人工智慧（AI）模型市场的价格战正在出现新变化。过去两年，大模型竞争几乎围绕「能力提升、价格下降」展开，但近期各家业者的定价策略开始分化：DeepSeek调高API价格，Kimi K3以较高价格切入长程程式设计与复杂知识工作；另一方面，OpenAI却大幅下调部分模型价格，甚至让部分模型承担低成本、高吞吐量的执行工作。

分析指出，这显示大模型究竟「变便宜还是变贵」，已经不能只看每百万Token的单价。

随着AI 代理开始承接更长、更复杂的任务，真正影响企业成本的，逐渐从模型价格转向一项任务需要多少次模型调用、多少上下文，以及多少推理与重试成本。

DeepSeek大幅调价，低价策略开始松动

DeepSeek近期正式调整API价格，以V4 Pro为例，每百万Token的快取未命中输入价格，从原本3元调高至高峰时段9元、空闲时段4.5元；输出价格则由6元上调至高峰时段27元、空闲时段13.5元。

V4 Flash也同步调价，并首次加入高峰与空闲时段的差别定价。

此次调整最受瞩目的，是V4 Pro在高峰时段的输出价格已达原价4.5倍，快取命中输入价格更达原价12倍。DeepSeek过去凭借「价格屠夫」形象建立市场知名度，如今大幅调价后，其价格优势已不如过去明显。

不过，DeepSeek的价格即使经过调整，与部分美国尖端模型相比仍存在价差。这也让此次调价更像是对既有使用规模与客户价格敏感度的一次测试。

另一家中国模型业者月之暗面近期推出Kimi K3，则采取不同策略。K3主要面向长程程式设计、代理以及复杂知识工作，每百万Token普通输入价格为20元，输出价格达100元。

这个价格明显高于多数中国国产开放模型，却不是对一款既有低价产品突然涨价。

从DeepSeek调高既有服务价格，到Kimi K3以较高价格切入市场，中国模型业者过去依靠低价建立的市场形象正在出现变化。

OpenAI反向降价，Luna成为低成本执行层

与此同时，OpenAI则走向相反方向。

7月30日，OpenAI将GPT-5.6 Luna的API价格下调80%，Terra则降价20%；ChatGPT Work与Codex使用这两款模型所消耗的额度也同步降低。Sol的标准价格则维持不变，但针对低延迟需求的Fast模式，改以标准价格的2倍计费。

这种看似矛盾的定价策略，其实反映出模型在AI工作流中的角色正在分化。

OpenAI在模型分工上给出了一个程式设计任务的例子：Sol负责理解问题、处理不确定性并制定方案，Luna则负责执行已经确定的修改、撰写测试、执行测试与检查结果。

换言之，Sol负责决定「怎么做」，Luna则负责大量执行「已经决定要做什么」。

两者在一次任务中的使用频率与价值并不相同。高阶模型可能只需要少数几次调用，就能决定整个任务的方向；低阶模型则可能在后台连续执行数十次，因此模型成本会直接影响代理能否大规模运作。

在这种架构下，Luna不只是较便宜的模型，也可能成为OpenAI承接大规模代理工作负载的执行层。

价格下降后，原本因成本过高而无法执行的任务，可能变得具备经济效益；已经运作中的代理，也能增加测试、检查与重试次数。

因此，OpenAI有理由压低Luna的价格。只要更多工作负载留在Codex与OpenAI API内，部分高价值步骤仍可能升级至Terra或Sol。低价模型负责承接大量任务，高阶模型则在关键环节保留更高的价格。

AI 代理正在改变模型成本计算方式

这背后更大的变化，是AI 代理正在改变模型的使用方式。

传统聊天产品通常是一问一答；但代理接到一项任务后，可能需要先读取文件与历史纪录，再制定计划、呼叫工具、执行操作、检查结果。如果过程中出错，还可能重新读取上下文、修改方案并再次执行。

