大模型的「单位成本」战争：一份给开发者的模型选型测算

大模型的单位成本战争

10 月 7 日这一天，AI 圈发生了件挺有意思的事：Anthropic 发布 Claude Haiku 5.5，OpenAI 发布 GPT-6。两家是直接的竞争对手，却在同一天、把新一代小模型的 API 定价，定到了**完全相同**的数字——输入 $0.10、输出 $0.50（每百万 Token）。

这不是巧合。当两家公司独立把价格定到分币不差，那不是巧合，是地板。

作为一个自己微调过模型、搭过知识库的人，我想聊聊这背后真正的信号：大模型正在打的这场仗，已经不是"谁更聪明"，而是"谁的单位成本更低"。

一、先看事实：价格是怎么掉下来的

先把公开信息摆清楚（来源标注在文末）：

Anthropic Claude Haiku 5.5（10-07 发布）：官方称其为迄今最快、成本最低、能力最强的 Haiku。平均运行成本比前代 Haiku 4.5 下降约 75%；提示词在 10 万 Token 以内的请求，API 价格比前代下降 90%——就是上面那个 $0.10 / $0.50。超过 10 万 Token 的部分降 50%。另一个变化值得注意：首次加入可调节的推理强度，意味着它可以被当成 Opus / Sonnet 的"子智能体"来调度。

OpenAI GPT-6（同日发布）：付费用户用 GPT-6 Sol，免费和 Go 用户用 GPT-6 Luna——而 Luna 的定价，和 Haiku 5.5 一模一样。

同一天还有谷歌：Gemini 4 Argon 把输出上限从 6.4 万 Token 提到 100 万 Token，单任务成本降四成。

三家、同一天、都在往同一个方向走。这不是产品发布季的巧合，是成本曲线的必然。

二、为什么会"撞价"？三个底层原因

原因一：推理成本在按自己的节奏往下走。 模型架构优化（稀疏化、量化、更好的 KV 缓存）、推理芯片迭代、批处理效率提升——这些工程进步是行业共享的，不是某家的独门秘籍。成本曲线往下走，价格迟早跟上。

原因二：小模型正在接管高频任务。 过去一年最明显的变化是：不是所有任务都需要最强的模型。分类、抽取、格式化、简单问答——这些占实际调用量的大头，用一个小而快的模型就够了，效果差异用户根本感知不到。厂商把新一代小模型的能力拉到接近上一代大模型，然后按小模型定价——这是降维打击。

原因三：缓存与批处理把边际成本压薄。 提示词缓存命中、批量推理折扣，这些机制让"重复调用"的成本结构完全变了。$0.10 这个数字里，藏着一整套工程优化的结果。

三、对开发者意味着什么：借口没了

我在高职教 AI 大模型技术课，学生问得最多的问题是"老师，做这个要花多少钱"。过去我的回答通常是"先算清楚调用量，再决定用哪个模型"——因为价格确实是约束条件。

现在这个约束在松动。$0.10 / 百万输入 Token 是什么概念？一次常规的代码问答，成本以厘计。 这意味着：

• **试错次数不再是成本问题**，而是设计问题。以前"这个 prompt 我再试两版"要算钱，现在可以放心迭代；
• **多模型协同从"高级技巧"变成"标配"**。贵的模型做规划，便宜的模型做执行——这个架构以前是成本敏感型团队的无奈之举，现在是最优解；
• **成本核算要重构**。当模型单价降了一个数量级，"省 Token"的优化优先级要往下调，**"用对模型"的优先级要往上提**。

降价的不是能力，是单位成本；省下来的不是钱，是试错次数。

四、对企业落地的三个实际影响

第一，POC 的门槛几乎归零。 以前做一个概念验证要申请预算、评估 ROI；现在几十块钱就能跑通一条完整链路。决策瓶颈从"要不要花钱试"变成了"想清楚要试什么"。

第二，"选型"这件事变复杂了，也变简单了。 复杂在于可选模型更多、价格变动更快；简单在于——既然高频任务用小模型、复杂任务用大模型是确定的最优结构，那选型框架就清晰了：按任务分层，而不是按厂商站队。

第三，成本优势的窗口期在缩短。 当头部厂商把价格压到地板，靠"更便宜"做差异化的空间就没了。竞争会回到产品体验、数据闭环、行业理解这些真功夫上。对做 AI 应用的人来说，这是好消息——你终于不用在价格上跟巨头比了。

五、给技术选型者的 3 个问题

1. 你的调用里，有多少比例其实不需要最强模型？ 先做任务分层，再谈选型。

2. 你的成本核算，算的是"单价"还是"单位任务成本"？ 便宜但要多轮调用的小模型，未必真的便宜。

3. 如果模型价格明年再降一半，你的产品设计会变吗？ 如果会，说明现在的设计里还留着可以砍掉的成本结构。

模型越便宜，"用不起"的借口越少——门槛从价格转到了能不能用对。

真正的门槛，从来不是价格，而是能不能用对。

写在最后

这一轮价格战最值得琢磨的地方，不是数字本身，而是它把行业的竞争焦点从"能力上限"挪到了"单位成本"。能力上限决定你能做什么，单位成本决定你能做多少遍。

对开发者来说，这意味着一个更宽松的试错环境；对企业来说，意味着 AI 落地的门槛正在从"预算"变成"想法"；对厂商来说，意味着靠价格领先的窗口期，可能只剩一个季度。

大模型的下一场仗不是跑分，而是账单。

*数据来源：Anthropic Claude Haiku 5.5 官方发布（2026-10-07，每日经济新闻、华尔街见闻同日报道）；OpenAI GPT-6 发布说明（2026-10-07，华尔街见闻、AIToolsRecap 同日报道）；谷歌 Gemini 4 Argon 更新（腾讯研究院 AI 速递 2026-10-08）；DeepSeek 融资报道（每日经济新闻 2026-10-08）。定价数据以各厂商官方定价页为准。*