NV-Reason-CT 与 DeepSeek V4 Pro 对比：读取一次扫描的代价，以及何时运行批处理

这里有一个运营事实，它比任何基准测试都更能左右临床管线预算：DeepSeek V4 Pro每百万输入 token 收费 0.66 美元，每百万输出 token 收费 1.98 美元，而这两个费率每天会在两个时段翻倍，即 UTC 01:00 至 04:00 和 06:00 至 10:00。在这些时段之外运行的批处理任务，成本是时段内的一半。与此同时，NV-Reason-CT——NVIDIA 的 46.9 亿参数 3D CT 推理模型——完全没有价目表：它是一组你下载并运行的权重，且没有公布针对单次 13,824 token 检查的吞吐量数据。其中一个模型，你可以安排调度。另一个则必须先测量，然后才能为它做预算。

这种不对称是切入这项比较的有效方式，因为这两个模型位于流水线的两端，并在财务上以相反的方式失效。NV-Reason-CT 是一种固定成本工具：硬件一旦购买，边际研究几乎免费，但硬件决策很大，而且每项研究的延迟没有文档记录。DeepSeek V4 Pro 是一台可变成本引擎：无需购买任何东西，一切都按量计费，而计费表有一个可以直接从日历上读出的时间表。

每一项是什么，各用一行说明

• 工作 — NV-Reason-CT 读取胸部或腹部 CT 影像并输出结构化发现；DeepSeek V4 Pro 读取和写入文本

• 架构 — 一种名为 Primus 的 3D 视觉 Transformer，从 COLIPRI 初始化而来，采用 Qwen3.5-4B 语言主干和 3D 多轴旋转位置编码，参数量为 4.69B，其中 4.35B 处于激活状态；相比之下，一个拥有 1.6 万亿参数的专家混合模型每个 token 激活 490 亿参数

• 输入 — 单通道 NIfTI 体数据（.nii、.nii.gz），以亨斯菲尔德单位表示，LPS 方向，重采样至 2 mm 各向同性并裁剪至解剖结构；与文本对照

• 上下文 — 单个体数据在 24 x 24 x 24 的网格中会变成 13,824 个视觉 token，既没有空间下采样，也没有合并层；相比之下，输入为 1,048,576 个 token，输出为 384,000 个 token

• 支持的解剖部位——仅限胸部与腹部，别无其他；与文本所能描述的一切相对

• 价格 — 无标价，自托管，未公布每项研究的吞吐量；相较每百万 token 0.66 美元 / 1.98 美元，在上述两个 UTC 时间窗口内翻倍，缓存读取为 0.022 美元

• 实测延迟 — 未公开；对照 3,483 毫秒的首 token 中位耗时、每秒 96.01 个输出 token，以及 0.75% 的错误率

那里的两行都值得各用不止一行来写。上下文这一行最明显——一百万 token 对 13,824——但两者的单位不可比，把它们解读为任一方向上的能力差距都是错误的。13,824 个 token 是忠实表示一次 CT 研究所需要的量。一百万 token 则是你能容纳的周边文本量。第一个数字说的是分辨率；第二个数字说的是记忆。

延迟那一行往往是被跳过的。DeepSeek V4 Pro 首 token 中位延迟 3.48 秒、每秒 96 个 token，都是经过实测并公开发布的数字，能让你在纸面上估算一个文本任务的规模。NV-Reason-CT 缺乏任何同等数据，这并不是对该模型的批评；而是 CT 流水线在有人实际跑起来之前无法进行成本核算的原因。一个 4.69B 模型处理 13,824 个视觉 token 并不是小计算量，在你用自己的硬件实测过之前，你只是在猜。

