本文来自微信公众号： 未尽研究 ，作者：未尽研究
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。
前沿AI商品化，如临“死亡之谷”
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。
AI竞争，内卷参数3万亿，外拼算力GW级
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。