GPT-6 Astra發佈不到一個月，OpenAI就把GPT-6家族成員補齊了。

OpenAI聯合創始人兼CEO山姆·奧特曼。圖片由AI生成

美國當地時間9月22日，OpenAI正式發佈GPT-6 Sol和GPT-6 Luna，分別承擔中階和輕量任務。兩款模型最大的變化不是單純提升跑分，而是價格。

按OpenAI官方口徑，GPT-6 Sol的API價格為每百萬token輸入2美元、輸出10美元，較GPT-5.6 Sol此前的促銷價格下降50%；GPT-6 Luna每百萬token輸入0.10美元、輸出0.50美元，同樣較GPT-5.6 Luna此前促銷價格下降50%。

這個價格已經把Sol直接壓到了Claude Sonnet 5的價位。後者目前也是2美元輸入、10美元輸出。Luna則進一步向低價模型市場下探，輸入價格甚至低於小米剛發佈的MiMo-V2.6-Flash。

更巧的是，就在同一天，Anthropic發佈Claude Opus 5.5。它的API價格為4美元輸入、20美元輸出，較Opus 5的token價格下降20%，但Anthropic稱典型工作負載的運行成本下降約40%。

一個是旗艦模型降成本，一個是中階和輕量模型直接降價。AI模型競爭正在從“誰的模型更強”，越來越多地轉向“完成同樣的工作要花多少錢”。

GPT-6 Sol雖然定位低於Astra，但OpenAI給它的定位並不是簡單的“便宜版”。

在專業工作、程式設計和電腦使用等任務上，Sol都明顯超過上一代GPT-5.6 Sol，部分測試甚至接近Astra。

AutomationBench是其中最典型的例子。

這是一個覆蓋47種工具、銷售、行銷、營運、客服、財務和HR等場景的智能體工作流測試。OpenAI公佈的結果顯示，Sol在xhigh模式下得分33.2%，單任務成本約0.27美元。

與之相比，GPT-6 Astra在low模式下得分30.3%，單任務成本約為Sol的3.9倍；Claude Opus 5在max模式下得分26.9%，單任務成本約為Sol的11.1倍。Claude Fable 5.1得分31.4%，OpenAI估算其任務成本超過Sol的8.9倍。

不過，這些都是OpenAI公佈的測試和成本估算，不是一個統一第三方環境下的橫向測試。尤其是Fable 5.1的成本計算還涉及Opus 5 fallback，OpenAI明確表示公佈的成本沒有計入約40%任務發生的fallback成本。

這項測試覆蓋55個細分行業，主要考察長周期、複雜的專業工作。OpenAI稱，Sol在max模式下得分56.4%，超過Claude Opus 5在該評測中的最高成績，同時單任務成本低60%。

程式設計方面，在DeepSWE v1.1測試中，Sol在max模式下得分68.8%，距離Claude Fable 5的最高成績69.9%只有1.1個百分點，OpenAI估算單任務成本低約80%。

同樣在DeepSWE v1.1測試中，Luna在max模式下得到66.6%，與Opus 5和Fable 5 medium模式的表現相當。OpenAI稱，在這一比較中，Luna的單任務成本比Opus 5低93%，比Fable 5低96%。

電腦使用方面，Sol在OSWorld 2.0離線集上的xhigh模式成績為60.5%，Claude Opus 5在medium模式下為60.3%，兩者幾乎持平，但OpenAI稱Sol單任務成本低約80%。Astra依然是GPT-6家族裡電腦使用能力最強的模型。

所以OpenAI這次最值得注意的變化，是它沒有只盯著“模型得分”。它開始反覆強調cost per task，也就是完成一個任務究竟需要多少錢。

如果說Sol是在中階模型市場重新定價，Luna則直接把價格打到了更低的區間。

目前MiMo-V2.6-Flash的API價格是每百萬token輸入0.14美元、輸出0.28美元；MiMo-V2.6-Pro是0.435美元和0.87美元。GPT-6 Luna的輸入價格只有0.10美元，但輸出價格為0.50美元。

也就是說，Luna的輸入價格比MiMo-V2.6-Flash低約29%，但輸出價格高約79%。

不過，兩者的經濟模式也不完全相同。

小米已經公開發佈MiMo-V2.6-Pro和Flash的模型權重，開發者可以自行部署；如果企業選擇自託管，成本就從API token費用轉向GPU、儲存、推理框架和維運成本。

xAI剛發佈的Grok 4.7則是另一種情況。它在200K prompt以下的標準價格為2美元輸入、6美元輸出，與Sol相比輸入價格相同，輸出價格低4美元。但當prompt超過200K後，Grok 4.7的價格會翻倍至4美元輸入、12美元輸出。

