鉅亨網新聞中心
人工智慧（AI）模型市場的價格戰正在出現新變化。過去兩年，大模型競爭幾乎圍繞「能力提升、價格下降」展開，但近期各家業者的定價策略開始分化：DeepSeek調高API價格，Kimi K3以較高價格切入長程程式設計與複雜知識工作；另一方面，OpenAI卻大幅下調部分模型價格，甚至讓部分模型承擔低成本、高吞吐量的執行工作。
分析指出，這顯示大模型究竟「變便宜還是變貴」，已經不能只看每百萬Token的單價。
隨著AI 代理開始承接更長、更複雜的任務，真正影響企業成本的，逐漸從模型價格轉向一項任務需要多少次模型調用、多少上下文，以及多少推理與重試成本。
DeepSeek近期正式調整API價格，以V4 Pro為例，每百萬Token的快取未命中輸入價格，從原本3元調高至高峰時段9元、空閒時段4.5元；輸出價格則由6元上調至高峰時段27元、空閒時段13.5元。
V4 Flash也同步調價，並首次加入高峰與空閒時段的差別定價。
此次調整最受矚目的，是V4 Pro在高峰時段的輸出價格已達原價4.5倍，快取命中輸入價格更達原價12倍。DeepSeek過去憑藉「價格屠夫」形象建立市場知名度，如今大幅調價後，其價格優勢已不如過去明顯。
不過，DeepSeek的價格即使經過調整，與部分美國尖端模型相比仍存在價差。這也讓此次調價更像是對既有使用規模與客戶價格敏感度的一次測試。
另一家中國模型業者月之暗面近期推出Kimi K3，則採取不同策略。K3主要面向長程程式設計、代理以及複雜知識工作，每百萬Token普通輸入價格為20元，輸出價格達100元。
這個價格明顯高於多數中國國產開放模型，卻不是對一款既有低價產品突然漲價。
從DeepSeek調高既有服務價格，到Kimi K3以較高價格切入市場，中國模型業者過去依靠低價建立的市場形象正在出現變化。
與此同時，OpenAI則走向相反方向。
7月30日，OpenAI將GPT-5.6 Luna的API價格下調80%，Terra則降價20%；ChatGPT Work與Codex使用這兩款模型所消耗的額度也同步降低。Sol的標準價格則維持不變，但針對低延遲需求的Fast模式，改以標準價格的2倍計費。
這種看似矛盾的定價策略，其實反映出模型在AI工作流中的角色正在分化。
OpenAI在模型分工上給出了一個程式設計任務的例子：Sol負責理解問題、處理不確定性並制定方案，Luna則負責執行已經確定的修改、撰寫測試、執行測試與檢查結果。
換言之，Sol負責決定「怎麼做」，Luna則負責大量執行「已經決定要做什麼」。
兩者在一次任務中的使用頻率與價值並不相同。高階模型可能只需要少數幾次調用，就能決定整個任務的方向；低階模型則可能在後台連續執行數十次，因此模型成本會直接影響代理能否大規模運作。
在這種架構下，Luna不只是較便宜的模型，也可能成為OpenAI承接大規模代理工作負載的執行層。
價格下降後，原本因成本過高而無法執行的任務，可能變得具備經濟效益；已經運作中的代理，也能增加測試、檢查與重試次數。
因此，OpenAI有理由壓低Luna的價格。只要更多工作負載留在Codex與OpenAI API內，部分高價值步驟仍可能升級至Terra或Sol。低價模型負責承接大量任務，高階模型則在關鍵環節保留更高的價格。
這背後更大的變化，是AI 代理正在改變模型的使用方式。
傳統聊天產品通常是一問一答；但代理接到一項任務後，可能需要先讀取文件與歷史紀錄，再制定計畫、呼叫工具、執行操作、檢查結果。如果過程中出錯，還可能重新讀取上下文、修改方案並再次執行。
因此，一個使用者指令，可能轉化成數十次甚至上百次模型調用。這使「每百萬Token多少錢」已經不足以衡量一項AI工作的實際成本。
