OpenAI、Anthropic中端模型传出大降价：旗舰溢价开始过商业关

输入、输出 token 一起降价80%；另一款新模型，价格只有同系列参照型号的一半。按一份标注为2026年8月的材料，OpenAI和Anthropic正在中端模型市场明显让价。

反常之处在后半句：最先进的美国模型没有全面跟降，价格仍可能持平，甚至上涨。中端抢客户，旗舰守利润。两家公司打的不是简单价格战，而是一场产品分层保卫战。

这份材料的发布日期、模型名称和融资判断都带有明显的未来时点属性。现有线索也没有附上官方价目页、模型卡和测试报告。因此，GPT-5.6 Luna、Claude Opus 5等名称及以下数字，只能按待核验的报道口径讨论，不能当成当前已经生效的官方报价。

中端降价，旗舰没有跟

材料给出的核心变化很集中：

企业客户已经开始拿脚投票。材料点名DoorDash、Airbnb等公司，称它们测试或采用中国模型，以控制不断上升的AI账单。

压力来自两个方向。

一是性能差距缩小。许多企业任务并不需要最强模型，客服分类、信息抽取、文案生成和内部知识检索，只要模型达到“够用”的准确率，采购就会开始比较价格和稳定性。

二是部分中国模型可以下载、部署和修改。企业因此多了一条退出路线，也多了一张议价牌。即便最后没有迁移，测试结果也能拿去和美国供应商重新谈合同。

“天下熙熙，皆为利来。”企业采用哪国模型，很少只看排行榜。预算、数据控制和供应商锁定，往往比几分基准成绩更接近真实决策。

这还不能证明美国厂商已经失去技术领先。它只说明，中端市场不再愿意为品牌和参数表无条件付费。

token便宜，不等于任务便宜

模型价目表最容易制造一种错觉：输入和输出单价低，使用成本就一定低。

企业真正支付的是任务总成本，大致可以写成：

任务总成本 = 输入费用 + 输出费用 + 缓存与工具调用费用 + 重试成本 + 部署运维成本

其中最容易被忽略的是重试。

便宜模型如果一次成功率偏低，团队就要增加提示词、提高推理 effort、调用更多工具，或者让另一款模型复核。单次请求省下的钱，很可能被第二次、第三次请求吃掉。

上下文窗口、缓存命中率和批处理折扣也会改写结果。同一款模型，实时请求和批量任务的成本可能不是一回事；长文档任务与短对话任务，更不能只拿“每百万 token”横比。

企业测试时，至少要把下面几项放进同一张表：

最实用的做法不是立刻迁移，而是抽取一批真实业务任务，固定提示词、验收标准和流量条件，做两到四周的影子测试。最后比较“每1000项合格任务的总成本”，而不是比较价目表上最醒目的数字。

负责模型选型与成本控制的技术团队，接下来会更频繁地采用多模型路由：高难度任务留给旗舰，批量、重复、容错率较高的任务转给便宜模型。关注AI商业化的行业读者，则要少看一次发布会上的降价幅度，多看企业续约率、真实调用量和折扣后的收入。前者决定产品是否好卖，后者才决定估值有没有利润支撑。

中端先松，旗舰仍是利润防线

我更在意的不是80%这个数字，而是降价发生在哪一层。

如果厂商真的准备全面以价换量，旗舰模型也应该同步大降。但现有材料描述的动作更像产品分层：中端模型负责拦截中国竞争者，旗舰模型继续向高价值客户收取性能溢价。

这套算盘并不荒唐。

中端降价可能来自推理效率提升，也可能是主动压缩利润换取调用量。只要新增使用量足够大，单位价格下降未必导致总收入下降。企业客户留在同一套API、权限和安全体系里，也能减少流失。

问题在于，旗舰溢价必须拿出更硬的证明。复杂代码、长链推理、工具调用和高风险业务的成功率，究竟领先多少？这种领先能否转化成更少的人工复核、更低的重试率和更高的续约率？如果回答含糊，高价就只剩品牌税。

云计算行业早就演过类似一幕。基础算力价格不断下降，厂商真正守住利润的地方，逐渐转向数据库、网络、托管服务和企业合同。今天的模型市场不完全一样，但商业规律相近：基础能力越标准化，利润越要往难替代的服务层迁移。

中国可下载、可修改的模型会加速这个过程，却也有现实约束。企业自行部署要承担GPU利用率、推理优化、监控、安全和版本维护；跨境业务还要处理数据合规与供应链风险。低 token 价格不能自动换算成低综合成本，开放权重也不等于免费运维。

围绕美国AI公司的万亿美元级IPO或估值讨论，目前只能算筹划和市场预期，不能写成已经完成上市或获得确认的估值。资本可以先为增长故事定价，利润最终仍要从客户账单里兑现。

接下来真正有用的观察点只有几个：官方价目页能否确认这些降幅；同一任务下，经过重试和effort校正后的成本是否继续下降；旗舰模型的付费调用与续约能否守住；中端让价后，毛利是否被调用量补回来。

开头那个80%，更像一声报价体系松动的警报。真正的分水岭，要等企业把模型放进生产环境、把每次失败和重试都写进账本之后才会出现。