大模型价格战打了两年，厂商仍在学习如何收费。
文丨祝颖丽
编辑丨赵磊
今年 5 月，小米宣布 MiMo-V2.5 系列 API 永久降价，最高降幅达 99%。6 月，腾讯云下调平台上的 DeepSeek-V4 系列价格，最高降幅 97.5%。8 月，DeepSeek 调整 V4 系列报价，引入峰谷差价。9 月，随着新模型发布，价格又降了一轮。
这样的消息越来越多。模型公司热衷于宣传价格。降了多少，每百万 token 最低只要几分钱，比竞争对手便宜几倍，都是容易传播的数字。看上去，大模型正在成为一种标准商品，各家公司生产的 token 大同小异，价格越低，竞争力越强。
实际上，token 只是统一了计费单位，各家出售的 token 成本不同，单 token 带来的智能价值也不一样。DeepSeek 强调 “合理利润”，和 Kimi 注重 “极致性能”，其他模型公司也各有侧重，一种奇妙的分野在最近半年逐渐形成。
给模型定价，已经成了公司筛选客户、分配算力、改善利润，乃至影响对外技术叙事的手段。
怎么给一款模型定价?
“价格的本质是什么，我只回复一个词：价值。”《定价制胜》的作者赫尔曼·西蒙说。
但对大模型产品来说，技术在按月进化，应用却还没有充分验证，“价值” 仍难以量化、定价方式也很难类比其他成熟商品。
综合公开信息和多位大模型厂商商业化员工的说法，我们发现大模型产品目前基本只有两种定价方式：成本定价法和市场定位定价法。有些公司更偏成本端，比如 Deepseek 和小米 Mimo，其他大部分厂商更侧重市场定位。
成本定价法比较简单，公司算出持续提供服务需要花多少钱，再加上希望赚取的利润，算出一个价格。这笔成本主要包括推理算力、网络、存储和运维，不计算前期模型研发支出和销售、薪酬等其他经营费用。
DeepSeek 最为典型。今年 5 月，梁文锋在一场投资者交流会上解释过 DeepSeek 的定价原则：API 业务以十个月收回设备投入为目标。在他看来，这已经是可以接受的回报，没有必要把价格提高到收入或利润最大化的位置。
按照他的计算，⼗个⽉收回成本，5 年左右的折旧年限，⼤概对应的是六倍利润。做一个简化计算：假设成本只考虑折旧，对应的毛利率需要达到约 83.3%。根据《The Information》援引知情人士的报道，DeepSeek 今年前七个月的 API 业务毛利率为 82.9%，与这一测算相近。
这种思路也体现在后续的价格调整中。9 月发布 V4.1 Flash 时，公司表示，新架构把 KV Cache 对高带宽显存的需求降至上一代的四分之一，对 SSD 的需求降至八分之一。随后，缓存命中和输出 token 的价格也降了下来。
减少重复计算、压缩缓存、提高吞吐量，都能变成降价空间。但成本也并不是全部的解释，为了让算力和设备充分被利用，DeepSeek 也会根据需求来调整价格。
比如 8 月，DeepSeek 引入峰谷定价，闲时调用的价格，只有高峰时段的一半。9 月模型降价后，峰谷差价仍然保留。这种价格策略让高峰的拥堵得以缓解，闲置的设备也能挣到钱。
一位模型公司的商业化员工形容，DeepSeek 的定价有种 “以我为主” 的意味：“他去划定了一个特殊的产品类别空间，然后主导了这个产品类别空间里的变化。”
大部分其他模型厂商不这么定价。在推理成本外，他们首要考虑的是市场定位，是在诸多模型的性能、价格的参考坐标体系里找到自己的位置。
上述大模型厂员工称，每家定价时，想的都是要去到什么样的价格带，“本质上是模型定位嘛，大家都是朝着这个模型定位去做。”
一个新模型发布前，商业化部门通常要和 Infra 部门一起测算真实负载下的推理成本，再参考第三方评测、内测客户的反馈和业务目标。价格往往由多个部门一起决定。
以 Kimi 的 K3 模型为例，这是一款总参数 2.8T、每 token 激活参数约 104B 的大模型，运行成本不低。
英伟达分销商 Openzeka 曾用一台 8 卡 B300 服务器测试 K3。按测试结果折算，这台机器每小时可处理约 405 万输入 token 和 405 万输出 token。如果用 Runpod 上 B300 单卡每小时 8.99 美元的租金粗略计算，处理 “百万输入 token 加百万输出 token”，仅算力租金就约为 17.7 美元。