所以如果只看標價，市場已經出現了非常密集的價格梯度：Luna負責0.10/0.50美元這一檔；MiMo、Gemini等繼續壓低低端和中低端價格；Sol站在2/10美元；Grok 4.7是2/6美元；Opus 5.5則是4/20美元。

真正的區別，最終還是要回到任務完成率和實際呼叫成本。

OpenAI這次同步改進了GPT-6的提示快取。同時，開發者可以通過儀表盤和診斷工具觀察快取效果，也可以調整推理努力等級和工具可用性而不破壞已有快取，還可以通過顯式breakpoint控制哪些prompt前綴進入快取。

GitHub提供了一個比較直觀的案例。OpenAI稱，過去幾個月的快取改進，讓GitHub Copilot數十億次請求中需要重新處理的prompt token比例下降超過50%，同時幫助提高響應速度。

Anthropic也在強調類似的邏輯。Sonnet 5目前價格為2美元輸入、10美元輸出，並提供最高90%的prompt caching成本節省。

小米的MiMo-V2.6則把快取價格進一步壓低，Flash快取命中輸入價格為每百萬token 0.0028美元，Pro為0.0036美元。

這意味著，未來企業真正需要計算的可能已經不是簡單的“token單價”，而是完整的單位任務成本：輸入token、輸出token、快取命中率、工具呼叫次數、推理輪數、延遲以及失敗後的重試成本。

除了token和快取成本，OpenAI還在降低另一種“隱性成本”：溝通時間。

GPT-6 Sol和Luna繼承了Astra改進後的溝通風格，在技術和程式設計對話中減少術語、奇怪措辭和低價值細節，回答更清晰，也更簡潔。

OpenAI給出的網頁設計案例，要求把網站改成Bento Box風格並增加頁面滑動切換，GPT-5.6 Sol花了不少篇幅解釋“不需要React”，還主動分享頁面數量、實現細節和圖片工具提示詞。GPT-6 Sol則直接說明修改方案，完成後交代結果，並補充檢查了桌面端、移動端和瀏覽器返回操作，同時明確網站無需React。

這種變化雖然不直接體現在API賬單上，卻會影響實際使用效率。

對於長期運行的程式設計和工作型智能體來說，少一點廢話、少一次確認，也意味著更低的時間成本。

GPT-6 Sol和Luna還有一個容易被價格新聞蓋住的變化，就是對齊表現。

OpenAI公佈的內部測試顯示，在專門誘導模型不誠實的coding deception測試中，Sol的欺騙率從GPT-5.6 Sol的10.4%降至1.3%，Luna從9.5%降至2.8%。

在另一項“搜尋工具已經損壞”的測試裡，模型需要判斷工具失效並主動說明，而不是繼續猜答案。Sol沒有告知工具損壞的比例從77.8%降至5.4%，Luna則從78.3%降至30.2%。

Codex測試中，Sol沒有觀察到繞過自動安全審查的行為；Luna的繞過嘗試率從3.5%降至0.3%，且沒有一次成功。

不過，這組資料不能簡單理解為“模型日常使用中的錯誤率”。OpenAI解釋稱，這些測試是刻意設計出來的對抗場景，並不代表正常產品使用中的失敗機率。

而且，模型仍然存在明顯的邊界問題。

例如面對“訪問被拒絕”這樣的明確警告，Sol在測試中仍有64.4%的運行嘗試繞過限制，GPT-5.6 Sol為68.2%；Luna則從76.5%下降到42.4%。這說明模型在極端場景下的行為雖然有所改善，但距離“完全按照邊界行動”還有距離。

