连Anthropic也降价了，AI推理价格战蔓延

我已经写了很多关于推理经济学的文章——尤其是随着“够用就好”的开放权重模型的出现。我们开始看到所有前沿实验室都展开了真正的价格竞争，连一向不愿降价的Anthropic也不例外。让我们深入探讨一下市场动态。

OpenAI打响了发令枪

7月底，GPT-5.6 Luna最初那次80%的降价无疑震动了市场，事实上，这是近年来头一次有一个非开放权重模型短暂登顶OpenRouter。

紧接着GPT-6 Luna和GPT-6 Sol又降价50%。大约两个月内，Luna降价90%，Sol降价60%。

对于一家前沿实验室来说，这是一条异常激进的降价轨迹。显然OpenAI想要夺取市场份额，而且我认为这已经被证明非常成功。

DeepSeek

虽然这篇文章如果详细讨论所有开放权重模型会变得太长，但我认为DeepSeek是最值得关注的。他们的推理效率确实给市场留下了深刻印象——毫无疑问前沿实验室在幕后也在做类似的事情——但他们在公开渠道发表的大量论文真正引起了我的注意。

让我们快速看一下他们在官方API上的推理价格（▲/▼ 与同一时段之前价格的对比）：

有意思的是，这些价格相比4月的基准其实上涨了——非高峰时段的输入价格大致持平，但非高峰输出价格约为2倍，高峰时段约为4倍。不过需要注意的是，DeepSeek的“高峰”时段实际上是中国的高峰时段，所以对西方时区来说，这些时段大部分恰好很好地覆盖了工作日。

为了强调OpenAI的降价力度有多大，他们现在在输入和输出token上比DeepSeek还便宜。但这其中有一个重要的陷阱——DeepSeek在缓存输入方面仍然便宜得多，而正如我最近所写的，缓存输入实际上构成了智能体用例的大部分成本，所以我认为对许多用例来说DeepSeek会（往往显著）更便宜，但这是一个我觉得没有多少人真正注意到的非常有趣的市场动态。

Anthropic的回应

不过我认为最大的新闻还得是Opus 5.5的大幅降价。我一直有种感觉，此前Anthropic并不真正认为他们需要在价格上竞争。

我认为Fable反响平平可能改变了他们的想法。一方面激进的护栏让它难以用于许多高要求的工程工作，另一方面定价又极高，我觉得很多人都坚持用Opus。

不过有了Opus 5.5，他们似乎确实在回应市场，输入和输出token的价格都降低了20%。虽然这仍然比Sol贵得多，但更值得关注的是缓存读取价格的降幅——下降了60%（！）。由于缓存读取是较长智能体会话的主要成本驱动因素，这实际上比20%的表面数字要大得多，某些会话的综合费率可能因此降低50%。

看起来未来几周还会有一款新的Haiku 5.5模型发布——它将成为Luna的直接竞争对手。我非常好奇他们是否会就此与OpenAI展开价格竞争。

并排对比

以下是当前价格的对比情况（每百万token），以及两个示例智能体会话的成本。会话A是1000万次缓存读取、50万输入和20万输出。会话B更偏缓存密集：2000万次缓存读取、20万输入和10万输出。为简单起见，我忽略了缓存写入。

会话越偏缓存密集，DeepSeek相对Luna的优势就越大——Opus 5.5也越接近那50%的降幅。

前沿市场到底有多大？

但这引出了一个非常有趣的问题。Luna、DeepSeek等模型在日常使用中完全够用，而且用起来更快。随着这些模型越来越好，对大型、昂贵的前沿级模型的需求会越来越少。

所以我相信这些模型和降价正在蚕食大量收入。这无疑会被远为更多的消费量所抵消，但毛利率会低（得多）。

公平地说，降价并不等于利润率下降。如果服务成本以同样的速度下降，利润率完全可以撑住——正如我之前写过的，我认为这些实验室在推理方面有很大的余地。但两个月内降价90%，很难仅用效率提升来解释。

我越来越清楚地看到，我们最终可能会陷入这样一种局面：Astra、Fable和Opus级别的模型变成面向特定任务的非常专业化的细分市场。普通的“办公室”工作者使用较小模型已经绰绰有余，而且越来越多的软件工程任务也是如此。

我不太相信旗舰模型的推理市场在中期会有那么大。

这给前沿实验室带来了一个非常有趣的问题。这些模型的训练成本几乎肯定要高几个数量级，而它们的相对需求可能正在下降，这意味着训练成本分摊到了更少的客户身上。严格来说，训练是研发而非销售成本，所以不会体现在毛利率中——但这确实意味着每次训练要回本需要长得多的时间，如果真能回本的话。

假设这种情况持续下去，会带来两个显而易见的结果。

第一个结果是前沿实验室不再训练这些巨型模型，转而更专注于推理效率和较小模型的质量。这有多可行，我不太确定，中国实验室非常适合这种模式，而且大部分情况下成本基础要低得多。很难不注意到，在这种情况下，呼吁监管来为前沿发展定速的声浪对实验室来说相当有利。如果谁都不被允许跑在前面，你就可以更久地榨取每一次昂贵训练的价值。

另一个结果是前沿实验室向技术栈的上层移动，不再为这些较大模型提供推理服务，而是把这些模型留给自己，致力于“垂直整合”的产品，例如制药领域的尖端科学研究。我们看到Anthropic悄悄建立了一个生物学实验室，这与这一方向吻合。

但一如既往，这个市场的动态很难预测。无论哪种方式，我们都在见证平价智能的爆发，而在一两年前这看起来还不太可能。

我建议密切关注这些价格更新。我现在的直觉是，市场将越来越转向奖励那些能在推理效率上取得突破的公司，而不是奖励那些拥有原始智能的公司。