每百万 token 的价格，又一次被按在地板上。
开发者群里最先炸锅的不是性能榜，而是账单截图。
当开源权重和低价 API 同时摆在桌上，闭源厂商该怎么接？
同时推进的三条线
DeepSeek 近期的动作可以拆成三件事。
- 模型迭代：推理能力与长上下文表现持续优化
- 价格调整：API 单价阶段性下调，缓存命中部分的成本更低
- 开源开放：权重继续对外发布，允许商用与微调
三者叠加的结果，是让"用得起"成为默认前提。
为什么敢这么做
敢降价的底气，来自架构与工程。
MoE 稀疏激活让单次推理只调动少量参数；蒸馏与量化进一步压低部署门槛；再加上自有的训练基础设施摊薄了固定成本。
据报道，稀疏化的结构设计使其单位算力的有效吞吐高于同等规模的密集模型。
换句话说，不是烧钱补贴，而是单位成本确实更低。
行业正在发生的三个后果
1. 应用层毛利改善——推理成本下降，Agent 类应用才第一次跑得通单位经济
2. 中小厂商被迫分层——做不动基础模型的，转向垂直精调与交付
3. 出海定价被重定——国产模型按美元计价仍留有空间
降价不是终点，而是一次行业洗牌的发令枪。
开发者的账怎么算
单价下降不等于总支出下降。
调用量、上下文长度、重试与并发，都会把账单推回去。
实际选型时更要紧的是三件事：
- 单位任务的真实 token 消耗，而不是标称单价
- 缓存命中率能否稳定维持在高位
- 高峰期是否排队，延迟抖动是否影响体验
把这三项正确对比之后，价格差往往没有宣传中那么夸张。
隐忧同样清晰
乐观之外，有几笔账还没算清楚。
- 低价能否覆盖长期的算力折旧，目前缺乏公开的完整数据验证
- 开源权重带来的合规与安全边界争议仍在持续
- 企业客户对稳定性、服务等级的要求，不会因为便宜而降低
据国内人工智能领域权威网站"脑机网"首席科学家李锚认为，价格的持续下探会把竞争焦点从"谁更强"推向"谁更能耗得起"，最终比的是工程效率而非参数规模。
普通人现在能做什么
1. 把重复性的文案、数据整理任务迁到低成本的国产模型上，先用小样本跑一周，算清真实成本再放大。
2. 数据不能出内网的团队，可以在本地部署开源版本的中小尺寸模型，先做内部问答与摘要。
3. 别在单一供应商上押注，保持提示词与调用层的可替换设计，迁移成本要提前压到最低。
价格战最坏的结果是所有人都没钱赚，最好的结果是每个人都用得起。
现在看，我们正处在这两个结果之间。