因此，一个使用者指令，可能转化成数十次甚至上百次模型调用。这使「每百万Token多少钱」已经不足以衡量一项AI工作的实际成本。

企业真正需要关注的，是完成一项任务需要多少Token、多少次模型调用、多少上下文，以及模型失败后需要多少次重试与人工介入。

微软研究团队在2026年针对8款推理模型进行评估时发现，在21.8%的两两模型比较中，标价较低的模型最终总成本反而更高，最大差距达28倍。主要原因在于，不同模型为完成同一问题所消耗的思考Token可能存在巨大差异。

McKinsey的内部使用经验也显示，同一项代理程式设计任务的成本可能相差30倍，且约10%的使用者消耗了65%的Token。因此，该机构开始利用模型路由，将较昂贵的模型留给困难工作，日常任务则交给旧模型或小模型。

这代表模型价格下降，未必代表企业整体AI支出同步下降。

Token价格下降，AI使用量却可能快速增加

如果单位Token价格持续下降，企业就有更大的预算空间使用AI，而更低的成本又会促使更多任务交给代理处理。

于是便出现一个看似矛盾的现象：模型本身越来越便宜，但每个使用者消耗的「智慧」却可能持续增加。

OECD统计显示，2024年1月至2026年4月，经品质调整后的文字模型价格下降近80%。如今，一些小型模型已经可以用远低于一年前旗舰模型的成本，提供相近的能力。

但另一方面，代理承接的任务也越来越长，执行步骤更多，还需要额外进行检查、重试与工具调用。

Epoch AI估计，全球推理供应能力每年增加超过3倍，但部分需求指标可能接近每年增加10倍。长上下文代理尤其可能率先面临容量限制。

这也可能促使市场形成更明显的模型分工：普通工作持续转向更小、更便宜的模型；愿意为最尖端能力付费的使用者，则可能需要承担更高价格。

OpenAI目前的价格结构，正呈现这种分化。

Luna与Terra负责低成本、高吞吐量的工作，Sol保留更高的能力溢价，而Fast模式收取标准价格2倍，则反映「即时算力」这一种稀缺资源。

当使用者要求模型立即完成任务时，服务商需要提供更高的即时处理能力，无法单纯依靠排队与批次处理降低成本。

因此，模型市场开始出现与云端运算甚至电力市场类似的价格结构：基础负载越来越便宜，但高峰容量、优先处理与低延迟服务仍可以收取溢价。

DeepSeek调价，真正测试的是「定价权」

分析指出，从这个角度看，DeepSeek近期调价的意义，也不只是单纯提高API收入。

DeepSeek过去透过低价快速扩大模型使用规模，让开发者与企业建立模型接入、微调、工具适配等生态。

一旦使用者已经将模型嵌入既有工作流程，价格上涨是否会导致大量客户转向其他模型，就能反映DeepSeek究竟是依靠低价吸引使用者，还是已经建立足够的产品黏性。

此前网传的梁文锋投资者会议纪录曾提到，DeepSeek的API定价目标约为10个月收回设备成本。在这样的前提下，若原本价格已经低于多数使用者的价格敏感区间，继续降价未必能换来等比例的新增需求，反而可能压缩收入。

算力限制也是不可忽视的因素。

同一份交流会材料指出，DeepSeek取得的国产晶片资源明显少于大型网路公司。虽然模型训练与推理未必始终使用相同设备，但提高API价格仍可能透过筛选部分低价值或可延迟的负载，改善现金流，并让有限资源更多投入训练与关键产品。

因此，这次调价某种程度上也是一次市场测试。

如果价格上升后，使用量与客户留存没有明显下降，可能代表DeepSeek的使用者选择已不再单纯建立在低价之上；反之，如果大量工作快速转向其他模型，则可能说明过去的使用规模仍高度依赖价格优势。

Kimi K3走另一条路：高价API与开放权重并行

Kimi K3面临的则是另一种市场考验。

K3从推出之初便针对长程程式设计、代理与复杂知识工作设定较高价格，每百万Token普通输入20元、输出100元。与DeepSeek调整既有产品价格不同，Kimi试图直接为新的旗舰能力建立较高的价格定位。