企業真正需要關注的，是完成一項任務需要多少Token、多少次模型調用、多少上下文，以及模型失敗後需要多少次重試與人工介入。
微軟研究團隊在2026年針對8款推理模型進行評估時發現，在21.8%的兩兩模型比較中，標價較低的模型最終總成本反而更高，最大差距達28倍。主要原因在於，不同模型為完成同一問題所消耗的思考Token可能存在巨大差異。
McKinsey的內部使用經驗也顯示，同一項代理程式設計任務的成本可能相差30倍，且約10%的使用者消耗了65%的Token。因此，該機構開始利用模型路由，將較昂貴的模型留給困難工作，日常任務則交給舊模型或小模型。
這代表模型價格下降，未必代表企業整體AI支出同步下降。
如果單位Token價格持續下降，企業就有更大的預算空間使用AI，而更低的成本又會促使更多任務交給代理處理。
於是便出現一個看似矛盾的現象：模型本身越來越便宜，但每個使用者消耗的「智慧」卻可能持續增加。
OECD統計顯示，2024年1月至2026年4月，經品質調整後的文字模型價格下降近80%。如今，一些小型模型已經可以用遠低於一年前旗艦模型的成本，提供相近的能力。
但另一方面，代理承接的任務也越來越長，執行步驟更多，還需要額外進行檢查、重試與工具調用。
Epoch AI估計，全球推理供應能力每年增加超過3倍，但部分需求指標可能接近每年增加10倍。長上下文代理尤其可能率先面臨容量限制。
這也可能促使市場形成更明顯的模型分工：普通工作持續轉向更小、更便宜的模型；願意為最尖端能力付費的使用者，則可能需要承擔更高價格。
OpenAI目前的價格結構，正呈現這種分化。
Luna與Terra負責低成本、高吞吐量的工作，Sol保留更高的能力溢價，而Fast模式收取標準價格2倍，則反映「即時算力」這一種稀缺資源。
當使用者要求模型立即完成任務時，服務商需要提供更高的即時處理能力，無法單純依靠排隊與批次處理降低成本。
因此，模型市場開始出現與雲端運算甚至電力市場類似的價格結構：基礎負載越來越便宜，但高峰容量、優先處理與低延遲服務仍可以收取溢價。
分析指出，從這個角度看，DeepSeek近期調價的意義，也不只是單純提高API收入。
DeepSeek過去透過低價快速擴大模型使用規模，讓開發者與企業建立模型接入、微調、工具適配等生態。
一旦使用者已經將模型嵌入既有工作流程，價格上漲是否會導致大量客戶轉向其他模型，就能反映DeepSeek究竟是依靠低價吸引使用者，還是已經建立足夠的產品黏性。
此前網傳的梁文鋒投資者會議紀錄曾提到，DeepSeek的API定價目標約為10個月收回設備成本。在這樣的前提下，若原本價格已經低於多數使用者的價格敏感區間，繼續降價未必能換來等比例的新增需求，反而可能壓縮收入。
算力限制也是不可忽視的因素。
同一份交流會材料指出，DeepSeek取得的國產晶片資源明顯少於大型網路公司。雖然模型訓練與推理未必始終使用相同設備，但提高API價格仍可能透過篩選部分低價值或可延遲的負載，改善現金流，並讓有限資源更多投入訓練與關鍵產品。
因此，這次調價某種程度上也是一次市場測試。
如果價格上升後，使用量與客戶留存沒有明顯下降，可能代表DeepSeek的使用者選擇已不再單純建立在低價之上；反之，如果大量工作快速轉向其他模型，則可能說明過去的使用規模仍高度依賴價格優勢。
Kimi K3面臨的則是另一種市場考驗。
K3從推出之初便針對長程程式設計、代理與複雜知識工作設定較高價格，每百萬Token普通輸入20元、輸出100元。與DeepSeek調整既有產品價格不同，Kimi試圖直接為新的旗艦能力建立較高的價格定位。
其商業模式也與單純依靠API收入有所不同。
