样会兴奋过头，把一条孤零零的产品名喊成“蓝海”。

所以这次实测真正有价值的，不是“DeepSeek 赢麻了”，而是我们终于看清：便宜模型适合干什么，贵模型又该在哪一步出场。

先把账单摊在桌上

项目 本次记录
样本数量 5 条视频号观察
输入 tokens 2,887
输出 tokens 7,872
其中推理 tokens 5,167
总 tokens 10,759
输入成本 $0.001255845
输出成本 $0.00684864
总成本 $0.008104485

这不是“起价”，也不是拿价格表乘出来的估算。返回结果里同时给了输入、输出和上游推理成本，三笔数字能对上。

粗暴除一下，五条样本平均每条大约 $0.00162。如果硬按这个平均值线性外推，一千条大约是 $1.62。

不过先别急着拿 $1.62 去做预算。大批量任务会改变提示词长度、去重比例和输出规模，成本不一定跟样本数笔直地一起涨。这个推算只能帮我们感受量级，不能冒充一千条真实账单。

它到底交了什么，不到一美分会不会只买到废话

这五条样本来自视频号，主题包括 AI 漫剧教程、漫剧变现、AI 真人短剧和 AI Agent 营销。DeepSeek 收到的不只是标题，还有点赞、分享、收藏、评论，以及部分真实评论片段。

它完成了八类整理：

  1. 判断五条记录有没有重复；
  2. 给每条内容分类；
  3. 统计高频关键词；
  4. 聚合评论区在讨论什么；
  5. 从互动数字里找趋势；
  6. 提出可能的长尾词；
  7. 给出下一轮选题；
  8. 拼出一份周报摘要。

它还注意到一个挺有意思的现象：五条样本合计点赞 8,640，分享却有 20,591；其中四条的分享数比点赞数还高。对视频号这种熟人传播味道很重的平台，这至少是个值得继续追踪的信号。

它也从评论里抓到了很具体的需求，比如：

有没有便宜做漫剧的？

这比一句“用户关注性价比”有用多了。因为做内容的人看到这句话，马上就知道下一篇该写什么：别再空讲工具多厉害，直接把免费、低价和付费方案的限制摆出来。

所以，答案不是“便宜一定没好货”。至少在去重、分类、关键词归纳和初步选题这类脏活上，它的交卷已经能用。

可它也会一激动，把一棵草说成一片蓝海

我最警惕的一处，是它把 AhaCreator 列进了蓝海词。

证据是什么？样本里只出现了一次。

一次出现，可以说明“我们看见了这个词”；不能说明“市场有缺口”，更不能说明“它值得投入”。要判断蓝海，至少还得知道搜索量、同类内容供给、互动基线和跨时间变化。只有一条视频，远远不够。

它还把部分视频画面里的 OCR 文字，当成了评论区讨论；把分享数高，写成了“话题分享率高”。可我们没有播放量，也没有账号体量，更没有平台平均值。“分享数高”都不一定能证明，更别说“分享率高”。