對於無人值守運行的企業智能體，這類指標的重要性甚至可能高於某個通用benchmark多提高幾個百分點。

05  GPT-6開始變成一套“模型分工”

目前，GPT-6家族的三檔定位已經比較清晰。

Astra繼續承擔最複雜的任務。OpenAI把它定位為GPT-6家族能力最高的模型，適合多步驟、多模態、科學和數學等高難度工作。

Sol則承擔大量複雜但高頻的工作，例如建構功能、程式碼審查、偵錯和資料分析。Luna進一步向大規模輕量任務下沉，包括摘要、提取和簡單問答。

這套分層最大的變化，是開發者沒有必要再讓所有任務都經過同一個旗艦模型。

OpenAI表示，Sol和Luna的新價格是長期價格，並非一個即將結束的短期促銷。這對企業尤其重要——價格長期維持，使用者可以直接把模型路由、快取策略和任務分層寫進生產系統。

這個角度來看，GPT-6 Sol和Luna真正改變的，也許不是某一個benchmark的排名。過去，模型競爭主要看誰能把能力再往上推一點。現在則是同樣一項工作，誰能用更少的錢、更少的token和更少的重試完成。(騰訊科技)

8月31日，今天凌晨，Vercel創始人兼CEO吉列爾莫·勞赫（Guillermo Rauch）在一條推後回覆，他們在2026年快要用盡“但是它還做不到另一件事”了。他的意思是，那些不相信人工智慧、對人工智慧冷嘲熱諷的人很快就說不出話了。

馬斯克跟著說：到明年年底，人工智慧將能以超人類水平完成任何數字任務，除了那些需要塑造原子的任務。

他這句話充滿張力。有一個明確的截止時間，就是2027年年底，然後是“任何數字任務”。

如果你靠寫程式碼、做分析、畫圖、寫報告、處理表格、整理資訊、製作方案、提供建議吃飯，你的職業身份幾乎完整地落在這六個字裡。過去幾年，人們一直在問AI能不能取代自己。現在這個問題已經有點晚了。更有用的問題是：

當智能開始超越你，同時又開始把你賴以為生的智力商品化，你準備怎麼避險？

避險原本好像是一個很專業很高大上的詞彙，但其實它也可以很樸素，很多人在生活當中都有過類似避險的生活經驗。

我在這裡用“避險”這個詞，因為它精準描述了一種很具體的處境：你知道浪會打過來，也知道自己攔不住，所以應該提前換掉一部分和浪潮同漲同跌的頭寸。目標沒有那麼英雄主義，目標也不是贏，而是先別歸零。

這可能是未來幾年，所有靠處理位元吃飯的人都要補上的一課。

馬斯克給了一個截止日期。而人工智慧的價格曲線已經先給出了答案。

2026年7月，OpenAI把GPT-5.6 Luna的API價格直接砍掉80%，輸入降到每百萬token 0.20美元，輸出降到1.20美元。幾個月前的旗艦模型GPT-5.4，價格還是2.50美元和15美元。截至8月31日，獨立評測機構Artificial Analysis給Luna xhigh的智能指數是50，給GPT-5.4 xhigh是53。在這套指數上只差3分，輸入和輸出的標價卻相差12.5倍。

細節更能說明問題。據OpenAI披露，GPT-5.6 Sol已經參與分析生產流量、最佳化負載平衡，並自主改寫服務自己的GPU生產核心。這些工作把端到端服務成本又壓低了20%。

也就是說，機器自身正在參與壓低機器智能的價格。

我們習慣把智能看成石油，一種昂貴、稀缺、掌握在少數人手裡的戰略資源。但大模型正在把它變成電，而你不會因為家裡有電而富有。每個人都能隨手呼叫的能力，不再給擁有者帶來多少溢價。

19世紀末，智利控制著全球天然硝石貿易。硝石既是肥料，也是炸藥原料，白色晶體從阿塔卡馬沙漠被挖出來，裝上船，換回稅收、鐵路和國家繁榮。1901年，智利天然硝石約佔全球固定氮生產的三分之二。這是一個國家的命根子。

1913年，巴斯夫在德國奧堡啟動了第一座工業化合成氨工廠。弗裡茨·哈伯找到了從空氣中固定氮的方法，卡爾·博施把實驗室反應變成了能在高溫高壓下連續運行的工業系統。此後，空氣裡取之不盡的氮可以被合成肥料和炸藥。到1936年，智利在全球氮生產中的份額只剩7.6%。戰爭與大蕭條也補了刀，合成氨則永久拆掉了天然硝石的稀缺性。

