1. 首頁
  2. AI應用

DeepSeek V4-Pro 值得用嗎？我算完每題成本，它不再是最便宜的

  • 更新日期：2026-08-20 15:32:46
  • 瀏覽數：5
目錄

💡 核心結論速覽 (TL;DR)

  • DeepSeek V4-Pro 正式版：8/13 GA，脈絡 1M、最長輸出 384K，思考強度三檔，MIT 授權可商用。
  • 實力位置：第三方綜合分 53，開源同級第 3，落後 Claude Opus 5 的 63。
  • 最反直覺的一格：只比自家 V4-Flash 高 1 分，每題成本卻是 2.3 倍（$0.25 對 $0.11）。
  • 我的建議：長文件與程式碼審查留給它，其餘用 Flash；網頁版仍免費，不急著換。

「DeepSeek 又漲價了，那它到底還值不值得用？」這大概是最近我被問最多次的一句話。

先給答案：DeepSeek V4-Pro 值得用，但很可能不該是你預設打開的那一個。因為把第三方實測的「每題成本」排出來之後會發現，它已經不是最便宜的選項了——甚至連 DeepSeek 自家的 V4-Flash 都比它划算。

我每天用 AI 的時間超過 10 小時，同時養著好幾家的訂閱和 API key。這種用法久了會養成一個習慣：新模型出來的第一件事不是看官方發表會有多熱血，而是去翻獨立第三方的數字。原因很簡單——官方永遠會挑自己贏的那幾格給你看，這不是誰壞心，這是所有廠商的本能。

那這次官方挑了哪幾格？第三方又看到什麼？兩邊差距為什麼那麼大？往下看之前，先做個心理準備：這篇會顛覆一個你可能已經相信很久的前提——「DeepSeek＝最便宜」。

DeepSeek V4-Pro 正式版到底改了什麼？四個數字先講完

DeepSeek V4-Pro 正式版（權重版本 DeepSeek-V4-Pro-0813）在 2026 年 8 月 13 日結束預覽、正式 GA，同一天在 App、網頁版和 API 三邊同步鋪開。從四月的 Preview 到現在，等了將近四個月。

官方更新紀錄裡真正值得記住的只有四個數字：

  • ❶ 脈絡 1M token：大約等於 1,500 頁 A4。整份合約、整個專案的程式碼庫，可以一次丟進去。
  • ❷ 最長輸出 384K token：官方建議在 high／max 思考強度下才吃得到這個上限。
  • ❸ 思考強度三檔：low／high／max。這是這次對一般使用者影響最直接的改動，後面我會單獨拿一段講怎麼選。
  • ❹ 原生支援 Responses API 格式：講白話就是，原本接 OpenAI 那套的工具鏈可以少改很多程式碼直接轉過來。

有一個細節藏在官方模型卡裡，但幾乎沒被報導：這一版是建在 Preview 架構上，內建 DSpark 投機解碼模組。

如果你好奇「為什麼同樣一台模型可以突然快這麼多」，我把投機解碼這件事拆成白話講過一次，那篇會補完這裡沒展開的技術脈絡。

值得先講清楚的是：V4-Pro 是純文字模型，不吃圖片輸入。如果你手邊的工作常常要丟截圖、掃描檔或圖表進去問，這一條就直接把它排除掉了，後面的分數再漂亮都沒用。

👉 查看 DeepSeek 官方更新紀錄（想確認自己接的模型 ID 有沒有變動，這頁是唯一準的）

DeepSeek 官方 benchmark 拿 87.9 分，第三方只給 53——誰的數字才算數？

兩邊都算數，因為它們量的根本不是同一件事。

  • 官方列的是「單項 agent 測驗」：Terminal-Bench 2.1 拿 87.9、NL2Repo 61.5、Cybergym 83.3、DeepSWE 62.7。這些數字很漂亮，而且是真的——但它們全部集中在「讓 AI 自己開終端機、跑指令、改程式碼」這一類任務上。
  • 第三方 Artificial Analysis 給的是「綜合指數」：把九種評測混在一起加權，涵蓋真實工作任務、銀行業工具呼叫、終端機操作、科學程式碼、博士級科學推理、物理推理、知識可靠度、長文脈絡推理。得分 53。

