从 3T 级开源模型到分层调度：2026 年中大模型定价、Agent 能力与选型实战全解

本文由 辛梓煜@词元2号站（www.ciyuanerhao.com）撰写，转载请注明出处。

快速摘要

这一周模型圈挤了四件大事，串起来看只有一个结论：模型能力本身的溢价正在被快速摊薄，真正决定你账单的，已经不是"选哪个模型"，而是"怎么把任务分给不同价位的模型"。具体到数字：DeepSeek-V4-Flash 正式版（0731）在保持结构与尺寸完全不变的前提下重做了后训练，九项 Agent 基准全面超过体量更大的 V4-Pro 预览版，Terminal Bench 2.1 拿到 82.7，而官方 API 价格一分没涨——常规时段每百万 tokens 缓存命中输入 0.02 元、未命中输入 1 元、输出 2 元；GPT-5.6 Luna 的 API 价格被砍掉 80%，降到每百万 tokens 输入 0.2 美元、输出 1.2 美元，Terra 同步降 20%，旗舰 Sol 价格不动但新增了更快的 Fast 模式；智谱的 GLM Coding Plan 结束限量抢购状态恢复开放订阅，同时把计费方式换成积分制，国内版连续包月三档定价调整为 118 元、538 元、1078 元；Codex 那个被临时撤掉的五小时窗口，也已经在 7 月 30 日回归。

上面这段是给"只想要结论"的人看的。如果你现在正在为 Agent 应用的调用成本发愁，或者在犹豫该续订哪家的编程套餐，那接下来的内容会更有用：我会把这几件事背后的机制拆开讲——后训练到底改变了什么、缓存命中为什么比标价重要一个数量级、峰谷定价该怎么绕、订阅制和按量付费的临界点在哪里，最后给出一套我自己在用的分层调度方案，包含可直接复用的路由伪代码和成本核算公式。

想看完整拆解，往下翻。

一、把时间线拉直：这一周到底发生了什么

先说个观察。这类消息单看一条，都只是"某某模型又降价了"这种级别的行业新闻，划过去就忘了。但如果把七月下旬这一串事件按时间顺序摆开，会发现它们不是互不相干的巧合，而是同一条产业逻辑在不同环节上的连续反应。

1.1 四件事，十天之内

按时间顺序捋一遍：

七天，七件事。密度高得有点反常。

1.2 为什么这几件事必须放在一起看

我第一次快速扫完这些消息的时候，本能反应是"又在打价格战"。但多琢磨两天，感觉不太对——如果只是单纯的价格战，逻辑应该是"你降我也降"，可实际情况是有人在降、有人在涨，方向都不一样。

拆开看会清楚很多。

顶配开源模型放出权重这件事，改变的是能力的稀缺性。在此之前，"这一档智力水平只能从少数几家闭源厂商买到"是一个成立的前提，价格可以建立在这个前提之上。权重公开之后，这个前提就松动了——虽然真要跑起来门槛依然高得吓人（后面第二章会算这笔账），但"技术上不可替代"变成了"经济上不划算"，性质完全不同。

紧接着的大幅降价，改变的是价格的锚点。当一个前沿系列里最轻的那档模型把输入价压到每百万 tokens 两毛美元，它就不再是"高端产品线的入门款"，而是直接杀进了低成本推理这个市场分层。这个动作的目标很明确：把那些原本因为价格因素被路由到小模型、开源模型上的高频任务重新抢回来。

而 V4-Flash 正式版走的是第三条路径——不动价格，只把能力提上去。这是最难被跟进的一种打法，因为它拼的不是补贴力度，而是训练效率。

至于订阅套餐涨价，看起来跟前面三件事拧着来，其实指向的是同一个问题的另一面：Agent 类应用的实际算力消耗，比大家原先估计的高太多了。按量付费那头在降单价，包月订阅这头在涨月费，两边同时发生并不矛盾——单次调用便宜了，但 Agent 一个任务能自己发起几十上百次调用，总量反而在涨。

1.3 这篇文章想解决的问题

我不打算把这些消息复述一遍就完事，那样的信息随处可见。我更想回答几个实际问题：

• 同样一笔预算，怎么花能跑更多的活？
• 那些标价背后，哪些数字是真会影响账单的，哪些是看着吓人其实无所谓的？
• 订阅套餐和按量付费，临界点到底在哪？
• 一套分层调度的方案，具体该怎么落地？

