2026 年，模型市场出现了一组看似矛盾的数字。

DeepSeek V4 Flash 的官方 API 输出价是每百万 Token 0.28 美元；OpenAI GPT-5.6 Sol 是 30 美元，二者标价相差超过 100 倍。与此同时，Kimi K3 的输出价又达到 15 美元，和 GPT-5.6 Terra 相同。

上述价格来自厂商公开价目表，MiniMax 与 Anthropic 的对比型号也采用相同口径。DeepSeek API 定价〔1〕 Kimi K3 定价〔2〕 OpenAI GPT-5.6 Sol 定价〔3〕 MiniMax M2.5〔4〕 Anthropic 定价〔5〕

这当然不是一场可以只看价签的横向评测。模型能力、延迟、可靠性、工具调用和服务保障都不同。但价差本身已经说明：“最强模型等于最高价值”正在变成一个不完整的叙事。

当 DeepSeek、Kimi、Qwen、GLM、MiniMax 以不同尺寸、不同激活参数和不同价格密集供给模型，企业第一次拥有了真正宽阔的选择谱系。模型没有变得不重要，但模型的稀缺性正在下降。

于是，产业竞争开始从“谁能训练出更强的模型”，转向一个更接近商业的问题：

这就是本期的“叙事差”。Token 仍然是 AI 世界的计量单位，但最终值钱的不是 Token 本身，而是 Token 经过模型、算力和软件系统之后，能否变成一次可验证的工作结果。

过去三年，AI 的估值框架几乎沿着一条单行道展开：参数更多、训练算力更大、基准分数更高，模型就更接近通用智能，也就应该获得更高的价格和更厚的利润。

这套叙事在模型极度稀缺的阶段成立。企业没有多少选择，只能把最难的问题交给最强模型；应用公司也愿意用昂贵 API 换取更快上线。

但模型供给正在从“少数旗舰”变成“连续光谱”。

Kimi K3 采用 2.8 万亿总参数、1040 亿激活参数的 MoE 架构，并将原生视觉、百万上下文和量化感知训练放进同一个开放权重模型；DeepSeek V4 Flash 只有 130 亿激活参数，却把长上下文和推理任务压进每百万输出 Token 0.28 美元的价格；Qwen 的 MoE 路线则持续用更少激活参数逼近更大稠密模型的能力；GLM 5.2 甚至把稀疏注意力、推测解码和不同推理强度直接做成效率工具。Kimi K3〔6〕 DeepSeek V4〔7〕 Qwen3〔8〕 GLM 5.2〔9〕

严格来说，“开源”与“开放权重”并不完全相同，许可证、训练数据和商用限制也各不相同。但对企业采购者而言，真正重要的变化是：模型选择变多，私有化部署变得可行，闭源模型原有的能力溢价和价格保护伞开始被压缩。

OpenAI 自己也在回应这种变化。GPT-5.6 不再只有一个旗舰价位，而是同时推出 Sol、Terra、Luna 三档，并把发布重点写成“每个 Token 获得更多智能”和“更强的每美元性能”。这恰恰说明，效率已经从中国模型的挑战口号，变成了全球头部模型共同争夺的新标尺。OpenAI GPT-5.6〔10〕

主要模型API输出Token标价

这张图不能被解读为“DeepSeek Flash 与 GPT-5.6 Sol 能力相同”。它只展示了一件事：模型市场已经出现足够宽的价格带。只要任务允许分层路由，企业就不必再让最贵的模型处理所有问题。

Token 单价很直观，却可能是最容易误导人的指标。

假设模型 A 每百万 Token 只要 1 美元，但完成一个任务需要 10 万 Token，并且只有 60% 的成功率；模型 B 每百万 Token 需要 5 美元，却只用 1 万 Token，成功率达到 90%。只比较价签，A 便宜五倍；按一次成功任务计算，B 反而更便宜。

真正的成本公式更接近：

单次成功任务成本 = 模型调用成本 + 推理基础设施成本 + 重试成本 + 人工复核成本 + 错误损失

这也是推理模型带来的新矛盾。模型“会思考”以后，输入价格可能继续下降，但思考链、工具调用和多轮 Agent 会放大输出 Token 数量。一个看似便宜的模型，如果反复尝试、上下文不断膨胀、最终还需要人工返工，就没有创造真正的效率。

所以，AI 产业正在经历一次类似云计算早期的认知升级：从看服务器单价，变成看一个业务请求的总拥有成本；从看每百万 Token 价格，变成看每一个正确结果的完整成本。

Token 效率不是单一指标，而是一条从模型到业务的传导链。

Token效率三层框架

第一层：模型效率

模型效率回答的是：同样质量的结果，需要激活多少参数、生成多少思考 Token、调用多大的模型？

MoE、稀疏注意力、量化、蒸馏、推测解码和大小模型路由，本质上都在做同一件事：减少每次智能输出所消耗的计算。Qwen3 曾披露，其 MoE 基座模型只激活约 10% 参数，就能达到上一代稠密模型的水平；GLM 5.2 则称 IndexShare 在百万上下文下把单 Token FLOPs 降低 2.9 倍。这些数据都来自厂商披露，未必可以跨模型直接比较，但方向高度一致：参数规模不再等于实际计算量。

