大模型价格战再起：更强更便宜背后，到底发生了什么

大模型，又开始新一轮价格战？

雷科技注意到，过去几天，OpenAI、Anthropic、小米和 SpaceXAI 几乎前后脚推出新模型。GPT-6 Sol/Luna、Claude Opus 5.5、MiMo-V2.6 以及 Grok 4.7，名字不同、定位不同，但都让智能变得更「便宜」了。

OpenAI 最直接，GPT-6 Sol 相比上一代价格几乎腰斩，Luna 更是继续往低价打。Claude Opus 5.5 的 API 单价也直降 20%，Anthropic 声称典型任务的实际成本更是降低了约 40%。

当然不全是「降价」。小米的 MiMo-V2.6 和 SpaceXAI 的 Grok 4.7 都在维持上一代价格的同时，把性能又往前推了一截。但对开发者来说，区别并没有那么大：

同样的钱，正在越来越快地买到更多机器智能。

图片来源：雷科技@GPT

这件事本身并不新鲜。过去几年，大模型 API 价格一直在下降，尤其是国内开源大模型厂商的竞争，早已把每百万 Token 的价格打下来不少。但不同的是，这一轮变化发生在了一个很特别的时间点。

一边，OpenAI 和 Anthropic 开始公开讨论放慢前沿模型的开发速度，担忧 AI 能力增长过快带来的安全对齐风险。另一边，几家模型厂商却不约而同地加速把已经获得的能力做得更便宜、更高效。

与此同时，Agent 正在从聊天窗口走进编程、研究和办公，一次任务消耗的可能不再是几千 Token，而是几十万、几百万 Token，甚至数小时连续不断的模型调用。

更强、更便宜，到底「省」在了哪里？

为什么大模型可以越来越强，同时还越来越便宜？从几家厂商给出的解释来看，直接原因是模型训练和推理的效率都在提高。

相比过去单纯依赖扩大预训练规模，如今模型厂商可以「抠效率」的地方明显更多了。

OpenAI 把 GPT-6 Sol/Luna 的降价直接归因于缓存和推理效率的改善。两款模型继承了 GPT-6 Astra 的部分训练方法和能力，但在推理端进一步降低成本，OpenAI 称，也因此能够将节省下来的成本直接反映到 API 价格上。

Anthropic 走得更进一步。Claude Opus 5.5 的 API 单价相比 Opus 5 只下降了 20%，但 Anthropic 称，典型任务的实际运行成本降低了 40%。除了单个 Token 变便宜，新模型完成同一个任务本身也需要更少的 Token，同时缓存读取价格下降了 60%。

图片来源：Anthropic

模型变聪明，本身也开始成为一种「降价」。

小米则把更多功夫放在训练端。MiMo-V2.6 没有降低 API 价格，而是在 V2.5 基础上进一步扩大 Agentic 强化学习 的规模。

不到 6 天的直播强化学习训练中，Flash 和 Pro 累计产生约 75 万条 trajectory，小米称，通过更大的 Batch、更复杂的任务环境以及更精细的奖励机制，让模型学会用更短的路径、更少的 Token 完成任务。

最终，V2.6 Flash 已经全面超过上一代 V2.5 Pro，而价格保持不变。

SpaceXAI 的路线又有些不同。Grok 4.7 不仅没有缩小模型，反而使用了更大的基础模型，同时进行了更长时间、面向更困难任务的强化学习，并强化模型的自我验证、长上下文和 Agent 能力。

最后在维持 Grok 4.6 相同 API 价格的情况下，把 Coding 和 Agent 任务表现继续往上推。

四条技术路线并不完全一样，但结果又殊途同归。今天，从训练后的强化学习，到推理优化、提示词缓存，再到让模型减少无效 Token 和工具调用，模型厂商正在整个链条上寻找效率。

这也是这一轮「价格战」最直接的技术背景。

大模型当然还在变强，只是越来越多的能力提升，已经不需要简单地用更高的推理成本来交换。对开发者而言，最终体现出来的就是一件很朴素的事情：同样一个任务，模型能用更少的钱做完。

