国产模型涨价美国降价，AI定价转向任务价值

上周，DeepSeek预告其API即将提价，并称“预计涨幅较大”；本周，Anthropic却取消了Claude Sonnet 5原定50%的涨价计划。这一涨一降并非孤立事件：年内，智谱已数次上调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则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、让Luna成为ChatGPT免费版默认模型并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。

这种看似相反的趋势，反映出中国开源模型正在进入前沿领域，但更有意义的是token价值规律的变化。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。

要理解这种价格策略分化，需要换一个衡量尺度：不再看Token的价格，而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，压缩了后者榨取高溢价的窗口期。在全球最大的模型聚合平台OpenRouter上，开源模型创造的token调用量已从年初的1/3提升至当前的2/3。

任务级别的成本差异更加明显。在ARC-AGI-2基准下，7月中旬发布的月之暗面Kimi-K3在单任务成本1.59美元时取得60.4%的成绩，当时为国内市场最强模型；OpenAI GPT-5.6-Luna成绩接近（59.5%），但单任务成本已降至0.67美元；随后GPT-5.6-Luna-0730在能力基本持平的情况下，又将成本压低80%，以0.18美元/任务取得59.6%的成绩。同样的智能能力，出现了完全不同的成本曲线，也创造了重新定价的空间。

如果“Token价值规律”成立，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。这解释了为何模型厂商未必会把效率提升全部转化为更低的Token价格，其中一部分可能以更高的利润率、更大的用户规模或更高的任务价值体现。

DeepSeek尚未公开API涨幅。若以ARC-AGI-2单位任务成本为参照，DeepSeek-V4-Flash-0731与GPT-5.6-Luna-0730成绩相近，但单任务成本仅0.042美元，相差4倍多，确实留有较大调价空间。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。

不过现实更复杂。在部分模型现有价格区间内，用户需求已表现出较低的价格弹性。在一份意外流出的内部纪要中，DeepSeek创始人梁文锋谈到，当时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。据报道，Kimi-K3发布后，国内竞争对手智谱的API用户增长几乎没有受影响，ARR增速也未放缓。

当模型足够好用后，不同厂商正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走高价值任务路线，强调智能价值密度，在编码领域有先发优势，并率先利用Harness放大模型能力，向金融、医疗、法律等高价值知识工作领域扩展。只要AI替用户创造的价值足够高，模型与Harness更高的价格未必构成决定性障碍。但高价值场景并非企业AI的全部，市场也在选择用更具性价比的第三方Harness替换官方Harness；其Haiku在开源模型冲击下越来越难维持迭代节奏，如今Sonnet通过取消原定涨价计划“变相降价”应对压力，Opus价格线能否守住尚待观察。

OpenAI则强调智能价值的广度，在跟进企业市场的同时未放弃消费用户，旗下产品月活已超10亿。通过免费层和低价策略，OpenAI实际上在用模型能力补贴用户规模；若消费AI进入新增长阶段，这些用户、入口和使用习惯可能转化为更大的平台价值。对OpenAI而言，单位Token利润并非唯一价值来源，用户规模本身就是资产，因此面对开源模型争夺用户并不紧张。

DeepSeek的路径不同，多次强调不把利润最大化作为目标，只要“十个月收回设备成本”即足够合理。其价格优势在于模型与算力基础设施的协同，部署同样模型算力成本更低、利润率更高；更低成本本身不是目的，而是与AGI愿景相关，以便在算力有限情况下训练与部署更大模型。

算力正从成本变量变成供给变量。DeepSeek此次涨价可能不是简单追求更高利润，而是让价格重新发挥资源配置功能。V4-Flash-0731发布重现R1时期盛况，开发者大量涌入；上月DeepSeek已采取峰谷定价机制，但仍难全面平衡服务成本与负载压力。提高价格可能筛掉低刚性、低支付意愿的调用，让有限算力更多流向真正依赖AI完成工作的用户。这种约束并非独有：Kimi-K3发布仅数日后，Moonshot因需求超计算能力一度暂停新订阅，将容量优先留给现有付费用户。模型厂商面临的已不只是“有没有用户”，而是“有限的智能供给应该给谁”。这也解释了为何智谱与DeepSeek都在建设GW级算力基础设施。

早期算力首先是成本变量，Token价格在很大程度上反映算力成本；如今算力越来越成为供给变量，价格承担筛选需求、配置稀缺智能的功能。随着推理效率提升、芯片性能增长和基础设施扩张，算力成本下降不再必然意味着Token价格同步下降。国产模型涨价、美国模型降价的分化未必永久持续；随着国产模型能力提升、算力供给扩大，价格差异可能重新收敛，但未必意味着所有模型重回价格战。真正可能持续的，是模型厂商越来越不会简单按Token成本定价，而是基于各自禀赋、战略和对用户价值的不同理解做出不同价值主张——这才是AI走向成熟的关键。