这些问题的答案，需要先把底层机制搞明白。所以下面几章会花不少篇幅讲原理——不是为了显得专业，而是因为不懂机制的话，价格表你根本读不对。

二、3T 级开源模型：一次门槛的重新标定

先从开源那件事说起。因为它是这一连串反应的起点。

2.1 这个体量意味着什么

这次放出的模型总参数量到了 2.8T 这个级别，激活参数约 104B，原生支持视觉输入，上下文窗口 100 万 token。架构上用的是一种改良的稀疏专家路由方案，在 896 个专家里只激活 16 个。

这里先立个界桩，免得后面串线。本章讨论的是这个 3T 级的开源模型，它和第三章要讲的 DeepSeek-V4 系列是完全不同的两个模型，分别出自不同厂商，参数规模差了整整一个数量级。两者唯一的关联是：前者拉低了这一档能力的稀缺性，后者是这场连锁反应里的参与者之一。后文凡是提到"2.8T / 104B"的地方指的都是本章这个开源模型，提到"284B / 13B"的地方指的都是 V4-Flash，不要弄混。

这里得先给新手解释两个词。

MoE（混合专家，Mixture of Experts）：你可以把它想象成一家超大型综合医院。医院里有几百个科室（专家网络），但你挂号看病的时候，不需要所有科室的医生同时会诊——分诊台（路由器）判断你的问题属于哪一类，只把你转给其中两三个相关科室。模型也一样：总参数量记录的是"医院有多大"，激活参数量记录的是"看一次病实际动用了多少医生"。所以 2.8T 总参数、104B 激活参数的含义是：模型肚子里存了海量知识，但每次推理只调用其中约 3.7% 的权重参与计算。

稀疏度（Sparsity）：就是"总参数 / 激活参数"这个比值。这次的 896 选 16，稀疏度比上一代提升了一大截。稀疏度越高，理论上"知识存量"和"单次计算量"的比值就越划算——同样的推理开销，能撬动更多的存量知识。这也是近两年模型规模能一路往上堆、单次调用价格却在往下走的核心原因之一。

用一个简化的式子表达单次前向传播的计算量关系：

[

C_{\text{单次推理}} \propto N_{\text{激活}} \times L_{\text{序列}}

]

也就是说，决定推理开销的是激活参数量 (N_{\text{激活}}) 和序列长度 (L_{\text{序列}})，而不是总参数量。这个认知很关键——很多人看到"2.8T 参数"就默认它一定比"284B 参数"贵十倍，其实完全不是这么算的。

2.2 权重开放了，但你大概率跑不起来

社区随后放出的量化版本，是这件事里最有意思的一环。

原始精度下，光是权重文件就要 1.56 TB。经过动态低比特量化处理后，体积压到 594 GB，缩了大约 62%，而模型在测试中仍保留了约 78.9% 的准确率。听起来像是"用两成多的精度损失换六成体积"，很划算。

但这里有个坑。594 GB 是文件体积，不是运行所需内存。实际跑起来还要加上 KV 缓存、激活值、框架开销，社区给出的可用下限大约在 650 GB 的显存加内存总量。这个数字什么概念？顶配到 512 GB 内存的桌面工作站，一台还不够，得两台机器组集群。

我自己算了一下这笔账，结论是：对绝大多数人来说，"能不能本地跑"这个问题的答案是明确的"不能"。

辛梓煜@词元二号站 提醒一句，别被"1-bit 量化"这种词吓得以为门槛降到消费级了。量化技术确实在快速进步，但它压缩的是模型体积，而顶配模型的绝对体积本身还在膨胀，两条曲线目前谁也没甩开谁。

顺带说一下量化的原理。神经网络的权重原本是高精度浮点数（比如 16 位），量化就是把它们压成低精度整数表示。粗暴地全部压到 1 位显然会毁掉模型，所以现在主流做法是动态量化——对模型不同部位区别对待：注意力层、归一化层这些对精度敏感的部分保留较高精度，专家网络里那些相对冗余的权重压得狠一点。这就像给行李打包，易碎品单独裹泡沫，衣服可以往死里压。

用一张图表示这个取舍关系：

graph LR
    A[原始权重 1.56TB] --> B{量化策略}
    B -->|全部压到低位| C[体积最小 / 精度崩塌]
    B -->|动态分层量化| D[594GB / 保留约 78.9%]
    B -->|保守量化| E[861GB / 保留约 90%]
    B -->|近无损| F[接近原始体积 / 精度基本不变]