这与月之暗面的真实成本必然有出入，但已经足以说明，K3 很难成为一款廉价模型。
有了大致的成本范围，下一步是找对标产品。
7 月 17 日，Artificial Analysis 测算，K3 的综合能力接近 Claude Opus 4.8 和 GPT-5.5。当时，两款模型的输入价格分别为每百万 token 5 美元、4 美元，输出价格为 25 美元、20 美元。
Kimi 最终给 K3 定的价格是输入 3 美元、输出 15 美元。
这个数字还包含了公司的战略选择。K3 发布后，月之暗面的 B 端负责人曾公开表示，不希望中国模型一直被贴上低价标签。能力达到前沿水平，就应该卖出合理的价格。相比此前的模型，K3 希望保留更充足的毛利空间，尝试建立旗舰模型的溢价。
实际任务场景中的客户测试也会影响报价。一位模型厂商的工程师说，现在大家越来越重视 “单 Token 智能”，而不是纯粹的性价比。如果小范围的客户测试下来，一个任务能用更少 Token 完成，Token 的单位定价会提高；相反，则会往下调整。
Artificial Analysis 曾让 K3 和 GLM-5.3 执行同一项任务。K3 消耗约 1.6 亿 token，GLM-5.3 用了约 2 亿。K3 的 token 单价更高，两者完成任务的总花费相近。
成本、竞品、测试结果决定了大致价格。最后还会有一些更细的取舍。Kimi 就曾决定，同一个模型，中国市场的报价要比海外低，“哪怕只是 1 毛钱”。
渠道也会影响定价。除了原厂直接提供 API，模型也可以由云平台代销或托管，由聚合平台转接，或者由客户自行部署。原厂的公开报价相对固定。其他渠道则要考虑上游采购成本、设备价格、部署效率和运维支出。在许可允许的范围内，云厂商和算力服务商可以自行部署开源模型，按照自己的成本和效率报价，可能会挤压原厂的收入。
梁文锋在那场投资者交流会上谈到了这件事。他判断，原厂如果索取极高利润，即使第三方运行效率较差，也能通过低价抢走客户。DeepSeek 按十个月收回设备投入的标准收费，已经把价格压到一个第三方很难匹配的位置，能让官方 API 保持价格优势的同时留有利润。
据我们了解，绝大部分二级算力供应商都无法把 DeepSeek 模型优化到官方宣称的水平。
DeepSeek 压成本，Kimi 用高价匹配高性能
一款模型价格的诞生过程是趋同的，不同厂商的追求却能塑造不同的价格结果。
Kimi K3 和阿里 Qwen Max，是两款尺寸相近的大模型。K3 总参数 2.8T，每 token 激活参数约 104.2B；Qwen Max 总参数 2.4T，激活参数 95B。两者在同一个量级，价格却相差不少。千问的输入 token 单价是 Kimi 的 60%，输出价格还不到后者的一半。
阿里云的销售向我们强调 Qwen 模型的 “性价比”， Kimi 的员工则认为，在高性能的模型中，“性能” 比价格更重要。
在 Kimi 的战略定位里，他们更重要的目标是探索 “智能上限”，是让模型处理更复杂、耗时更长的任务，并找到愿意为这种能力付钱的客户。“只有当你的性能达到一定程度之后，才谈得上降价策略。本质上，客户不会因为你贵个几分钱就跑到别人那里去。” 接近 Kimi 的人士说。
他认为，极高性能肯定不是市场最普遍的需求，但中国得有人能做这样的事情，“虽然从赚钱角度看，它不一定是最赚钱的。” 在他看来，旗舰模型应当为更强的能力收费，没必要一开始就追求最广泛的使用量。
其他公司未必认同。一位模型公司的算法工程师认为，Kimi 的高价会限制使用规模，而当前对大模型公司来说，第一优先级应该是真实场景中的使用量，只有这样才有数据飞轮，“你定一个跟美国一样的价格时，某种程度上就是不想卖。”
不过，在一位熟悉各家模型的资深 AI 产品经理看来，Kimi 其实也在国内 API 市场之外，找到了一条独特的生存路径：出海做硅谷应用层的后训练 “底座”。
