DeepSeek 在 V3.2 报告中明确提出提高推理链的"intelligence density"（智能密度）——在更少的推理步骤和 token 内达到同等解答质量。过去行业比拼模型"能否解决问题"，现在得加上"用户是否愿意等待解决问题"。一张 Flash 调用在高峰时段每百万输出 token 只收 9 元，但若推理链冗长到需要用户等 10 秒，这 9 元也未必值得花。智能密度把等待时间和 token 费统一纳入了优化目标。

DeepSeek R1 更新时用 AIME 2025 衡量进步：旧版每题约耗 1.2 万 token，新版翻倍到 2.3 万，准确率从 70% 提到 87.5%。AIME 2025 直接采用美国数学邀请赛真题，只认 pass@1（一次答对），不允许多次尝试后取最优。目前 Grok 4 Heavy、GPT-5 Pro 已拿到 100%，但美团团队新出的 AMO-Bench 中头部模型最高仅 52.4%，说明推理能力的天花板还远未触及。这个基准正在倒逼模型做更聪明的推理，而不仅仅靠堆 token。

7 月 24 日 Anthropic 发布 Opus 5，主打"以 Fable 5 一半的价格提供接近其前沿水平的能力"。在 CursorBench 3.2 最高档位下，Opus 5 得分仅比 Fable 5 峰值低 0.5%，但单项任务成本约为后者一半。这与 DeepSeek 让 Flash 替代 Pro 的策略方向完全一致——一旦高端能力能以更低成本提供，原先的 Pro/Fable 级定价必须重新校准。两边都在把旗舰模型往"更便宜、更可用"的日常服务里压。

DeepSeek 开源的 Harness 框架用 PTC 模式让模型一次写出一段程序，把多步工具操作串起来——不用每读一份文件都重新决策。文章里 LINUX DO 用户跑一个维护页面的 Agent 花了 15.5 元，显露出 Agent 场景的隐形成本：模型单价低不代表整项工作便宜。Harness 要省的是反复调用与无用输入。行业正在从"每百万 token 多少钱"转向"完成一个任务的总成本"，这在 Gemini 3.6 Flash 和 Microsoft 的 Agent Framework Harness 中也能看到同一趋势。

DeepSeek 用 DSpark 把生成速度提升了 60%-85%，属于工程层面的推测解码优化。但智能密度要求模型本身学会"在更少步骤里想对"——这是训练方法论和架构的问题，而非单纯的并行加速。EMNLP 2025 的研究已指出计算量最优的测试时扩展方案并不一定带来最低延迟。问题在于：当单次推理的 token 数和延迟都在被压降，能否在不损害准确率的前提下真正压缩推理链？这需要的不只是加速框架，而是对模型如何"思考"的重构。