上週，DeepSeek預告其API即將提價，並稱“預計漲幅較大”；本週，Anthropic卻取消了Claude Sonnet 5原定50%的漲價計劃。這一漲一降並非孤立事件：年內，智譜已數次上調API價格，月之暗面推出新模型Kimi-K3後，也將旗艦API定價提高了3倍多。與此同時，OpenAI則在主動擴大價格優勢——上月底，GPT-5.6 Luna的API呼叫價格下降了80%，並通過多次重置付費使用者額度、讓Luna成為ChatGPT免費版預設模型並在文本聊天中無限量供應，進一步降低了訂閱使用者的實際成本。

這種看似相反的趨勢，反映出中國開源模型正在進入前沿領域，但更有意義的是token價值規律的變化。Token是智慧服務的計量單位，卻未必是智慧價值的計量單位。AI競爭正在從按智慧消耗量計價的“Token經濟學”，進入以任務完成成本和最終價值重新配置智慧資源的階段。

要理解這種價格策略分化，需要換一個衡量尺度：不再看Token的價格，而看完成一個任務究竟需要多少錢。中國開源模型逼近前沿閉源模型的實際能力，壓縮了後者榨取高溢價的視窗期。在全球最大的模型聚合平台OpenRouter上，開源模型創造的token呼叫量已從年初的1/3提升至當前的2/3。

任務級別的成本差異更加明顯。在ARC-AGI-2基準下，7月中旬釋出的月之暗面Kimi-K3在單任務成本1.59美元時取得60.4%的成績，當時為國內市場最強模型；OpenAI GPT-5.6-Luna成績接近（59.5%），但單任務成本已降至0.67美元；隨後GPT-5.6-Luna-0730在能力基本持平的情況下，又將成本壓低80%，以0.18美元/任務取得59.6%的成績。同樣的智慧能力，出現了完全不同的成本曲線，也創造了重新定價的空間。

如果“Token價值規律”成立，價格就不應簡單錨定Token消耗量，而應更多錨定單位智慧的生產成本和最終任務價值。這解釋了為何模型廠商未必會把效率提升全部轉化為更低的Token價格，其中一部分可能以更高的利潤率、更大的使用者規模或更高的任務價值體現。

DeepSeek尚未公開API漲幅。若以ARC-AGI-2單位任務成本為參照，DeepSeek-V4-Flash-0731與GPT-5.6-Luna-0730成績相近，但單任務成本僅0.042美元，相差4倍多，確實留有較大調價空間。即使價格提高3倍至0.12美元/任務，其單位任務成本仍明顯低於降價後的Luna-0730。

不過現實更復雜。在部分模型現有價格區間內，使用者需求已表現出較低的價格彈性。在一份意外流出的內部紀要中，DeepSeek創始人梁文鋒談到，當時價格區間內即使價格再提高一倍，Token消耗量也不會明顯下降；反過來繼續降價，需求也不會明顯增加。據報道，Kimi-K3釋出後，國內競爭對手智譜的API使用者增長几乎沒有受影響，ARR增速也未放緩。

當模型足夠好用後，不同廠商正採取不同的價值捕獲方式，這也決定了它們不同的推理利潤率。Anthropic走高價值任務路線，強調智慧價值密度，在編碼領域有先發優勢，並率先利用Harness放大模型能力，向金融、醫療、法律等高價值知識工作領域擴充套件。只要AI替使用者創造的價值足夠高，模型與Harness更高的價格未必構成決定性障礙。但高價值場景並非企業AI的全部，市場也在選擇用更具價效比的第三方Harness替換官方Harness；其Haiku在開源模型衝擊下越來越難維持迭代節奏，如今Sonnet通過取消原定漲價計劃“變相降價”應對壓力，Opus價格線能否守住尚待觀察。

OpenAI則強調智慧價值的廣度，在跟進企業市場的同時未放棄消費使用者，旗下產品月活已超10億。通過免費層和低價策略，OpenAI實際上在用模型能力補貼使用者規模；若消費AI進入新增長階段，這些使用者、入口和使用習慣可能轉化為更大的平台價值。對OpenAI而言，單位Token利潤並非唯一價值來源，使用者規模本身就是資產，因此面對開源模型爭奪使用者並不緊張。

DeepSeek的路徑不同，多次強調不把利潤最大化作為目標，只要“十個月收回裝置成本”即足夠合理。其價格優勢在於模型與算力基礎設施的協同，部署同樣模型算力成本更低、利潤率更高；更低成本本身不是目的，而是與AGI願景相關，以便在算力有限情況下訓練與部署更大模型。

算力正從成本變數變成供給變數。DeepSeek此次漲價可能不是簡單追求更高利潤，而是讓價格重新發揮資源配置功能。V4-Flash-0731釋出重現R1時期盛況，開發者大量湧入；上月DeepSeek已採取峰谷定價機制，但仍難全面平衡服務成本與負載壓力。提高價格可能篩掉低剛性、低支付意願的呼叫，讓有限算力更多流向真正依賴AI完成工作的使用者。這種約束並非獨有：Kimi-K3釋出僅數日後，Moonshot因需求超計算能力一度暫停新訂閱，將容量優先留給現有付費使用者。模型廠商面臨的已不只是“有沒有使用者”，而是“有限的智慧供給應該給誰”。這也解釋了為何智譜與DeepSeek都在建設GW級算力基礎設施。

早期算力首先是成本變數，Token價格在很大程度上反映算力成本；如今算力越來越成為供給變數，價格承擔篩選需求、配置稀缺智慧的功能。隨著推理效率提升、晶片效能增長和基礎設施擴張，算力成本下降不再必然意味著Token價格同步下降。國產模型漲價、美國模型降價的分化未必永久持續；隨著國產模型能力提升、算力供給擴大，價格差異可能重新收斂，但未必意味著所有模型重回價格戰。真正可能持續的，是模型廠商越來越不會簡單按Token成本定價，而是基於各自稟賦、戰略和對使用者價值的不同理解做出不同價值主張——這才是AI走向成熟的關鍵。