一边踩刹车，一边加速「降价」为哪般？

但如果只是技术效率的提高，还不足以完全解释这一轮「价格战」。

就在一个月前，OpenAI 宣布暂时放缓模型 Scaling，包括暂停两周最新部署模型的强化学习训练，原计划最大规模的前沿强化学习训练也继续搁置。直接原因有两个：一是内部 Agent 安全事故，二是 GPT-6 Astra 达到了「关键网络安全能力」门槛。

核心在于，前沿模型的能力增长太快，监控、对齐和安全措施需要时间跟上。

Anthropic CEO Dario Amodei 更进一步，公开提出「Pace the Frontier」，呼吁整个行业放慢前沿 AI 模型的能力增长速度。Anthropic 甚至特意在刚刚发布的 Claude Opus 5.5 中再次提到这件事。

图片来源：Wikimedia

乍看之下，这和眼下的「价格战」多少有些矛盾。

但这里很容易忽略的一个点是，OpenAI 和 Anthropic 并非呼吁放慢整个 AI 产业的技术进步，而是放慢最前沿能力边界继续向外扩张的速度。

按照 Amodei 的说法，「Pacing」并不意味着停止模型训练或者技术进步。相反，他认为今天的模型本身已经是一座巨大的「研究金矿」，值得投入更多时间去理解、对齐和利用。

这恰恰给眼下这轮价格战提供了另一种理解。

OpenAI 就提供了一个很直观的数据。8 月对 Astra 施加更严格的安全限制后，Astra 级模型的 GPU 分配一度下降 59.2%，但其他模型类别的 GPU 分配随即增加 17.2%，抵消了前者大约 85% 的下降。算力并没有闲下来，只是流向了其他模型和实验。

当然，这并不能证明 GPT-6 Sol/Luna 的降价就是 Astra 放缓开发的直接结果。但它至少说明顶尖模型厂商的竞争，不只有一条「训练更强模型」的路。

同样的算力和研发投入，可以拿去冲击下一个能力上限，也可以拿来优化现有模型，通过强化学习、推理优化、缓存、蒸馏和工程改进，把已经得到的能力做得更便宜、更可靠。

而 Agent 的兴起，又进一步放大了后一条路线的价值。

聊天机器人时代，一次回答可能只消耗几千 Token。但 Agent 时代，模型开始连续工作几个小时，反复读取上下文、调用工具、自我检查甚至调度其他 Agent。模型每便宜一点，都可能直接决定一个 Agent 产品到底能不能规模化运行。

但 Agent 还有另外一面。Amodei 解释自己为什么开始支持放缓前沿模型时，提到的一个核心变化就是 RSI 递归自我进化，用人说就是：

AI 越来越多地参与下一代 AI 的研发。

Anthropic 今年 8 月披露，Claude 已经在 26% 的内部 AI 研发任务中处于「主导」位置，超过 90% 的相关工作至少已经进入人与 AI 协作状态。OpenAI 也观察到了类似趋势，Coding Agent 正在越来越多地参与写代码、搭实验、分析结果和推进模型研究。

模型更便宜、更好用，意味着可以运行更多 Agent。更多 Agent 又可以参与模型研发，提高研究人员的效率，加快下一代模型的训练和迭代。

智能越便宜，生产更多智能也就越容易。而越来越快的智能扩散，或许才是这一轮「价格战」最值得注意的地方。

写在最后

过去几年，大模型降价几乎已经成了一件理所当然的事情。模型越来越多，算力和算法效率不断提高，价格自然一路往下走。

但当 OpenAI 和 Anthropic 开始认真讨论如何放慢最前沿的能力增长，另一场竞争反而变得更加清晰：顶尖的机器智能，以更快的速度被优化、下放和扩散。

正如威廉·吉布森在《神经漫游者》中写下的那句话：「未来已来，只是分布不均。」但现在，这种机器智能的「不均匀」，也正在迅速消失。