你看出問題了嗎？官方挑的那四項，剛好全都落在綜合指數裡「終端機操作」那一格附近。官方沒有說謊，官方只是把鏡頭對準自己最好看的角度。

我自己在 PM 位子上看過太多次這種事——產品要發表，數據團隊被要求「找出我們贏的那個指標」。這不是造假，但如果你只看發表會就下單，你買到的會是那個角度，不是整台產品。

我判斷新模型的順序，固定是這三步

❶ 先看官方列了哪些測驗——重點不是分數多高，而是他們選了哪幾項。沒被列出來的那些，通常就是弱項。

❷ 再找一個獨立第三方的綜合分——確認這台模型在「不是它主場」的題目上撐不撐得住。

❸ 最後才看價格——而且看的是每題成本，不是每百萬 token 單價。這一條後面會解釋為什麼。

這套讀法不是只對 DeepSeek 有效。GLM-5.3 宣稱贏過 Claude 的那則新聞，我拆開看發現它贏的那個模型你根本買不到——同一個陷阱，換一個廠牌而已。

DeepSeek V4-Pro 的 53 分是好是壞？同一個分數能說成第 3 名，也能說成第 9 名

DeepSeek V4-Pro 的 53 分，在 Artificial Analysis 的同級分類（開源、大型模型，共 107 個）裡排第 3 名。但把當前幾台主流旗艦放進同一張表比，它排到第 9，落後 Claude Opus 5 整整 10 分。

兩種說法都是真的。差別只在你拿誰當比較基準——而廠商的新聞稿，永遠會挑那個讓自己名次最前面的分母。

這裡要講清楚一件事，因為很多人會被這種排名搞混：Artificial Analysis 的「第 3 名」是分組排名，開源模型只跟同尺寸的開源模型比，封閉模型根本不在同一組。所以「開源第 3」和「贏過 Claude、GPT」完全是兩件事。

下面這張表是同一套方法論、同一天撈下來的數字。我把智力分數和每題成本放在一起，因為只看任何一欄都會做出錯的決定：

模型 智力分數 每題成本
Claude Opus 563$2.34
Claude Fable 562$3.14
GPT-5.6 Sol61$1.23
Grok 4.661$0.84
Kimi K360$0.84
GLM-5.360$0.68
Muse Spark 1.257$0.40
Gemini 3.7 Flash56$0.40
DeepSeek V4-Pro 081353$0.25
GPT-5.6 Luna52$0.05
Nemotron 3 Ultra38$0.38

資料來源：Artificial Analysis Intelligence Index v4.1.1，全部取最高思考強度（max）設定，每題成本單位為美元。

速度再補一筆：V4-Pro 每秒輸出 80.3 個 token，在這群裡屬中段班。同一份實測裡最快的 Gemini 3.7 Flash 是 365，最慢的 Kimi K3 只有 39。

先講一個容易被忽略的正面事實：同級開源模型的分數中位數只有 27，DeepSeek V4-Pro 的 53 分是實打實地把中位數甩開一倍。它不是弱，它只是不再是那個「用零頭價格追平旗艦」的傳奇。

但看到倒數第二行了嗎？那一行才是這篇文章真正想讓你看到的東西。

漲價後 DeepSeek 還是最便宜的嗎？每題成本才是真正的帳單

DeepSeek V4-Pro 每完成一道題平均花 $0.25，GPT-5.6 Luna 只要 $0.05——而兩者的智力分數差距只有 1 分（53 比 52）。換句話說，同樣的活，DeepSeek 現在收你 5 倍的錢。

我第一次把這兩行放在一起看的時候，其實愣了幾秒。因為「DeepSeek＝便宜」這件事，已經被講成一種常識了。

那為什麼大家沒發現？因為絕大多數的比價文比的是「每百萬 token 單價」，不是「每題成本」。而這兩件事在推理模型時代已經徹底脫鉤了。

同樣兩台模型，換一個算法就得出完全不同的差距：

  • 看掛牌單價：V4-Pro 輸出價 $3.96／百萬 token，GPT-5.6 Luna 是 $1.20——差 3.3 倍。
  • 看每題成本：$0.25 對 $0.05——差 5 倍。同一組模型，只是換個算法，差距就從 3.3 倍拉開到 5 倍。