第二层：系统效率

系统效率回答的是：同样一批 GPU，能稳定吐出多少有效 Token？

这里的瓶颈不只在芯片。长输入会让 Prefill 阶段变重；长输出和高并发会把 Decode 阶段推向瓶颈；百万上下文会让 KV Cache 吞噬显存；跨卡通信、网络带宽、批处理、前缀缓存命中率和请求调度，都会决定最终成本。

一个很直观的例子来自智谱 ZCube：在 GLM-5.1 的生产负载中，网络带宽从 100Gbps 提升到 200Gbps，吞吐量提高约 19%，首 Token 延迟降低约 22%。这不是“模型算法”进步，却直接改变了 Token 生产效率。ZCube〔11〕

NVIDIA Dynamo、Ray Serve、vLLM、SGLang 等系统的价值也在这里。它们负责拆分 Prefill 与 Decode、根据 KV Cache 路由请求、跨节点调度模型并按负载伸缩。模型越来越多以后，企业需要的不只是一个模型 API，而是一套能回答“哪个请求该交给哪个模型、放在哪张卡、占用多少显存、何时扩容”的控制系统。NVIDIA Dynamo〔12〕 Ray Serve LLM〔13〕

第三层：业务效率

业务效率回答的是：更多 Token 最后有没有变成收入、利润或真实的人力替代？

代码 Agent 可以生成大量 Token，但如果合并率没有提高，价值接近于零；客服 Agent 可以处理更多会话，但如果升级人工和投诉率同步上升，成本并没有下降；研究 Agent 可以写出几十页报告，但如果关键数字不能核验，反而增加复核负担。

因此，企业真正需要跟踪的指标，不是“本月用了多少亿 Token”，而是：

• 每个成功任务消耗多少 Token；
• 一次任务需要重试多少次；
• 自动完成率和人工接管率是多少；
• 每一美元 AI 成本带来多少收入或节省多少工时；
• Token 成本下降的速度，能否跑赢 Token 使用量上升的速度。

只有走到第三层，Token 才从技术指标变成财务指标。

看到模型价格快速下降，一个自然推论是：AI 收入和算力需求会被压缩。

这可能只对了一半。

如果一项资源变便宜以后，需求弹性足够大，总消耗反而会上升。这就是“杰文斯悖论”。蒸汽机提高煤炭利用效率后，英国消耗的煤不是更少，而是更多；云计算降低服务器使用门槛后，企业部署的计算任务也没有减少。

AI 很可能重复这条路径。

Token杰文斯循环

MiniMax 披露，M2 系列在 2026 年 2 月的日均 Token 消耗已经超过 2025 年 12 月的 6 倍，Coding Plan 的 Token 消耗增长超过 10 倍。它不能代表整个行业，却提供了一个早期样本：当价格、速度和可用性同时改善，原本不会发生的调用开始发生。MiniMax 2025 年度业绩〔14〕

更便宜的 Token 会带来三个增量：

第一，原本 ROI 算不过来的场景开始上线；第二，单轮问答升级为长推理、多工具和多 Agent 协作；第三，软件从“人点击一次、AI 调用一次”，变成常驻后台、主动执行。

因此，未来可能同时出现两件事：每百万 Token 的价格持续下降，全球 Token 总量却以更快速度增长。

对算力产业来说，问题不再是“Token 降价是否利空 GPU”，而是两个速度的竞赛：

如果答案是肯定的，算力总需求仍会增长；如果 Agent 的调用量没有兑现，或效率进步快于需求扩张，硬件投资就会进入消化期。

服务器时代，VMware 的核心价值不是生产更多服务器，而是把一堆异构、低利用率的服务器，变成统一、可调度、可计量的计算资源。

AI 时代需要同一种抽象，只是被管理的对象变成了 GPU、显存、模型、KV Cache、推理请求和 Token。

过去企业问：“还有多少台机器？”

未来企业会问：“这些资本开支每小时能交付多少个合格结果？”

这就是 AI 时代控制层的机会。它要完成四件事：

1. 把不同芯片池化：让 NVIDIA、国产 GPU 和不同代际设备尽量被统一调度；
2. 把不同模型路由：简单任务交给便宜小模型，困难任务升级到强模型；
3. 把推理过程优化：管理 Prefill、Decode、KV Cache、批处理、并发和网络；
4. 把 Token 变成财务账本：追踪每个部门、应用和任务的成本、质量与回报。

NVIDIA 已经把 Dynamo 称为“AI 工厂的操作系统”，并通过 CUDA、TensorRT-LLM、NIM、Run:ai 和 Dynamo 把芯片、推理引擎与调度系统连起来。它是当前最完整的垂直答案。