可以看到，体积和精度是一条明显的取舍曲线，没有免费午餐。

2.3 它对价格体系的真实影响

现在回到主线。既然几乎没人能本地跑，为什么说它改变了价格体系？

因为它改变的不是终端用户的选择，而是服务商的定价底气。

权重公开之后，任何一家有足够算力的云服务商都可以把它部署起来对外提供接口。这意味着这一档能力的供给方从"一家"变成了"很多家"，而多方供给的直接后果就是价格竞争。终端用户不需要自己买机器，只需要在众多托管服务里挑一个便宜的。

所以真正的逻辑链条是：

权重开放 → 托管服务商增多 → 同档能力供给增加 → 该档位价格下行
                                    ↓
                        闭源厂商的高价位段被压缩
                                    ↓
                    闭源厂商向下抢占低成本推理市场

后面 GPT-5.6 系列的大幅降价，放在这个链条里看就顺理成章了——不是突然想让利，而是上游能力的稀缺性被削弱之后，必须往下找新的价值支撑点。

我自己折腾这一行有段时间了，感受是：每一次有顶配模型开放权重，接下来两三周内一定会有闭源厂商跟着调价，几乎成了规律。这次只是间隔特别短，从权重公开到降价公告只隔了三天。

三、V4-Flash 正式版：结构一个字没改，能力换了个人

这是这批消息里我个人认为技术含量最高的一条，也是最容易被"又降价了"的标题淹没掉的一条。因为它压根就没降价。

3.1 官方日志里的关键句

DeepSeek 在 7 月 31 日的更新日志里写得很直白：V4-Flash 正式版 API 上线公测，调用方式不变，模型名依然设为 deepseek-v4-flash 即可用上最新版本；模型结构、尺寸与此前的 preview 版本保持一致，仅重新进行了后训练。

同时明确说明：本次只升级了 V4-Flash 的 API 接口，V4-Pro 的 API 以及应用端、网页端的模型都没有改动，Pro 的正式版还在路上。

这几句话信息量很大。翻译成人话就是：同一个模型骨架，换了一套训练后期的调教方案，能力跳了一大截，价格不变。

先把这个"骨架"的规格摆清楚，因为它和第二章那个开源模型完全不是一个体量。V4-Flash 采用效率导向的混合专家架构，总参数 284B、激活参数 13B，上下文窗口 100 万 token，最大输出长度 38.4 万 token，配合 token 压缩注意力与稀疏注意力机制优化长上下文开销。

把两者放一起对照一下，差距很直观：

总参数差约十倍，激活参数差约八倍。用第二章那个式子 (C_{\text{单次推理}} \propto N_{\text{激活}} \times L_{\text{序列}}) 去估，同样长度的输入下，Flash 的单次推理开销大致只有前者的八分之一左右。这就是它敢把输出价定在每百万 tokens 2 元的底层原因——不是靠补贴硬撑，是激活规模本来就小。

理解这个数量级差异之后，下面这组基准成绩才读得出味道：一个激活参数只有 13B 的模型，在 Agent 基准上反超了同门体量更大的旗舰预览版。

对开发者来说这意味着什么？意味着你现有的项目一行代码都不用改，接口不用换，价格不用重新核算，模型能力自己涨了。这种升级方式在工程上的友好程度，比"发布一个全新模型请迁移"高出一大截。

3.2 九项 Agent 基准，怎么读才不被数字忽悠

官方公布了九项基准成绩：

官方给这组数据加了两条注释，这两条注释比数字本身更值得注意：第一，公开基准中的代码智能体任务，测试时用的是官方自己的极简框架，参数设定为最高推理档位、topp = 0.95、temperature = 1.0；第二，最后两项是内部测试集，外部无法复现。

我的解读是这样的。

**先说数字本身的含金量。**Terminal Bench 2.1 的 82.7 分，相比 preview 版本的 61.8 分是个巨大的跃升，也超过了 V4-Pro preview 版本的 72.1 分。一个轻量档位的模型在 Agent 基准上反超同系列的旗舰预览版，这在过去的产品分层逻辑里是不太出现的。

**再说要打的折扣。**Terminal Bench 2.0 和 2.1 不是同一个版本的测试集，跨版本直接对比并不严谨。而且"最高推理档位"这个设定意味着测试时模型是在满负荷思考，实际生产中如果你为了控制延迟调低推理档位，成绩不会是这个水平。至于两项内部测试集，只能当作官方对自身定位的说明来看，没法作为横向对比的依据。