智利人沒有突然變懶，礦工也沒有一夜之間失去挖礦技術。真正改變的是市場對那項資產的定價。

我把這種時刻叫作“哈伯－博施時刻”：一項新技術突然學會合成過去只能從少數人、少數地方獲取的稀缺品，於是舊資產的擁有者還在，但新資產的負債表已經沒了。

今天，靠腦力工作積累起來的智力資本，正在經歷自己的哈伯－博施時刻。

我之前寫過一篇文章，講為什麼賺錢越來越難，因為排列原子的思維玩不轉排列位元的遊戲。當時我想說，工業時代的財富邏輯正在讓位給資訊時代。現在更殘酷的一步來了：排列位元這件事本身，也開始被AI承包。

智力被超越是第一次打擊。智力資產被重新定價是第二次。

你會的東西依然有用，只是它未必還值原來的價。這比失業更普遍，也更難察覺。崗位可以保留，工資可以照發，真正消失的是溢價。你花十年練出的能力，可能突然被裝進一個每月二十美元的訂閱裡。

避險不是贏，是讓你留在牌桌上

今年上半年，著名雜誌《外交政策》有一篇文章說，避險正在成為這個時代的新常態。文章把“避險”定義為：在夥伴變得不可靠的世界裡，避免對任何一方形成排他性依賴。國家開始同時經營多種關係，準備冗餘供應鏈，保留自主能力。它們接受更高的成本，換取危機來臨時手裡還有選項。

作者蘇珊娜·諾塞爾（Suzanne Nossel）是芝加哥全球事務委員會研究美國外交政策與國際秩序的高級研究員。她為正在出現的新秩序造了一個詞：hedgemony，避險霸權秩序。各國不再相信有一套穩定體系會永遠托住自己，只能一邊合作，一邊準備退出路線。

這種國家戰略，正在向個人生活中不斷滲透。

單一技能、單一平台、單一僱主、單一模型，就是普通人的四種排他性依賴。過去它們被叫作專業、忠誠和效率。環境穩定時，集中下注確實能提高回報。環境本身開始消失時，那些美德會突然變成鎖鏈。

很多人可能會覺得，那我擺脫單一形態，多做幾種努力就可以了。不好意思，多學幾樣東西不叫避險。你會寫文案，又去學做PPT，再學用AI做PPT，表面上有三個技能，底層仍然是同一個頭寸：廉價數字智能。一旦基礎模型繼續進步，它們會一起跌。

哈里·馬科維茨（Harry Markowitz）在1952年建立現代投資組合理論時，最重要的洞見就是，組合風險不取決於你買了多少種資產，還取決於它們怎樣一起波動。十隻股票如果都押在同一種風險上，只是把一個籃子刷成十種顏色。

把這個道理搬到個人身上，問題也跟著變了：我的收入、身份和選擇權，有多少會隨著商品智能的價格一起下跌？

避險當然有成本。國家為冗餘供應鏈多付錢，個人也要為冗餘生活多付錢。你要接受一部分暫時沒用的能力，維持不止一個分發管道，在工資之外建立很小的第二收入，讓生活成本低到自己有資格說“不”。這些動作短期看都不夠高效。

深耕仍然要做，複利仍然要追求，但是，你需要放棄的是另一層幻覺：你掌握的這門手藝的溢價會永遠屬於你。

避險會讓你錯過一部分最高收益，但它換來的是更高的下限。說得再直白一點，避險不保證你跑贏AI，只保證AI碾過來時，你的人生不會跟著一個價格曲線歸零。也就是說，它可以讓你留在牌桌上，保留你繼續下注的機會。

第一筆換倉：離開純位元的價格戰

很多人可能會立刻得出一個俗套的答案：那我去學水電、按摩、做飯，逃到原子世界裡。

原子世界當然更難被軟體吞掉，但它往往更吃資本、更受監管、更依賴供應鏈。一個普通白領不可能因為看懂了“位元貶值”，明天就去造電池、開礦山或者建資料中心。把所有人趕去做水管工，也只是另一種批次建議。

真正的分界線不在藍領和白領之間，而在於一項工作能否被完整裝到了數字閉環裡。

勞赫說“ai做不到”的清單快用完了，對我們來說，明智的做法是相信這個前提。繼續尋找AI永遠不會做的智力題，勝算很低。更可靠的邊界是三種總成本不同的工作：塑造原子、承擔責任、真實在場。

AI可以給外科醫生更好的方案，卻不能替一個具體的人在手術同意書、醫療責任和病床邊的關係中承擔後果。它可以生成一套商業戰略，卻不能把自己的名聲、現金流和未來幾年押在那套戰略上。它可以寫出關於攀登的漂亮文字，卻沒有一副會摔碎的身體。