不自欺地阅读这两条基准记录

DeepSeek V4 Pro 的记录由独立测量与厂商报告混合而成，而这种混合很能说明问题，因为其中有一个数字看似惊人，实则不然。

• Artificial Analysis Intelligence Index — 36，在被测量的模型中处于第 72.4 百分位

• GPQA Diamond — 92.8，接近该领域的最高水平

• Humanity's Last Exam — 41，MMLU-Pro 上为 41，数学指数为 62.51

• τ²-Bench — 96.20，IFBench 为 76.46，tau_banking 为 39.59

• 长上下文召回 — 80.33

• SciCode 和 Terminal-Bench — 在 Terminal-Bench 第二版上分别达到 51 和 78.65

一个36的综合指数与一个92.8的GPQA Diamond并列放在一起，读起来像矛盾，直到你注意到指数是什么。它是许多评估的汇总，而一个在少数评估中表现出色、在其他评估中仅算合格的模型，会在总和上排在中游，却在单项榜单上名列前茅。任何仅引用36来论证DeepSeek V4 Pro属于中端的人，都是在把平均值当作最大值来引用。任何仅引用92.8来论证它领先该领域的人，都是在把最大值当作平均值来引用。这两个数字都来自Artificial Analysis，而且都是真实的。

NV-Reason-CT 的记录没有这种混合，而这恰恰是它真正的问题所在。其在十八个标签上的 CT-RATE 数值——0.614 F1 和 0.871 AUROC，使用固定的统一阈值和直接的“是/否”提示，没有分类头，也没有针对特定任务的适配——来自 NVIDIA 自己的论文，别无他处。该论文中的对比集（VoxelFM 为 0.581，Pillar-0 为 0.544，ClinFusion-8B 为 0.442，CT-CLIP 为 0.398，Merlin 为 0.358，MedGemma 1.5 为 0.303）完全由其他影像模型组成。其中没有出现任何一个通用文本模型，也没有任何第三方复现过其中任何一个数字。

调度问题，已逐步解决

DeepSeek V4 Pro 的限时定价是这两款模型中最具操作可行性的部分，因此值得具体展开说明。

CT 项目现实中文本侧的工作量并不光鲜。它意味着从历史报告语料库中抽取结构化字段，以便有可用于训练的标签；大规模地将 DICOM 目录树转换为 NIfTI；编写并反复重写评估工具链；在四个数据集之间统一单位和术语；以及汇总队列。对于中型项目，可以说是一亿输入 token 和一千万输出 token，这是一个刻意取的整数，用来代表“大量文本工作”。

• 在翻倍的窗口期内 — 每百万 $1.32 和 $3.96，因此在那些用量上为 $132 加 $39.60

• 在这些窗口之外——每百万 0.66 美元和 1.98 美元，即 66 美元加 19.80 美元

• 差额——大约86美元，相当于非高峰时段账单的49%，仅仅是为了挪动一个本质上可批量处理的作业

• 缓存读取 — 每百万 $0.022，仅为输入费率的六十分之一，因此你在整个语料库中复用的任何提示前缀几乎都是免费的

这不是舍入误差，而且它之所以可用，是因为工作是异步的。报告提取不需要在14:00进行。DICOM转换任务根本不关心现在是什么时间。定价结构直接鼓励调度，而忽略这一点的流水线则要为随心所欲运行的特权支付49%的溢价。缓存读取之所以重要，也是出于同样的原因：一个共享的系统提示或固定的提取模式，在数千份报告中重复使用，其费用仅为输入费率的六十分之一。

NV-Reason-CT 没有对等的调节杠杆，因为它没有计量表。读取一次扫描的成本，等于你的 GPU 每小时成本除以你每小时能推进的扫描数量，而第二个数字是没人公布过的。如果单次检查耗时两秒，一块 L40S 就能轻松应对一个大型项目。如果耗时二十秒，硬件这笔账就完全变了。NVIDIA 在 H100 和 L40S 上做了测试，这只能告诉你卡属于哪个级别，而不是速率。

