国产模型正在涨价，美国模型却在降价。

上周，DeepSeek 预告 API 即将提价，" 预计涨幅较大 "。这周，Anthropic 取消了 Claude Sonnet 5 原定 50% 的涨价计划。

在更大的范围内，这一趋势同样存在。年内，智谱已经数次上调 API 价格，月之暗面推出新模型 Kimi-K3 后，也将旗舰 API 定价提高了 3 倍多。与此同时，OpenAI 却在主动扩大价格优势。上月底，GPT-5.6 Luna 的 API 调用价格下降了 80%，并通过多次重置付费用户额度，以及让 Luna 成为 ChatGPT 免费版默认模型、在文本聊天中无限量供应，进一步降低了订阅用户的实际成本。

两者表面上相反的趋势，反映出中国开源模型进入前沿领域，但更有意义的是 token 价值规律。Token 是智能服务的计量单位，却未必是智能价值的计量单位。AI 竞争正在从按智能消耗量计价的 "Token 经济学 "，进入以任务完成成本和最终价值重新配置智能资源的阶段。

从 Token 到任务

要理解这种看似相反的价格策略，首先需要换一个衡量尺度，不再看 Token 的价格，而要看完成一个任务究竟需要多少钱。

中国开源模型逼近前沿闭源模型的实际能力，正在成为这一变化的重要推动力。至少，这压缩了后者榨取高溢价的窗口期长度。在全球最大的模型聚合平台 OpenRouter 上，开源模型创造的 token 调用量，从年初的 1/3 提升至当前的 2/3。

2026/07/28 完整阅读 >

这种变化在任务级别的成本上看得更加清楚。目前，在 ARC-AGI-2 的基准下，7 月中旬发布的月之暗面的 Kimi-K3，在单任务成本为 1.59 美元情况下，取得了 60.4% 成绩；它是当时国内市场最强大的模型。更早发布的 OpenAI GPT-5.6-Luna 成绩接近，为 59.5%，但单任务成本已经降至 0.67 美元；随后，GPT-5.6-Luna-0730 在能力基本持平的情况下，又将这一成本进一步压低 80%，以 0.18 美元 / 任务取得 59.6% 的成绩。这意味着，同样的智能能力，正在出现完全不同的成本曲线，也由此创造了重新定价的空间。

如果 "Token价值规律 " 成立，那么价格就不应简单锚定Token消耗量，而应更多锚定单位智能的生产成本和最终任务价值。这也解释了为什么，模型厂商未必会继续把效率提升全部转化为更低的 Token 价格，其中一部分最终可能以更高的利润率、更大的用户规模，或者更高的任务价值体现出来。

DeepSeek 仍然没有公开它的 API 涨幅。如果仅以 ARC-AGI-2 上的单位任务成本作为参照，DeepSeek-V4-Flash-0731 与 GPT-5.6-Luna-0730 取得相近成绩，但单任务成本 0.042 美元，相差 4 倍多，确实留下了较大的价格调整空间。即使价格提高 3 倍至 0.12 美元 / 任务，其单位任务成本仍明显低于降价后的 Luna-0730。

从价格到价值捕获

不过，现实会略微复杂一点。在部分模型的现有价格区间内，用户需求已经表现出较低的价格弹性。在一份意外流出的内部纪要中，DeepSeek 创始人梁文锋曾谈到公司的价格策略。在当时的价格区间内，即使价格再提高一倍，Token 消耗量也不会明显下降；反过来，继续降价，需求也不会明显增加。事实上，据报道，在 Kimi-K3 发布后，作为国内竞争对手的智谱，其 API 用户的增长几乎没有受到影响，ARR 增速也没有放缓。

当模型已经足够好用后，不同的模型厂商，因此正在采取不同的价值捕获方式，这也决定了它们不同的推理利润率。

Anthropic 走的是高价值任务路线，强调智能价值的密度。它在编码领域具备先发优势，并率先利用 Harness 放大了模型能力，开始向其他如金融、医疗与法律等高价值的知识工作领域扩展。只要 AI 替用户创造的价值足够高，模型与 Harness 本身更高的价格，就未必构成决定性障碍。