这就是低成本大批处理最危险的地方：它不会空着交卷。证据不够时，它也很想帮你凑出一个听起来完整的答案。

模型越勤快，人越要知道哪句话不能信。

Terra 没有负责写得更漂亮，而是负责踩刹车

同一批材料后来又交给 GPT-5.6 Terra 做清洗。它没有把文章写得更热闹，反而删掉了不少“热闹”。

它做了几件很朴素、却很值钱的事：

这轮对比里，我最喜欢的不是哪个模型写得更像专家，而是 Terra 说了一句近似“我不知道”的话：只有五条定向搜索样本，不能外推成平台趋势。

在真实业务里，敢把结论降级，比多写五个洞察更重要。

最省钱的办法，不是把所有事都交给最便宜的模型

看到 $0.0081，很容易冒出一个想法：既然这么便宜，每刷到一条视频就调用一次好了。

我们没有这么做。

真正省钱的链路应该是：

本地 OCR 和硬门槛过滤 → 数据落盘沉淀 → 批量交给 DeepSeek 整理 → 少量高价值结果再交给 Terra 审计。

不达标的视频，比如点赞 103、转发 80、收藏 42、评论 14，本机读完数字就结束。它算“扫描过”，但不算一次模型分析，API 成本是零。

只有互动达标、评论区确实有内容的数据才进入样本池。等数量够大以后，再一次性去重、分类和抓关键词。这样做有三个好处：

省钱从来不只是换一个便宜模型。先决定什么不值得送进模型，通常比模型单价更重要。

如果要做一千条，我会怎么分工

这次只有五条，样本太小，刚好适合验证链路是否能跑通。真到一千条，我不会让任何一个模型从头包办到尾。

第一层由本机完成：识别互动数字、过滤广告、排除明显不相关内容、保存原始证据。这一层不调用大模型。

第二层交给 DeepSeek V4 Pro 0813：批量做语义去重、分类、关键词和评论聚类。它便宜、能吃结构化任务，也愿意输出完整结果。

第三层才交给 Terra：检查证据覆盖、删除过度推断、把“可能”与“已经证明”分开，最后整理成用户能看的周报。

这种搭配不浪漫，却很像一支真正干活的团队：有人负责把仓库整理干净，有人负责在出门前再检查一次，别把废纸当合同带走。

这次实测给我的结论

DeepSeek V4 Pro 0813 的低价不是噱头。至少这次账单里，10,759 tokens 只花了 $0.008104485，而且交付内容并不单薄。

但它也没有便宜到可以让我们放弃判断。它会认真完成任务，也会认真地把证据不足的东西解释完整。

所以我的结论不是“用 DeepSeek 替掉所有贵模型”，而是：

让 DeepSeek 扛下大批量整理，让 Terra 守住最后一道事实边界。

便宜模型把成本打下来，高阶模型把胡说八道拦下来。两边各干自己擅长的活，才是真正能长期跑的生产系统。

本次测试的边界

常见问题

DeepSeek V4 Pro 0813 分析五条视频花了多少钱？

本次真实账单为 0.008104485 美元。输入 2,887 tokens，成本 0.001255845 美元；输出 7,872 tokens，成本 0.00684864 美元；总计 10,759 tokens。这个金额来自调用返回的 usage.cost，不是官网价格估算。

DeepSeek V4 Pro 0813 分析一千条视频大约多少钱？

如果完全按本次五条样本的平均成本线性推算，一千条约 1.62 美元。但这只是量级参考，大批量任务的提示词、去重率和输出长度都会变化，正式预算应以真实千条探针账单为准。

DeepSeek V4 Pro 0813 能直接替代 GPT-5.6 Terra 吗？

不建议直接替代。DeepSeek 很适合批量去重、分类、关键词和评论聚类；但本次也出现了把单条产品名误判成蓝海、把样本内数字写成平台趋势的情况。Terra 更适合最终证据审计、降级过度结论和整理正式报告。

为什么不让每条视频都调用一次大模型？

因为大部分扫描结果没有分析价值。先在本机用 OCR 和互动门槛过滤，低质视频的模型成本可以保持为零；达标数据积累后再批量处理，也能减少重复内容带来的浪费。

DeepSeek 这次输出了哪些分析内容？

它完成了语义去重、内容分类、关键词统计、评论话题聚类、趋势观察、长尾词候选、选题建议和周报摘要。输出并非一句简短判断，但其中的趋势和蓝海结论仍需二次审计。

这次测试能证明 DeepSeek 是最便宜、最好的分析模型吗？

不能。它只能证明在这次 5 条视频号样本的结构化整理任务中，DeepSeek V4 Pro 0813 成本很低且能交付完整结果。要比较长期质量，还需要统一任务、统一输入，记录更多批次的成本、错误率和人工返工时间。

原始测试时间为 2026-08-14 凌晨。本文保留账单数字与模型输出中的关键错误，目的不是替任何模型站台，而是记录一条能真正落地的低成本分析链路。