比如今年 3 月，Cursor 推出基于 Kimi K2.5 继续训练的 Composer 2。7 月，月之暗面与 Together AI 宣布合作，后者通过部署在美国的基础设施提供 K3，并允许客户使用自己的数据进行后训练。8 月，法律 AI 公司 Harvey 公布了基于 K3 的模型 Tenet 研究预览。
Kimi 团队也在旧金山湾区竖起了巨幅广告牌，主动去拓展更多类似的海外应用公司，通过高价值的技术合作来消化大模型的商业化压力。
而对阿里云乃至火山引擎等云厂商来说，模型 API 本身既是一门生意，也是客户进入 AI 云的入口。企业一旦把模型接入生产系统，往往还需要算力、开发工具、数据处理、部署和长期运维。云厂商可以先用便宜的模型获得客户，再从后续服务中赚钱。
因此，一家公司给 token 设置的价格，很大程度上取决于它准备在哪里获得利润。
不同的选择，在今年各家公司的调价中表现得更加明显。
DeepSeek 一直强调 “克制”。梁文锋在投资者交流会上曾用一个假设解释他的想法：“假如设 AI 能够占到全球 GDP 的 20%，如果我的目标是占里面的 5%，理论上算账是成立的，就像 OpenAI 一样；但它一定会被另一个愿意只占 1% 的人打败，而占 1% 的人又会被只要 0.1% 的人打败。”
他不想把利润定在竞争对手有足够动力来争夺的位置。十个月收回设备投入，就是 DeepSeek 选择的一条线。超过这条线的利润，不一定值得。价格足够低，保证合理利润的同时减少第三方部署的竞争，在用户负担得起、收回设备投入和分配有限算力之间达成平衡。
技术效率的提升为这种平衡创造了条件，9 月发布 V4.1 Flash 时，DeepSeek 明确将 API 降价与新架构带来的成本下降联系起来。但算力紧张时，它也会通过价格限制需求。
智谱今年也频繁调价，但主要是涨价。
随着开放平台及 API 业务成为智谱的收入主体，API 定价对智谱经营的影响更加直接。2026 年上半年，智谱开放平台及 API 业务收入达到 8.25 亿元，占公司总收入的 86.5%；这项业务的毛利率从 2025 年上半年的 −0.4% 提升至 24.6%。智谱在财报中将改善归因于规模效应、价格上调和推理成本下降。
涨价已经成为这家上市公司改善盈利能力的一种手段。
过去，依靠唐杰等清华系科学家的学术影响力，智谱在技术圈与政企端积累了不错的口碑，但商业化团队的建设却明显滞后。
今年 2 月，智谱就曾因 GLM Coding Plan 改版致歉，当时新模型发布后流量超出预期，因为扩容不及时，部分用户无法及时获得使用权限或遭遇限流。公司承认规则不透明、升级机制设计粗糙，并向受影响用户提供退款选择。
一位近期从大厂跳槽至智谱负责区域商业化的员工发现，智谱华东区域商业化团队人数极少，她刚入职就得独自连轴转去支持各大展会。在拜访客户时，一家头部车企的业务人员向她抱怨，过去想找智谱谈合作根本找不到对接人，只能打官网上的 400 电话；还有客户为了谈成合作，不得不先通过清华校友圈找到智谱的技术人员搭线。
模型能力已经吸引了客户，对智谱来说，眼下要解决的是如何通过商业化手段把技术优势变成足够的收入和利润，既能负担下一轮研发，也能回应资本市场对盈利的期待。
相比之下，云厂商的模型价格体系就更加稳定。
一位云厂商 MaaS 平台的产品经理说，大厂客户最看重稳定，长期稳定一个目录价能塑造更好的客户体验，即便底层优化带来成本下降，他们也会转化为私下给不同量级客户的 “差异化商务折扣”。
阿里云和火山引擎都已经有成熟的销售体系、运营团队和庞大的企业客户群。对这类公司来说，价格本身就是谈判工具。
不过，阿里云和火山引擎 Maas 平台近期都推出过 9.9 元拉新的活动，熟悉大客户生意的云厂商也开始用几乎不赚钱的低价套餐争夺个人开发者。对他们来说，如何真正吸引更大范围的个人开发者用户、提高自营模型影响力，是一个新的考验。
大模型定价的分化还在继续。随着模型能力在进步，推理成本在下降，用户开始把越来越复杂、耗时越来越长的工作交给 AI；但除了依据消耗 token 的成本，至今没有更好的方式去衡量 AI 创造了多少价值。
题图来源：《大而不倒》
- FIN -