差別在思考量。推理模型在回答之前會先「想」，而想出來的每一個 token 你都要付錢。

同一道題，A 模型想 3,000 字就收工，B 模型想 12,000 字才收工——就算 B 的單價比較低，帳單還是可能翻好幾倍。Artificial Analysis 自己就把 V4-Pro 標註成「偏囉嗦」的那一群：跑完整套指數用掉 1.3 億個輸出 token，中位數是 1 億。

所以我看到「性能逼近某某旗艦，價格只有它的 2%」這種標題會先皺眉。用每題成本重算，V4-Pro 對上 Claude Fable 5 是 $0.25 對 $3.14，大約 8%，不是 2%。倍數這種東西，換一個分母就能講出完全不同的故事。

我在拆 DeepSeek 這次漲價的六格價目表時就踩過同一個坑——媒體喊的「最高漲 1,100%」是真的，但那一格本來只要 0.36 美分。Claude 那次也是，官方說取消漲價，我重算完發現 Opus 的帳單反而多三成。

算 AI 帳單前先問自己的三個問題

❶ 我在比的是單價還是每題成本？單價低但話多的模型，最後可能更貴。

❷ 這個倍數的分母是哪一格？快取命中價漲 12 倍，跟輸出價漲 12 倍，痛感差了兩個數量級。

❸ 我的任務跑在尖峰還是離峰？DeepSeek 現在離峰價是尖峰的一半，批次任務挪個時段就能砍半。

👉 查看 DeepSeek 官方即時價目表（尖峰離峰時段是用 UTC 標的，要自己換算時區）

最反直覺的一格：V4-Pro 只比自家 Flash 多 1 分，帳單卻是 2.3 倍

DeepSeek V4-Flash 的智力分數是 52，只比 V4-Pro 的 53 少 1 分，每題成本卻只要 $0.11——不到 Pro 的一半。而且它還比 Pro 快 57%。

這一段是整篇文章我最想讓你帶走的部分。因為它不需要你換廠牌、不需要重寫任何程式碼，只要把模型 ID 改一個字，帳單就砍掉一半以上。

比較項目 V4-Pro（0813） V4-Flash（0731）
智力分數5352
每題成本$0.25$0.11
輸出速度80.3 tokens／秒126.3 tokens／秒
輸入／輸出單價$1.32／$3.96$0.44／$1.32
總參數量約 1.7 兆2,840 億
脈絡長度1M token1M token

單價取自 DeepSeek 官方價目表（尖峰時段），V4-Pro 參數量取自官方模型卡；分數、每題成本、速度與 V4-Flash 參數量取自 Artificial Analysis 同一套實測，皆為 max 思考強度。

那什麼時候才真的需要 Pro？我自己的分界線是這樣：只有當任務會「一路做下去、中間不能斷」的時候，那 1 分才有意義。

  • ✅ 這種時候值得付 Pro 的錢：讓 AI 自己開終端機、跑測試、看到報錯再回頭改。這種長鏈條任務裡，每一步的錯誤都會被下一步放大，起始正確率高一點點，最後的完成率就差很多——官方那組 agent 測驗成績漂亮，就是漂亮在這裡。
  • ❌ 這種時候多付的都是浪費：翻譯、摘要、寫文案、回信、整理會議記錄。這些都是一次性、單步、錯了你自己看得出來的任務，給 Flash 做你根本感覺不到那 1 分的差別，卻能省下一半以上的錢。

老實說我自己也吃過這個虧。剛開始接 API 的時候，我有種「反正就用最強的那個」的懶惰心態，直到某個月帳單跳出來，才認真去對每一支腳本到底在跑什麼。

結果一看——超過八成的呼叫量都是在做格式轉換和摘要這種瑣事，全部都是拿高階模型在殺雞。後來我把工作流拆成兩層，重活給旗艦、雜活給輕量模型，成本立刻降下來，品質完全沒差。

👉 查看 V4-Flash 完整實測數據（想自己複核每題成本的話，這頁有逐項拆解）

DeepSeek 思考強度 low／high／max 怎麼選？我的三條判斷規則

DeepSeek V4-Pro 這次把思考強度拆成 low、high、max 三檔，可以在呼叫時用 reasoning_effort 指定。檔位越高，模型想得越久、花的 token 越多、你付的錢也越多——所以這不是「選最高的就對了」的設定。

先講一個很多人不知道的連動關係：官方建議的 384K 最長輸出，只有在 high 或 max 這兩檔才吃得到。如果你調成 low 又期待它吐出超長報告，那是設定打架，不是模型爛。