**最后说结论怎么下。**我的看法是：这组数据不足以支撑"Flash 已经可以全面替代 Pro"，但足以支撑"做 Agent 类任务时，Flash 值得进入第一轮候选，而不是只作为省钱备胎"。这两个结论之间的差距很大，别混为一谈。

需要额外提醒的是，Agent 基准只覆盖了模型能力的一个切面。世界知识储备、复杂推理的上限、超长文本下的稳定性、事实准确率、指令遵循的严格程度，这些维度上模型规模的差异仍然会体现出来。做法律条文检索、学术文献分析这类重知识的任务，大模型的优势还在。

3.3 "只重做后训练"到底改了什么

这是全文我最想讲清楚的一个原理点。

现在的大模型训练大致分两个阶段。预训练是让模型读海量文本，学会语言规律和世界知识，这一步成本极高，动辄几千万美元级别的算力投入，参数结构在这一步就定型了。后训练是在预训练模型的基础上做精调，教它怎么按人类期望的方式回答问题、怎么正确调用工具、怎么在多轮任务里保持目标不跑偏。

打个比方：预训练像是让一个人念完了大学，具备了完整的知识体系；后训练则像是入职培训，教他这家公司的工作流程、汇报规范、怎么用内部系统。同一个大学毕业生，入职培训做得好不好，工作表现能差出十万八千里。

V4-Flash 这次干的就是把"入职培训"整个重做了一遍。

为什么后训练对 Agent 能力影响这么大？因为 Agent 任务的核心不是"知道答案"，而是"知道下一步该干什么"。一个完整的 Agent 循环长这样：

观察当前状态 → 决定调用哪个工具 → 构造正确的调用参数
      ↑                                    ↓
      └────── 读取工具返回结果 ←────── 执行调用

这个循环里的每一步都是行为模式而不是知识储备：什么时候该停下来、什么时候该重试、工具报错了怎么处理、参数格式该怎么写。这些恰恰是后训练阶段用大量交互数据教出来的，跟预训练学到的知识关系不大。

所以"结构不变、重做后训练就能让 Agent 基准大幅提升"这件事，逻辑上完全说得通。它同时也说明一个问题：preview 阶段的后训练大概率是赶进度的产物，正式版才用上了更充分的数据和方法。

对我们使用者的启发是：**看到某个模型 Agent 表现不佳时，别急着断定"这个模型不行"，先确认你用的是不是最新版本。**后训练迭代的速度比换架构快得多，同一个模型名下，三个月前和现在可能完全是两回事。

3.4 原生支持 Responses API 与 Codex 适配

正式版另一个变化是原生支持 Responses API 格式，并针对 Codex 做了适配。

Responses API 是相对传统 Chat Completions 接口的一次演进。传统接口的设计假设是"一问一答"：你发一段消息，模型回一段文本，工具调用是后来打补丁加上去的。Responses API 则从设计之初就面向多轮推理、工具调用和结构化输出，对流式工具调用、复杂多轮交互、输出格式的精细控制都有更好的支持。

对国内开发者的实际意义是：如果你的 Agent 应用原本是基于某个海外生态的接口格式开发的，现在迁移过来的改造成本大幅降低。接口格式一致，很多时候只需要改一个 base_url 和 api_key。

这一步棋的意图很清楚——不跟你比谁的生态更完整，直接兼容你的生态，然后在价格上做文章。这是国内厂商这两年一直在用的策略，只不过这次执行得更彻底：连对方最新推出的接口格式都直接原生支持了。

需要说明的是，目前 Responses API 格式只支持 Flash 这一档，Pro 的接入还要再等一段时间。如果你的项目重度依赖这个格式，选型时要把这一点算进去。

四、GPT-5.6 系列降价：把最轻的那档砍到两折

7 月 30 日的这次调价，幅度确实少见。

4.1 具体数字

单位均为每百万 tokens。Terra 的组合价格从 17.5 美元降到 14 美元，Luna 则是从 7 美元直接降到 1.4 美元。

这个系列的三档定位是：Sol 是旗舰，处理最复杂的推理和长程智能体任务；Terra 是均衡档，面向日常生产环境；Luna 是最快最便宜的一档，官方给的定位是高吞吐、低延迟场景——文档分类、请求路由、摘要生成、轻量级实时助手，这类"单次请求成本是主要约束"的活儿。

官方对降价原因的解释是服务效率提升，包括模型自身在开发过程中优化生产代码、改进 token 生成效率带来的收益。这个说法有多少水分不好判断，但从时间点看，跟前面讲的开源模型放权重只隔三天，很难说是纯粹的技术红利释放。