假定它们可以被替换的陷阱

这种对局容易引发的错误，比通常的范畴错误更微妙，因为它的某个版本在幻灯片上看起来还挺合理。

DeepSeek V4 Pro 可容纳 1,048,576 个 token，最多可输出 384,000 个 token。一个 CT 体数据，按照真正能正确读取它的模型的估算，只有 13,824 个 token。因此，一个拥有百万 token 窗口的文本模型，在那个 token 数下，能放得下七十多项 CT 检查。算术没错，但结论——你可以把 CT 数据喂给文本模型，从而省去影像基础设施——是错的，原因恰恰在于 13,824 这个数字当初为何会存在。

那个数字不是扫描的压缩摘要。它就是扫描本身：在 384 毫米的立方体上以 2 毫米各向同性分辨率采集，切成 8 x 8 x 8 个图像块，交给语言模型，没有空间下采样，也没有合并层。token 数量之所以高，恰恰是因为什么都没有被丢弃：让结节变得可测量的层间距，让纹理成为阈值而非形容词的密度值。文本模型不能把这些 token 当作体数据来摄取，文档也同样不能。它有预算。它没有接口。

论文自身的内部对比为这一差距给出了具体数字。MedGemma 1.5 在最多输入 85 个轴位切片——这是二维或切片堆叠式前端所能合理达到的最佳水平——时得分为 0.303 F1，而原生三维体数据模型为 0.614。这一差距正是三维编码器的价值所在，再大的上下文窗口也无法弥合。

反向替换因更简单的原因而不成立。NV-Reason-CT 支持胸部和腹部，接收的是 NIfTI 文件而不是提示词，不具备工具调用能力，而且其模型卡将其限制在研究和教育用途，并声明它不是医疗器械，输出可能不正确。它无法从报告中提取字段，也无法编写构建你的语料库的脚本。

我们适合何处，以及我们刻意不适合何处

DeepSeek V4 Pro 通过 OrcaRouter 提供服务，模型标识为 deepseek/deepseek-v4-pro，按提供商的挂牌价计费、零加价，并纳入一个覆盖 200 多个模型的单一 API 之中。这种直通式计费对按时段定价的模型来说比平时更为重要：当供应商调整费率或时段时，我们这边的费率当天就会同步变化，因为中间没有一层加价环节固守着旧数字。自动故障转移可应对提供商在批处理中途性能下降的情况，而对于长时间无人值守的抽取任务来说，这正是真正让你损失一整夜的故障模式；路由 DSL 还让你可以把单个请求发送给应当处理它的模型，而不是让所有请求都经过同一个端点。

NV-Reason-CT 不在我们的平台上。NVIDIA 的模型也都不在。该架构的 CT 一侧是你自己的硬件，搭配你自己下载的权重，我们不会写出让读者以为不是这样的句子。鉴于输入是源自患者的容积数据，且许可证是未附带任何托管服务的 OpenMDW-1.1，无论如何，本地执行才是该模型应有的运行方式。

配对实际上告诉了你什么

这两个模型并不相互竞争，比较它们的意义在于：它们以不同的方式失败。NV-Reason-CT 为你提供了一种开放领域中其他任何东西都不具备的能力——以检查的完整分辨率进行原生三维 CT 推理——同时要求你接受一项未纳入预算的每例检查成本、一个未公开的吞吐量，以及一份禁止临床部署的许可证。DeepSeek V4 Pro 为你提供了一个按量计费的引擎，它具有已公布的延迟、已公布的错误率、独立测量结果，以及一个只要瞄一眼时钟就能减半的价格，而它根本看不到扫描影像。

如果你是在自己造这套东西而不是买现成的，那么真正经得起实战考验的形态，往往是那种乏味的方案。把 CT 读取放在本地跑，做预算时靠实测而非照搬报价，并把围绕它的所有文本处理都安排去与非高峰窗口会合。唯一不该被任何人照抄的排期，就是那种因为在 UTC 02:00 批处理恰好就绪，于是在 UTC 02:00 跑一亿 token 抽取的排期。