但这样的高价值场景并非企业 AI 的全部，甚至也不是美国市场以外的全部。在相当多的场景下，模型已经是可以被替换的选项；市场也在选择用更具性价比的第三方 Harness 替换官方 Harness。而它的 Haiku 在开源模型的冲击下，也越来越难以维持原有的产品迭代节奏，如今，轮到 Sonnet 开始通过取消原定涨价计划，以 " 变相降价 " 的方式应对价格压力。它能守住 Opus 的价格线吗？

OpenAI 则拥有另一种优势，强调智能价值的广度。在迅速跟进企业市场的同时，它仍然没有放弃最庞大的消费用户，旗下产品月活已经超过 10 亿。通过免费层和低价策略，OpenAI 实际上是在用模型能力补贴用户规模；如果消费 AI 进入新的增长阶段，这些用户、入口和使用习惯最终可能转化为更大的平台价值。

对 OpenAI 而言，单位 Token 的利润并不是唯一的价值来源，用户规模本身就是资产。这也是为什么，同样面对模型能力快速商品化，OpenAI 并不一定需要通过提高 API 价格来最大化短期利润。面对开源模型争夺更广泛的用户，OpenAI 并不紧张，它的用户规模、用户增速仍然领先。

DeepSeek 的路径则有所不同。它多次强调，并不把利润最大化作为目标，只要 " 十个月收回设备成本 "，就已经是足够合理的利润。它认为自己的价格优势在于模型与算力基础设施的协同优势，部署同样的模型，算力成本会更低，利润率也会越高。而且，更低的成本本身不是提高模型效率的目的，而是与 AGI 愿景有关。这样才能在算力有限的情况下训练与部署更大的模型。

算力从成本到供给

或许，这也是理解 DeepSeek 此次涨价的关键。如果它对于不将利润最大化作为目标的承诺仍然有效，那么，这次涨价更可能不是简单追求更高的利润，而是让价格重新发挥资源配置功能。

算力仍然是 DeepSeek 面临的挑战之一。V4-Flash-0731 的发布重现了 R1 时期的盛况，开发者大量涌入。上个月，DeepSeek 已经采取峰谷定价机制，但目前来看，这种方式依然难以全面平衡服务成本与负载压力。提高价格，可能筛掉一部分低刚性、低支付意愿的调用，让有限的算力更多流向真正依赖 AI 完成工作的用户。

这种算力约束并非 DeepSeek 独有。Kimi-K3 发布仅数日后，由于需求超过计算能力，Moonshot 一度暂停新的 Kimi 订阅，将有限容量优先留给现有付费用户。模型厂商真正面临的，已经不只是 " 有没有用户 "，而是 " 有限的智能供给应该给谁 "。这也解释了为什么，智谱与 DeepSeek 都在建设 GW 级算力基础设施。

2026/07/22 完整阅读 >

算力供给本身，正在重新成为模型定价的重要变量。只不过，早期算力首先是一个成本变量；如今，算力越来越同时成为一个供给变量。于是，算力从一个单纯的 " 成本约束 "，开始变成一种 " 资源配置能力 " ——可以把算力优先配置给高任务价值的用户。

在 AI 发展的早期，GPU、HBM、数据中心、电力等基础设施成本高企，模型厂商首先需要解决的是 " 智能太贵 " 的问题。Token 价格在很大程度上反映的是算力成本，模型厂商必须通过 Token 价格把高昂的推理成本传导给用户。这在现在仍然是重要因素。

不过，现在，即使随着推理效率提升、芯片性能增长和算力基础设施持续扩张，算力成本下降本身已经不再必然意味着 Token 价格同步下降。当算力不足时，价格不仅承担回收成本和获取利润的功能，也承担筛选需求、配置稀缺智能的功能；当算力供给持续扩大时，模型厂商也因此获得更多价值捕获和资源配置的选择空间。这既可以表现为更高的利润率，也可以表现为更广泛的应用场景，还可以表现为更低的价格和更大的用户规模。

因此，国产模型涨价、美国模型降价的分化未必会永久持续。随着国产模型能力继续提升、算力供给持续扩大，今天的价格差异可能重新收敛，但也未必意味着所有模型都会重新进入价格战。

真正可能持续的，并不是某一地区模型 " 更贵 " 或 " 更便宜 "，而是模型厂商越来越不会简单按照 Token 成本给智能定价，而是基于各自不同的禀赋、战略和对用户价值的不同理解，做出不同的价值主张。这才是 AI 走向成熟的关键。