我自己的選法是三條規則：

  • ❶ 答案能不能一眼看出對錯？能 → 用 low。翻譯、改寫、抓錯字、格式轉換、分類標籤，這些你掃一眼就知道有沒有做對，讓它多想是純粹浪費錢。
  • ❷ 錯了要花我 10 分鐘以上才查得出來？→ 用 high。資料比對、跨文件交叉檢查、多步驟計算，這種錯誤會藏起來，值得讓它多想一下。
  • ❸ 這件事會被下一步接著用？→ 用 max。長鏈條的 agent 任務、要寫進正式文件的推導、會被別人拿去當決策依據的分析。這裡省下來的錢，之後會用時間加倍還回去。

這個「思考強度」的概念其實已經變成新一代模型的共通設計，不是 DeepSeek 獨有的。Gemini 3.7 Flash 換版時我就發現，thinking level 沒調好反而會讓原本正常的流程壞掉——同一套邏輯，值得一起看。

順帶提醒一個容易踩的雷：如果你是透過第三方平台在用 DeepSeek，思考強度很可能被平台鎖死或預設在某一檔，你在自己這邊怎麼調都沒有用。要確認的話得去該平台的模型設定頁看，不是看 DeepSeek 官方文件。

我會把哪些任務丟給 DeepSeek，哪些一定不丟

DeepSeek V4-Pro 最值得用的兩個場景是超長文件處理和程式碼／資安審查，最不該用的是需要讀圖、需要最高正確率、以及會碰到敏感資料的任務。

先說我真的會丟給它的：

  • ✅ 一次要吞完整份長文件的活。1M 脈絡不是噱頭，整份規格書、整個資料夾的會議記錄丟進去一次問完，比切成 20 段各問一次省事太多，也不會出現前後對不起來的鬼打牆。
  • ✅ 程式碼審查與資安相關的檢查。官方那組 agent 測驗裡分數最突出的就是這一塊（Cybergym 83.3、Terminal-Bench 87.9），而且這類任務有個好處——結論可以被驗證，你不用相信它，你可以去跑跑看。
  • ✅ 大量、重複、可以批次跑的雜活。尤其挪到離峰時段，價格直接對半砍。

再說我不會丟的：

  • ❌ 任何要看圖的任務。V4-Pro 不吃圖片輸入，沒有例外。
  • ❌ 會用到公司內部資料、客戶名單、未公開財務數字的事。這跟模型強不強無關，是資料要跨境到哪裡的問題，下一段會講清楚。
  • ❌ 要直接對外、不會再有人看第二遍的產出。53 分和 63 分的差距，在這種「錯了就見報」的場合是省不得的。

我踩過最深的一個坑，其實不是選錯模型，是選對模型但忘了它會換。

我曾經把一支跑很久的自動化腳本綁死在某個模型 ID 上，結果那個端點被官方退場，腳本整條靜靜地掛掉，我卻是好幾天後才發現——因為它失敗得太安靜了。

DeepSeek 今年就退過 deepseek-chat 和 deepseek-reasoner 這兩個舊端點。如果你有任何長期在跑的自動化，現在就去確認它綁的是哪個模型 ID。

如果你的自動化是接在免費額度上跑的，那還有另一層要注意——我對過一輪各家的免費 AI API 額度，會先撞到的那道牆通常不是 API 本身。

只用免費網頁版和 App 的人，這次有被影響嗎？

沒有被漲到，但你手上那台模型已經換了。這次調價的範圍只涵蓋 API，DeepSeek 網頁版與 App 目前維持免費；不過 V4-Pro 正式版是 App、網頁、API 三邊同步鋪開的，所以你現在在對話框裡講話的對象，已經是這一版了。

這代表什麼？代表你不用付錢，但你會直接感受到這版的個性變化——回答變得比較長、比較愛先鋪陳推理過程。如果你最近覺得「它怎麼變囉嗦了」，那不是錯覺，Artificial Analysis 的實測也把它標成偏囉嗦的那一群。

還有一個很多人搞錯的狀況：你以為自己沒在用 API，其實你在用。常見的幾種情形——

  • 你在某個自動化工具（像是流程串接平台）裡填過 DeepSeek 的 API key
  • 你用的第三方聊天客戶端，背後接的是 API 不是官方網頁
  • 你在寫程式的編輯器裡把模型切成 DeepSeek
  • 你透過模型路由平台在呼叫，只是介面看起來像聊天室

