性能方面
基准测试成绩：在mmlu-pro测试中，DeepSeek-V3准确率为75.9%，高于GPT-4-0513的73.3%；在gpqa-diamond测试中，DeepSeek-V3以59.1%的成绩超越GPT-4-0513的49.9%；在math500中，DeepSeek-V3准确率达90.2%，远高于GPT-4。
多语言处理能力：DeepSeek-V3多语言处理能力出色，在多语言编程测试排行榜中超越Claude 3.5 Sonnet大模型，仅次于OpenAI o1大模型，而GPT-4.0在多语言处理上虽也较好，但未体现出明显优势。
推理速度：DeepSeek-V3采用MoE架构，生成速度相比V2.5模型实现了3倍的提升，达到每秒吞吐量60 token，而GPT-4.0在推理速度上未显示出特别优势，且在某些复杂任务中可能相对较慢。
成本方面
训练成本：DeepSeek-V3的训练成本仅为557.6万美元，而GPT-4的训练成本超过1亿美元，相比之下，DeepSeek-V3具有极高的成本效益。
使用成本：DeepSeek-V3的API服务定价为每百万输入tokens 0.5元（缓存命中）/2元（缓存未命中），每百万输出tokens价格为8元；而GPT-4.0百万token输入2.5美元，百万token输出10美元，DeepSeek-V3的使用成本远低于GPT-4.0。
功能方面
多模态能力：GPT-4.0支持文本、音频和图像的任意组合输入，并生成相应的文本、音频和图像输出，DeepSeek-V3目前主要专注于文本处理，不具备多模态能力。
模型规模与参数：DeepSeek-V3拥有6710亿参数，其中激活参数为370亿，在14.8万亿token上进行了预训练；GPT-4.0的具体参数数量未公开，但已知其模型规模也非常庞大，且性能卓越。
应用生态方面
生态系统完善度：GPT-4.0发布时间较早，经过了大量的优化和更新，在各种领域和任务中的应用更加广泛和成熟，相关的工具、插件和应用集成丰富；DeepSeek-V3作为新发布的模型，其生态系统和社区支持相对较弱。
模型稳定性：GPT-4.0在实际使用中稳定性相对较好，而DeepSeek-V3在实际使用中可能会出现一些小概率的错误或不稳定情况，尤其是在处理一些极端或边缘情况时。
性能方面
基准测试成绩：在mmlu-pro测试中，DeepSeek-V3准确率为75.9%，高于GPT-4-0513的73.3%；在gpqa-diamond测试中，DeepSeek-V3以59.1%的成绩超越GPT-4-0513的49.9%；在math500中，DeepSeek-V3准确率达90.2%，远高于GPT-4。
多语言处理能力：DeepSeek-V3多语言处理能力出色，在多语言编程测试排行榜中超越Claude 3.5 Sonnet大模型，仅次于OpenAI o1大模型，而GPT-4.0在多语言处理上虽也较好，但未体现出明显优势。
推理速度：DeepSeek-V3采用MoE架构，生成速度相比V2.5模型实现了3倍的提升，达到每秒吞吐量60 token，而GPT-4.0在推理速度上未显示出特别优势，且在某些复杂任务中可能相对较慢。
成本方面
训练成本：DeepSeek-V3的训练成本仅为557.6万美元，而GPT-4的训练成本超过1亿美元，相比之下，DeepSeek-V3具有极高的成本效益。
使用成本：DeepSeek-V3的API服务定价为每百万输入tokens 0.5元（缓存命中）/2元（缓存未命中），每百万输出tokens价格为8元；而GPT-4.0百万token输入2.5美元，百万token输出10美元，DeepSeek-V3的使用成本远低于GPT-4.0。
功能方面
多模态能力：GPT-4.0支持文本、音频和图像的任意组合输入，并生成相应的文本、音频和图像输出，DeepSeek-V3目前主要专注于文本处理，不具备多模态能力。
模型规模与参数：DeepSeek-V3拥有6710亿参数，其中激活参数为370亿，在14.8万亿token上进行了预训练；GPT-4.0的具体参数数量未公开，但已知其模型规模也非常庞大，且性能卓越。
应用生态方面
生态系统完善度：GPT-4.0发布时间较早，经过了大量的优化和更新，在各种领域和任务中的应用更加广泛和成熟，相关的工具、插件和应用集成丰富；DeepSeek-V3作为新发布的模型，其生态系统和社区支持相对较弱。
模型稳定性：GPT-4.0在实际使用中稳定性相对较好，而DeepSeek-V3在实际使用中可能会出现一些小概率的错误或不稳定情况，尤其是在处理一些极端或边缘情况时。