其商业模式也与单纯依靠API收入有所不同。

开放权重可以扩大开发者覆盖，官方API则可以透过托管服务、推理最佳化与稳定供应，服务希望降低自行部署成本的企业。

即使企业可以自行部署开放模型，仍然需要承担硬体采购、并发管理、快取、监控与服务稳定等成本。因此，部分客户仍可能选择支付较高价格使用官方API。

K3发布后不久，月之暗面曾因需求超过计算能力而暂停接受新的Kimi订阅，将容量优先提供给既有付费使用者。

分析称，这反映出模型发布初期存在容量压力，但短期供不应求仍不足以证明长期定价权，企业是否愿意持续以该价格将K3部署到生产环境，仍有待观察。

模型Router兴起，真正值钱的是「分配智慧的入口」

当代理工作流普及后，企业开始面临另一个问题：不需要所有任务都交给最强、也最昂贵的模型。

因此，AI Gateway与模型Router的重要性正在提高。

复杂规划可以交给旗舰模型，分类、资讯抽取、简单程式修改与格式处理则可以交给低价模型。当某款模型价格上升、速度下降或效果变差，流量也可以迅速转移。

在这种环境下，Token本身未必是真正可比较的商品。不同模型为完成同一项任务，可能消耗完全不同数量的Token；真正值得衡量的，是完成任务所需要的有效智慧与总成本。

这也解释了为何OpenAI需要同时经营高价的Sol与低价的Luna。

如果只保留高阶模型，Codex中大量执行工作可能流向其他服务商；但如果将Luna价格压低，就能让更多规划与执行工作留在OpenAI自己的模型体系内，再由系统决定哪些环节需要升级至Terra或Sol。

免费产品也扮演类似角色。免费使用者先进入ChatGPT与Codex，随着工具权限、记忆、程式码库与企业流程逐步接入，平台本身就可能成为使用者的代理工作入口。

这代表，未来的竞争焦点，可能不只是「谁的模型最强」，而是「谁掌握了使用者的工作流程」。

大模型价格战进入「两条战线」

总的来说，从DeepSeek、Kimi到OpenAI，近期的价格变化显示，大模型价格战可能正在分成两条战线。

第一条战线，是已经普及的模型能力持续降价。

开放权重、小模型、模型蒸馏与推理效率提升，会不断把过去只有旗舰模型才能提供的能力推向低价区间。对于分类、资讯抽取、简单程式修改等标准化工作而言，模型之间的差异越来越难支撑高价格。

另一条战线，则是尖端智慧、即时算力与工作流程入口。

只要最强模型仍能完成其他模型无法可靠完成的任务，或能以更少步骤完成工作、降低返工成本，就仍然具备定价空间。同时，低延迟、长上下文、稳定吞吐量与高峰算力，也可能成为独立收费项目。

因此，未来的模型市场不一定会走向「所有模型一起降价」，而更可能形成分层定价。

基础模型负责提供越来越便宜的通用能力；尖端模型则保留能力溢价；代理平台与模型Router则负责决定什么任务应该使用什么模型。

真正有能力掌握使用者、企业资料、工具权限与任务流程的平台，甚至可以在多个模型之间切换，将底层模型价格下降转化为自己的成本优势。

反过来说，那些主要依靠API收入、缺乏应用入口与工作流程控制权的模型公司，压力可能更大。企业透过Router统一调度模型后，可以依照效果、速度与价格随时更换供应商，模型本身的领先优势也可能很快被竞品、蒸馏模型或开放模型追上。

从这个角度来看，OpenAI此次调价其实已经呈现出AI产业下一阶段的雏形：Luna大幅降价，让低成本代理执行成为可能；Sol维持价格，Fast模式甚至收取两倍价格，则将尖端能力与即时算力保留在高价区间。

大模型或许仍会越来越便宜，但当AI 代理开始承接更多工作后，企业购买的已不只是Token，而是完成一项任务所需要的「智慧」。

因此，真正值得观察的问题，可能已经从「每百万Token多少钱」，转向「谁能以最低成本完成最多工作，以及谁掌握了把工作分配给模型的入口」。

AI价格战并没有结束，只是竞争的计价单位正在改变。