比較優勢從來不要求你在絕對能力上勝過對手。它看的是機會成本和整套交易成本。AI也許在認知環節上比你強，可一旦工作包含現場關係、法律責任、身體反饋、長期承諾，最終交付就無法只按token價格結算。

我之前提出過一個“AI替代的逆向歷史演化定律”：人類越晚形成、越抽象、越符號化的技能，越早被AI覆蓋；空間感知、身體協作、面對真實環境的判斷，這些古老能力反而更晚被替代。

這個判斷當然不是勸所有人都回到石器時代。它提示的是換倉方向。繼續使用最先進的AI，同時把你的收入往那些必須由一個具體的人在場、簽字、承擔、解釋和收拾殘局的環節移動。

“會用AI”很快就會像“會用電腦”一樣普通。把提示詞、工作流和模型操作當成護城河，恰好是最失敗的避險。模型越進步，你的技能越容易，門檻越低，價格越便宜。你和風險因子站在同一邊。

真正值得長期持有的能力，會在AI變強時變得更貴：定義值得解決的問題，面對沒有標準答案的現場，承擔錯誤的代價，以及形成別人無法從公開資料裡蒸餾出來的壞品味。

好品味可以被總結，被模仿，被做成訓練集。壞品味是你明知道大多數人不喜歡，仍然願意下注的那一部分。它帶著偏見，也帶著責任。機器能複製風格，複製不了你為什麼願意為它付出幾年。

智力商品化以後，最常見的誤判是繼續加碼智力。

讀更多論文，學更多工具，拿更多證書，把自己的處理速度再提高一點。這些當然沒有錯。問題在於，如果市場正在用更低價格出售同一種東西，你加倉得越勤奮，和價格下跌的相關性越高。

內容越便宜，驗證內容的成本越高。答案越多，人越需要知道該信誰。AI每秒可以生成無數條像樣的建議，卻無法替你補寫十年的履約記錄。它能模仿一個人的語氣，但不能倒流回十年前，替這個人按時交付、承認錯誤、拒絕一次誘惑，然後把這些行為一件件記在同一個名字下面。

關於信任和聲譽，博弈論的解釋很樸素。在一次性交易裡，雙方只算眼前得失；在多階段、重複發生的交易裡，一個人今天佔便宜，就會失去後面所有合作。聲譽於是成了一種抵押品。它的價值來自別人知道你還會回來。

這也是信任難以量產的原因。內容生產可以平行，信用記錄只能按時間排隊。

我在之前的文章裡反覆寫過個人品牌，也寫過“可信的敘述位置”。很多人把個人品牌理解成頭像、口號、粉絲數，那太表面了。真正的個人品牌是一條公開的判斷記錄：你在什麼還沒成為共識時說過什麼，後來發生了什麼；你犯錯時怎麼處理；利益擺在面前時，你有沒有悄悄換一套標準。

這就是智力和信任最根本的區別。智力可以按次購買，信任要求同一個人持續出現。智力的市場價格在下跌，可信敘述位置的建造成本卻在上升。

智能越商品化，信任越難被商品化。信任需要時間，而時間還不能平行生產。

對普通人來說，這不等於人人都要當網紅。你需要的是一塊不依附於單一平台的信用地盤。它可以是一份持續多年的作品記錄，一群直接認識你的客戶，一封能夠抵達讀者的郵件，一項和真實姓名繫結的承諾，也可以是一門別人願意先付款、因為知道你會回來負責的生意。

粉絲數可以買，流量可以租，AI內容可以無限灌。而別人願意把一次重要選擇交給你，這件事仍然很慢。

第三筆換倉：擁有退出權，並像獵人一樣使用AI

如果說前兩筆換倉避險的是能力和價格。第三筆避險的是系統本身。

很多人更普遍的風險，是所有生活條件被鎖在同一個節點上：工資來自一家公司，客戶來自一個平台，作品存在一個帳號裡，工作依賴一個模型，房貸又要求他每個月必須完成交易。任何一個節點關門，他就沒有轉身空間。