這幾種都會照 API 價目表計費。要確認的話，最快的方式是去 DeepSeek 後台看用量頁面有沒有數字在跳。尖峰離峰時段換算成台北時間之後剛好卡住整個上班時段，我把六格價目表逐格算過一次，要精算帳單的話那篇有完整的數字。

至於「免費還能撐多久」——官方公告只講了 API，沒提網頁版。但沒提到不等於保證永遠免費，這點我覺得誠實講比較好。想知道免費版現在到底能做到哪些事、限制卡在哪，我另外整理過一份把免費版功能與限制攤開講的完整教學。

DeepSeek V4-Pro 開源可商用，自己架一台划算嗎？

對絕大多數人和公司來說，不划算。授權確實漂亮——MIT 授權，可商用、可修改、可再散布，權重也真的完整放在 Hugging Face 上讓你下載。問題出在你要拿什麼機器去跑它。

官方模型卡標示的總參數量約 1.7 兆。Artificial Analysis 的規格頁則標它是 MoE 架構，推論時實際啟用約 490 億參數。第二個數字聽起來友善很多，但別被騙了——MoE 只是「每次算的時候只叫醒一部分專家」，那 1.7 兆的權重你還是得整份載進記憶體裡等著被叫。

換成白話：這不是「買張好顯卡就能跑」的等級，是要一整櫃機器的等級。我算過 Kimi K3 那顆 2.8 兆參數模型的自架成本，結論是絕大多數人連硬體門票都買不起，DeepSeek 這顆是同一個量級的問題。

那開源到底有什麼意義？我認為有三個，而且都不是「你自己架」：

  • ❶ 供應商多了、價格被壓住。權重公開之後，各家推論平台都能上架同一顆模型互相殺價，你不必被單一官方 API 綁死。
  • ❷ 資料落地的選項出現了。對有合規要求的組織來說，「可以在自己控制的環境裡跑」這件事本身就有價值，即使成本高。
  • ❸ 小規模驗證變便宜了。想先確認這顆模型適不適合你的場景，可以用本地執行工具或模型路由平台先小量跑，不用一開始就簽長約。

順帶提醒：「開源」這兩個字在 AI 圈的定義非常鬆。有的廠商放出來的是閹割版，有的只放權重不放訓練細節，有的授權條款藏著商用限制。Qwen 那次號稱開源，我去看才發現放出來的那版沒有視覺能力、脈絡也只剩 256K。DeepSeek 這次的 MIT 授權算是業界裡最乾淨的一種，這點該給它掌聲。

在台灣用 DeepSeek 之前，先確認你是哪一種身分

台灣對 DeepSeek 的限制範圍常被誤傳。數位發展部資通安全署的新聞稿標題就寫得很清楚：公務機關全面禁用 DeepSeek AI 服務，但未限制一般民間使用。

所以先對號入座，這決定了你要不要往下讀：

  • 公務機關、公立學校、公營事業、行政法人：全面禁用，包含雲端服務、App 和地端下載三種形式。依據是 2019 年起施行的「各機關對危害國家資通安全產品限制使用原則」。公立大學與研究機構若研究上真的需要，要另行報准核可。
  • 一般民間企業：法規沒禁，但要不要用是你自己的風險決策。我的建議是別在「能不能用」上糾結，直接跳到「哪些資料不准餵」——這比全面禁止務實得多。
  • 個人使用者：完全沒有限制。真正該留意的是你打進對話框的東西會跨境傳輸，而且可能被用於訓練。

我在整理公司 AI 使用規範範本的時候發現一件很反直覺的事：全面禁止的公司，資料外洩率反而最高。因為員工還是會用，只是改用手機、改用私人帳號，公司就徹底失去可見度了。分層授權比一刀切有效，這是我看過最多次被驗證的一條。

如果你想把風險壓低但又不想放棄工具，最務實的做法是先去把訓練開關關掉——各家的隱私設定路徑我對照過一輪，關掉之後資料還會留多久也一併查了。至於「中國開源模型到底能不能用」這個更大的辯論，我也單獨寫過一篇談中國模型在資安項目上追上來這件事該怎麼看。

