印度和韩国网民说他们有了比DeepSeek更便宜，或水平相当的大模型。印度和韩国网民都称，他们拿出了比DeepSeek更省钱、或能力相近的大模型。可真正较量的，从来不是发布会上的几张成绩单。
2026年7月，亚洲人工智能赛场出现了一个颇有意味的现象：印度企业忙着讲低成本，韩国企业忙着秀大参数，两边不约而同把中国的DeepSeek摆在比较栏里。看似是在介绍本国产品，实质上是在借中国模型给自己抬身价。谁成了标尺，谁才是赛道上真正被追赶的对象。
先看韩国。LG AI研究院推出K-EXAONE 2.0，参数规模达到7500亿，并公布了一组很亮眼的测试成绩。韩国舆论随即出现“已与DeepSeek处于同一水平”的声音。可企业自己出题、自己打分、自己宣布名次，这种成绩单能说明技术进步，却不能直接等同于国际公认的综合排名。
模型是否过硬，不看宣传片拍得多漂亮，而要看全球开发者敢不敢长期使用。代码生成是否稳定，复杂推理是否可靠，调用费用能不能承受，服务器资源是否容易获得，模型出了问题能否迅速修复，这些才是真刀真枪的考验。韩国目前拿出来的，更像一张进入决赛圈的门票，还不是冠军奖杯。
印度走的是另一套传播路线。Sarvam AI方面声称，开发多个模型所使用的计算成本约为2000万美元。这个数字一经传播，很快就被包装成“印度造出了比DeepSeek更便宜的大模型”。问题是，企业账面上的计算成本，不等于一个国家为训练系统投入的全部资源。
印度国家人工智能计划为本土企业提供算力，相关企业还能获得政策、资本和公共设施支持。若GPU采购、机房建设、电力消耗、数据清洗和科研补贴被放在不同账本里，企业当然可以报出一个非常漂亮的数字。把这种口径与其他模型披露的单次训练费用直接比较，本身就缺乏严谨基础。
更值得追问的是，印度模型所谓的“便宜”，究竟便宜在哪个环节。是预训练费用低，还是用了现成开源架构？是模型训练效率更高，还是大量依靠政府提供的低价算力？是从零构建，还是在成熟技术路线基础上继续微调？这些问题没有讲清楚，2000万美元就只能是一句传播性很强的商业话术。
印度并非没有优势。它拥有大批软件工程师，英语数据丰富，本土语言市场又极为庞杂。若Sarvam能够在印地语、泰米尔语、泰卢固语等场景中建立稳定优势，就可能迅速进入政务、教育、支付和客服系统。印度真正想做的，并不是先统治全球市场，而是把国内数字基础设施握在自己手中。
韩国的目标同样很现实。韩国在存储芯片、消费电子、汽车制造和通信设备领域积累深厚，但过去在基础软件和大模型平台上长期依赖美国企业。K-EXAONE的战略意义，是试图把模型能力塞进LG、三星、现代等产业链，减少核心工业数据流向外部平台的风险。
因此，印度强调成本，韩国强调性能，并非两国提前商量，而是都在回应同一种焦虑。美国大模型价格高、闭源程度强，企业使用时还要担心接口、数据和政策限制。中国开源模型迅速崛起后，亚洲国家发现自己有了第三条路：不必完全追随美国，也可以借助开源技术打造本土系统。
这一轮变化，恰恰证明DeepSeek带来的冲击远超一家公司。它把过去只有少数美国巨头能玩的高价竞赛，变成了更多国家能够参与的工程竞赛。模型压缩、混合专家、知识蒸馏、合成数据和低成本推理被快速扩散，后来者的研发门槛因此大幅下降。
但门槛下降，不代表所有参赛者站上了同一高度。使用开源成果搭建本土模型，与建立完整的原始创新能力，是两回事。能够复制技术路线，也不等于可以持续推出下一代架构。真正困难的部分，是形成数据、算法、芯片、工具链和开发者社区之间的长期循环。