開放權重可以擴大開發者覆蓋，官方API則可以透過託管服務、推理最佳化與穩定供應，服務希望降低自行部署成本的企業。
即使企業可以自行部署開放模型，仍然需要承擔硬體採購、並發管理、快取、監控與服務穩定等成本。因此，部分客戶仍可能選擇支付較高價格使用官方API。
K3發布後不久，月之暗面曾因需求超過計算能力而暫停接受新的Kimi訂閱，將容量優先提供給既有付費使用者。
分析稱，這反映出模型發布初期存在容量壓力，但短期供不應求仍不足以證明長期定價權，企業是否願意持續以該價格將K3部署到生產環境，仍有待觀察。
當代理工作流普及後，企業開始面臨另一個問題：不需要所有任務都交給最強、也最昂貴的模型。
因此，AI Gateway與模型Router的重要性正在提高。
複雜規劃可以交給旗艦模型，分類、資訊抽取、簡單程式修改與格式處理則可以交給低價模型。當某款模型價格上升、速度下降或效果變差，流量也可以迅速轉移。
在這種環境下，Token本身未必是真正可比較的商品。不同模型為完成同一項任務，可能消耗完全不同數量的Token；真正值得衡量的，是完成任務所需要的有效智慧與總成本。
這也解釋了為何OpenAI需要同時經營高價的Sol與低價的Luna。
如果只保留高階模型，Codex中大量執行工作可能流向其他服務商；但如果將Luna價格壓低，就能讓更多規劃與執行工作留在OpenAI自己的模型體系內，再由系統決定哪些環節需要升級至Terra或Sol。
免費產品也扮演類似角色。免費使用者先進入ChatGPT與Codex，隨著工具權限、記憶、程式碼庫與企業流程逐步接入，平台本身就可能成為使用者的代理工作入口。
這代表，未來的競爭焦點，可能不只是「誰的模型最強」，而是「誰掌握了使用者的工作流程」。
總的來說，從DeepSeek、Kimi到OpenAI，近期的價格變化顯示，大模型價格戰可能正在分成兩條戰線。
第一條戰線，是已經普及的模型能力持續降價。
開放權重、小模型、模型蒸餾與推理效率提升，會不斷把過去只有旗艦模型才能提供的能力推向低價區間。對於分類、資訊抽取、簡單程式修改等標準化工作而言，模型之間的差異越來越難支撐高價格。
另一條戰線，則是尖端智慧、即時算力與工作流程入口。
只要最強模型仍能完成其他模型無法可靠完成的任務，或能以更少步驟完成工作、降低返工成本，就仍然具備定價空間。同時，低延遲、長上下文、穩定吞吐量與高峰算力，也可能成為獨立收費項目。
因此，未來的模型市場不一定會走向「所有模型一起降價」，而更可能形成分層定價。
基礎模型負責提供越來越便宜的通用能力；尖端模型則保留能力溢價；代理平台與模型Router則負責決定什麼任務應該使用什麼模型。
真正有能力掌握使用者、企業資料、工具權限與任務流程的平台，甚至可以在多個模型之間切換，將底層模型價格下降轉化為自己的成本優勢。
反過來說，那些主要依靠API收入、缺乏應用入口與工作流程控制權的模型公司，壓力可能更大。企業透過Router統一調度模型後，可以依照效果、速度與價格隨時更換供應商，模型本身的領先優勢也可能很快被競品、蒸餾模型或開放模型追上。
從這個角度來看，OpenAI此次調價其實已經呈現出AI產業下一階段的雛形：Luna大幅降價，讓低成本代理執行成為可能；Sol維持價格，Fast模式甚至收取兩倍價格，則將尖端能力與即時算力保留在高價區間。
大模型或許仍會越來越便宜，但當AI 代理開始承接更多工作後，企業購買的已不只是Token，而是完成一項任務所需要的「智慧」。
因此，真正值得觀察的問題，可能已經從「每百萬Token多少錢」，轉向「誰能以最低成本完成最多工作，以及誰掌握了把工作分配給模型的入口」。
AI價格戰並沒有結束，只是競爭的計價單位正在改變。
上一篇
下一篇