4.2 Fast 模式：把速度单独做成商品

旗舰档 Sol 的价格没动，但新增了一个 Fast 模式，替代原先的优先处理选项。这个模式的规则很简单：速度最高提升 2.5 倍，价格翻倍，智力水平不变。

我觉得这个设计值得单独说两句，因为它体现了一种定价思路的转变。

过去模型服务的定价维度基本只有一个——智力水平。你想要更聪明的模型，就付更多的钱。Fast 模式把响应速度拆出来做成了独立的付费维度：同样的智力，你可以选择便宜且慢，或者贵一倍但快 2.5 倍。

这对什么场景有意义？交互式产品。如果你在做一个用户面对面等待响应的应用，延迟直接影响体验，多花的钱是买体验；而批量处理任务、后台跑的定时作业，延迟根本不重要，那就用标准模式。

换句话说，从这一版开始，成本优化多了一个可调的旋钮。原来你只能在"用哪个模型"上做文章，现在还可以在"同一个模型用哪种速度档"上做文章。

4.3 订阅侧的连带效应

这次降价还有一个容易被忽略的影响：订阅制产品的额度换算方式跟着调整了。

订阅价格本身没变，但 Terra 和 Luna 在订阅额度中消耗的信用点变少了。也就是说，同样的月费，同样的额度上限，你现在能用这两档模型跑更多的任务。

这是一个"不涨价的涨价"——或者说"不降价的降价"。对已经在付订阅费的人来说，实际获得的算力变多了，但账单数字没变，感知上不如直接降价那么强烈，成本却实实在在地降了。

4.4 官方给 Luna 安排的位置

从官方给出的使用建议看，Luna 的定位相当明确：它不是用来独当一面的，是用来给大模型打下手的。

推荐的编码工作流是这样分工的——先让旗舰模型处理不确定性、拆解问题、制定方案，再让 Luna 去实现那些已经定义清楚的改动、编写和运行测试、核验执行结果。

这个分工逻辑我非常认同，也是我自己实践下来觉得最省钱的一种做法。原因很简单：一个软件开发任务里，真正需要"高智力"的环节其实占比很小。判断该改哪个文件、设计什么样的接口，这些需要旗舰模型；而按照既定方案改二十处调用点、跑一遍测试、把报错信息整理出来，这些活儿轻量模型完全能干，而且干得又快又便宜。

如果把这些低风险、高频次的琐碎工作全部堆给前沿旗舰模型，成本一定降不下来。Luna 这一档存在的意义就是填这个空档。

另外提醒一句，海外厂商的接口在国内使用时，请通过官方合规渠道或国内云服务商提供的正规代理服务接入，不要图省事走来路不明的中转。接口稳定性、数据安全、账号合规这三件事，任何一件出问题都够你折腾很久。

五、把价格摊开算：标价之外的三个变量

聊完各家的动作，该算账了。这一章是全文最实用的部分，建议对着自己的实际用量一起看。

5.1 统一口径的价格对照

先把三家主力放在同一张表里。注意这里的口径统一换算成人民币，按当前汇率粗略折算，实际结算以各家计费为准。

这里要特别说明一下 Pro 的价格来历，因为网上流传的旧数字很多。V4-Pro 刚发布时的原定价是缓存命中输入 0.1 元、未命中输入 12 元、输出 24 元，当时叠加了一个限时 2.5 折优惠。2026 年 5 月 22 日官方宣布这个折扣不再限时，自 5 月 31 日起永久锁定为原定价的四分之一，也就是上表里的 0.025 / 3 / 6 元。所以如果你在别处看到"Pro 输出 24 元"的说法，那是被优惠取代之前的价格，不是现价。上表所有数字均为平时段价格，高峰时段的倍率见 5.3 节。

单看这张表能得出几个结论：

第一，Flash 这一档在三项单价上全面最低，输出价格只有 Luna 的四分之一左右。

第二，Pro 的输出价格比 Luna 便宜，输入价格比 Luna 贵。这意味着两者的成本排序取决于你的任务是"输入重"还是"输出重"——做长文档分析（输入多输出少）Luna 划算，做代码生成（输入少输出多）Pro 划算。

第三，也是最容易被忽略的一点：**缓存命中价格的差距，比未命中价格的差距大得多。**Flash 的缓存命中输入价是未命中价的五十分之一。这个比例在整套成本结构里的分量，远超标价本身。

关于第三方评测，Artificial Analysis 对正