FAQ 常見問題

DeepSeek V4-Pro 和 V4-Flash 我該選哪一個？

如果你的任務是單步完成、答案對錯一眼看得出來（翻譯、摘要、寫文案、分類），選 V4-Flash：智力分數只差 1 分，每題成本卻只要一半不到，速度還快 57%。

只有在需要 AI 連續執行多個步驟、中途不能出錯的長鏈條任務上，V4-Pro 那 1 分才會被放大成有意義的完成率差距。我自己的預設是 Flash，遇到 agent 型任務才切 Pro。

DeepSeek 漲價之後，還是所有 AI 裡最便宜的嗎？

不是了。用第三方 Artificial Analysis 的每題成本來看，DeepSeek V4-Pro 是 $0.25，GPT-5.6 Luna 只要 $0.05，而兩者的綜合智力分數只差 1 分。

單看「每百萬 token 單價」DeepSeek 仍然不算貴，但推理模型會先思考再回答，思考的 token 也要計費——所以真正決定帳單的是每題成本，不是掛牌單價。

為什麼我覺得 DeepSeek 最近變笨或變囉嗦了？

「變笨」目前沒有可驗證的測量支持，但「變囉嗦」有：Artificial Analysis 實測 V4-Pro 跑完整套評測用掉 1.3 億個輸出 token，高於同級中位數的 1 億，被標註為偏冗長。

而且 App 與網頁版已經在 8 月 13 日換成 V4-Pro 正式版，你感覺到的風格轉變，背後有實際的版本更替。如果嫌它話多，把思考強度調到 low 會明顯改善。

公司要導入 DeepSeek，最該先確認什麼？

先確認三件事，順序不能顛倒：

  • ❶ 你的組織屬不屬於公務機關體系——屬於就是全面禁用，沒有討論空間。
  • ❷ 哪些類別的資料絕對不准進對話框——把它寫成清單，而不是寫成原則。
  • ❸ 你打算走官方 API、第三方平台還是自架——這三條路的資料落點完全不同。

第三點最常被跳過，但它其實是整個合規判斷的根。

我接了自動化流程在跑 DeepSeek，這次改版要注意什麼？

三件事。第一，確認你綁的模型 ID 還活著——DeepSeek 今年已經退場過 deepseek-chat 和 deepseek-reasoner 兩個舊端點，被退場的呼叫會直接報錯。

第二，確認你的思考強度設定，如果是透過第三方平台呼叫，這個參數可能被平台鎖死。第三，尖峰離峰計價已經生效，離峰價是尖峰的一半，能挪時段的批次任務挪一下就能省一半，而且不用改任何程式邏輯。

排行榜每個月都在換，你手上的任務不會

寫完這篇我最大的感受是：模型排行榜這種東西，你追不完的。

四月 V4 預覽版剛出的時候，第三方評測 Vals AI 把它放在開源模型第 2 名，只以 0.07% 的差距落後當時的對手。到了 8 月的正式版，同一個家族放進本文那張旗艦對照表就掉到第 9。

中間 DeepSeek 什麼都沒做錯，只是別人也在跑而已。

所以與其記住「現在誰最強」，不如記住怎麼判斷。

這篇如果只能帶走一句話，我希望是這句：先看你的任務長什麼樣，再回頭挑模型；而不是先愛上一個模型，再想辦法說服自己它適合你的任務。

具體來說，下次有新模型上線時，你可以照這個順序走一遍：

  • ❶ 官方列了哪些測驗？看它避開了什麼，比看它贏了什麼更有訊息量。
  • ❷ 第三方綜合分多少？確認它在非主場題目上撐不撐得住。
  • ❸ 每題成本是多少？不是每百萬 token 單價，是每題成本。
  • ❹ 同一家有沒有更便宜的次階版本？這次的 V4-Flash 就是最好的例子——差 1 分，省一半。

這四步我每次都會跑一遍，花不到十分鐘，但省下來的錢和時間非常實在。如果你想看我把這套方法套在其他幾家旗艦上的完整結果，我把當期幾個主流模型攤開比過一次，最強的那個未必是你該選的；想要更全面的工具地圖，我也照「你想解決什麼問題」把整套 AI 工具重新分類整理過。

如果這種「把官方說法拆開重算一次」的內容對你有用，歡迎訂閱夜羽凌的部落格，會不定期收到信。每次有新模型或新價目表出來，我大概都會忍不住再算一次。

參考資料

 

延伸閱讀