但企业也会需要一个不被单一芯片和单一模型绑定的中立层。Kubernetes、Ray、vLLM、SGLang 组成的开放栈，IBM/Red Hat 这类企业平台，以及中国云厂商和 AI 平台公司的机会，都来自同一个需求：当模型不再稀缺，管理模型的复杂性反而成为新的稀缺。

情景一：能力快速收敛，模型进入价格战

中国开放模型继续逼近闭源旗舰，大部分企业任务不再需要最强模型。API 毛利率承压，模型公司被迫向云、应用、数据和工作流寻找利润。

受益者是拥有分发入口的云厂商、能够跨模型路由的中立平台和低成本推理基础设施；承压者是没有流量、数据或应用闭环的纯模型 API。

需要验证：开放模型在真实生产任务而非榜单上的成功率，是否持续逼近闭源旗舰。

情景二：推理能力提升，但“思考通胀”更快

模型解决的问题更难，单任务思考 Token、上下文和工具调用同步增长。每 Token 更便宜，但每个任务未必更便宜。

受益者是显存、带宽、互联、KV Cache 和推理调度；承压者是按低 Token 预算设计、却无法把成本传给客户的 AI 应用。

需要验证：单位任务 Token 数量、缓存命中率和重试率，是否出现失控。

情景三：Agent 爆发，Token 需求跨过弹性拐点

AI 从聊天工具变成后台劳动力。编码、客服、研究、营销和企业流程中的调用频率指数级上升，Token 总量增长跑赢降价。

受益者是 GPU、网络、内存、推理云和能证明自动化 ROI 的垂直应用；承压者是只增加 Token 消耗、没有提高任务成功率的“伪 Agent”。

需要验证：日活 Agent 数量、每 Agent 完成任务数和人工接管率，而不是只看注册用户。

情景四：效率软件很重要，但利润被云和芯片厂商内部化

调度、路由和推理引擎成为标配，却以开源组件或云服务功能的方式存在，独立软件公司难以收费。价值最终回到能够捆绑硬件、云资源和客户合同的平台。

受益者是 NVIDIA、头部云厂商和拥有企业分发的综合平台；承压者是技术优秀但缺乏商业闭环的纯开源项目。

需要验证：企业是否愿意为中立控制层单独付费，以及它能否带来可量化的 GPU 节省。

这四个情景并不互斥。最可能的组合是：模型价格战、思考 Token 膨胀、Agent 调用增加、效率价值被大平台部分吸收——同时发生。

这里最值得警惕的是“正确方向、错误标的”。

推理效率会成为大行业，但不代表每个推理软件都能成为好公司。开源会加速技术扩散，也会压低独立软件的收费能力；云厂商可以把路由和调度当作留住算力消费的免费功能；芯片公司也可以用软件提高硬件黏性。

因此，判断一家公司能否兑现 Token 效率红利，至少要问四个问题：

• 它提高的究竟是跑分，还是客户的单次成功任务毛利？
• 它的优化是否跨芯片、跨模型，还是只能服务自家生态？
• 客户愿意单独为软件付费，还是价值最终被云资源打包吸收？
• 效率提高以后，客户会减少支出，还是因为 ROI 改善而扩大使用？

未来一年，与其追逐每一次模型榜单更新，不如建立一张“有效 Token 仪表盘”：

1. 能力价差：开放模型与闭源旗舰在真实任务成功率上的差距；
2. 单任务成本：包含思考、重试、工具调用和人工复核后的完整成本；
3. 需求弹性：Token 价格下降 1%，使用量能否增长超过 1%；
4. 系统利用率：GPU、显存、KV Cache、网络和缓存命中率是否持续改善；
5. 商业转化率：每一美元 AI 支出带来的收入、毛利或工时节省。

这五个数字会决定 AI 基础设施究竟走向“降价后的产能过剩”，还是“效率提升后的需求爆炸”。

中国开放模型的意义，不只是用更低价格挑战 OpenAI 和 Anthropic。

更深的变化是，它们正在把模型从稀缺的“智能成品”，变成供应充足、规格多样的“智能原料”。一旦原料不再稀缺，产业的利润就会向炼化、调度、分发和应用迁移。

训练时代最重要的问题是：谁能造出更强的模型？

推理时代更重要的问题是：谁能把最合适的模型、芯片、内存和网络组合起来，用最低成本完成正确任务？

所以，AI 基础设施的下一个估值单位，可能不是 GPU 数量，也不是 Token 数量，而是：

当市场开始用这把尺子衡量公司，模型公司、云厂商、芯片公司、调度软件和 AI 应用的估值逻辑，都要重写。

这不是“模型不重要了”。

而是模型终于开始像一种真正的工业品，被按产出效率和商业结果定价。

本文仅为行业研究与叙事推演，不构成任何投资建议。模型性能、价格和公司经营数据可能快速变化，引用价格均为公开标准价，未计入缓存、批处理、折扣、区域税费与不同任务质量差异。