我差点选了GPT-4
三个月前，团队把选型报告拍在我桌上：工业PLC代码生成项目，候选是GPT-4和DeepSeek-Coder。销售那边催得紧，客户是一家做汽车焊装线的工厂，要求用梯形图语言写一段气动夹具控制程序。
我第一个反应：GPT-4，还用想？OpenAI家大业大，通用能力摆在那。DeepSeek-Coder？没听过。
但我没当场拍板。因为上一轮选型吃过亏——我们迷信过某大厂的模型，结果在德国客户的ST语言（结构化文本）上翻车了，生成的代码跑起来报警，排查三天发现是语法细节不对。那个客户后来跑了。
所以这次，我让两个模型各跑一遍真实场景：100个PLC需求，涵盖梯形图、ST语言、指令表。纯盲测。
结果出乎意料。
为什么DeepSeek-Coder在小众语言上反而强
盲测报告显示：DeepSeek-Coder在梯形图和ST语言上的准确率85%，GPT-4只有62%。更离谱的是，DeepSeek-Coder生成的代码里，边缘案例处理得比GPT-4好——比如断电恢复逻辑、互锁信号顺序。这些都是工厂老师傅才知道的“潜规则”。
我找工程师聊。他说：GPT-4的训练数据里工业代码占比极低，而DeepSeek-Coder在代码语料上专门强化过，尤其是一些小众的工业语言——可能因为它们在中文技术论坛的共享代码里出现频率更高。GPT-4被通用任务“稀释”了。
这让我想起一件事：去年有个做PLC培训的老师傅跟我说，他教学生写梯形图，用中文关键词搜出来的代码质量比英文高。因为英文社区讨论PLC用IEC 61131-3标准术语，而中国工厂用的多是日系、德系变种，语法细节有差异。DeepSeek-Coder恰恰更懂这些。
当然，这个我自己也犹豫——会不会只是数据集碰巧重合？6个月后我可能被打脸。但至少现在，证据在它那边。
成本只要1/30，但我们不是因为便宜才选的
很多人看到成本优势就想当然：因为省钱。不对。如果GPT-4质量好，贵10倍我也用。
真实情况是：客户要私有化部署。工厂数据不能出车间，GPT-4的API走不通。DeepSeek-Coder可以本地跑，而且单次生成成本只有GPT-4的1/30——不是吹的，我们实测，同样输出长度，API报价加推理成本算下来，GPT-4一次调用0.12美元，DeepSeek-Coder 0.004美元。
这意味着什么？如果客户每天跑500次代码生成，一年能省2万美元。对工厂来说，这不是小数目。
但更关键的是：当把模型部署在工厂的工控机上，内存占用只有GPT-4的1/4。那台工控机是2018年的，跑不动GPT-4的量化版本。DeepSeek-Coder的7B模型刚好塞进去。
这些细节，在做选型报告前，我完全没想到。
承认吧：通用对话场景GPT-4仍然是神
说实话，我不能为了吹DeepSeek而无脑黑GPT-4。日常写邮件、做翻译、调代码注释，我闭眼用GPT-4。它的语言理解、多轮对话、长上下文处理，DeepSeek目前追不上——差三五个代际。
举个例子：上周我让两者解释“为什么PLC的扫描周期会影响输出响应”，GPT-4给出了一个带时序图的动图描述，DeepSeek只给了文字，还漏了扫描周期和中断优先级的关系。差距明显。
所以这封信不是选边站，而是告诉你：特定场景下，选模型的核心不是看参数大小，而是看训练数据和你场景的匹配度。
我们这次选DeepSeek-Coder，是因为它的能力边界刚好卡在工业代码这个窄缝里。换成金融合同生成、医疗影像分析，我可能又会选其他模型。
下次选型我会怎么做
这一课让我重建了选型策略：
第一，不再迷信“通用最强”。先试，盲测，让工程师用真实数据说话。
第二，成本不是第一优先级，但私有化部署能力是。工厂客户的数据合规要求越来越严，很多连VPN都不让开。
第三，承认自己的无知。我第一次听说DeepSeek-Coder时，心里想的是“国产替代”的噱头。现在回头看，差点错过一个真正好用的工具。
这封信写出来，有人可能会觉得我在给DeepSeek打广告。不是。我连他们销售都没见过。我只是觉得，国内有些团队做出的东西，确实能打。哪怕它现在还只在一个窄领域里赢。
6个月后，如果GPT-4出了工业专用版本，我可能又要换回来。但今天，我选DeepSeek-Coder。
至少这一票，我投给数据说话。