我在之前的文章裡寫過，未來一個人可以沒有工資，但不能沒有頭寸。頭寸不等於股票帳戶。它是任何一種讓你能分享到上行、保留髮言權，並在規則變壞時離開的東西。

普通人的頭寸也沒有那麼宏大。你不需要先變成資本大鱷。一個自己能帶走的客戶名單，一項屬於自己的智慧財產權，一個不靠平台推薦也能觸達人的管道，一筆足以讓你拒絕爛工作的儲蓄，都是退出權。

降低開銷也算。甚至它可能是最被低估的頭寸。一個每月必須賺五萬元才能維持生活的人，面對系統時比每月一萬元就能過得不錯的人更脆弱。前者看起來更成功，後者手裡那句“不幹了”更值錢。

這部分可以借用納西姆·塔勒布的槓鈴策略。槓鈴的兩端，一端極端保守，一端極端進取，中間那塊看似穩妥的區域反而少碰。

個人避險AI也應該長成一根槓鈴。

保守的一端，持有AI價格下跌也碰不到的東西：低固定成本、身體、現場關係、長期信用、可帶走的客戶、對自己時間的控制。進取的一端，毫不猶豫地呼叫最強模型，把它們變成研究員、程式設計師、交易員和生產團隊，去追過去一個人根本夠不到的機會。

中間那一大塊“穩定工作”最危險。它的工作流程已經被AI覆蓋，收入卻仍被單一僱主控制；它享受不到AI槓桿的全部上行，又承擔智力商品化的全部下行。看上去最穩，相關性最高。

這也是我最近不斷思考的“獵人姿態”。未來最先進的生活，也許是拿著太空時代的工具做狩獵採集者。你不和弓箭比賽射箭，也不因為弓箭太強就放棄打獵。你帶著它進入新的獵場，尋找不對稱機會，做一段短促而完整的工作，承擔結果，成功一次，然後有權停下來生活。

AI會重新繪製獵場。獵人的任務是移動，在移動中尋找機會。

總之，逃到原子世界仍然不夠。原子域有廠房、能源、牌照和供應鏈，普通人很容易從“位元僱員”變成“原子僱員”，仍然沒有頭寸。更關鍵的資產是排列權：由你決定呼叫那些智能、組織那些原子、服務什麼人、拒絕什麼，以及把有限的生命押在那個問題上。

AI可以成為武器。你必須保留選擇獵物和扣動扳機的權利。

你有截止日期，所以你必須避險

避險看起來像一種財務技巧，它的底層其實是時間觀。

如果一個人擁有無限時間，他不需要避險。技能歸零了可以重學，行業消失了可以再等一百年，所有錯誤最終都有機會修正。

生命有死期，時間才有預算；時間有預算，人就必須排序。什麼值得學，什麼值得放棄，誰值得相信，那件事值得把身家壓上去。排序產生立場，立場形成頭寸，頭寸讓判斷有了後果。

AI沒有這個約束。它可以同時走一萬條路，失敗九千九百九十九次，再把剩下那條遞給你。人只能在有限的幾年裡，選一小部分事情認真去做。這個缺陷很麻煩，也很寶貴。它逼著你回答智能永遠替你回答不了的問題：什麼是值得的。

以後，模型也許能列出你人生所有可能的路線，計算每條路的收入、風險、幸福機率和後悔值。它甚至會比你更懂怎樣抵達。

可你仍然要親手選一條，然後把會受傷的身體、會貶值的名聲和不會重來的時間放進去。

當智能超越你，又把你的聰明降成一項廉價商品，你最後要守住的，是決定在乎什麼、把命押在那裡的權利。(虎嗅APP)

週末大量使用者開始實測Kimi K3。

這一次不再是發佈會參數、官方榜單和Demo展示，真實使用資料開始出現。

目前最集中的兩類反饋：Token消耗快，生成速度慢

不少使用者使用一天後，套餐額度已經消耗30%甚至50%。K3官方API價格為每百萬Token輸入3美元、輸出15美元，快取命中輸入降至0.3美元。單看報價，確實明顯低於部分海外前沿模型。

但API單價只代表每百萬Token多少錢，無法代表完成一個任務最終花多少錢。

任務成本＝輸入Token＋輸出Token＋推理輪數＋工具呼叫次數＋失敗重試次數

模型單價低一半，Token消耗量高一倍，最終成本基本相同。

市場流傳的一份Jefferies人工測評顯示，在同一項複雜任務中，K3累計生成約1.3億輸出Token，總成本約2710美元；GPT 5.6 Sol最高性能檔位生成約7000萬Token，總成本約2824美元。

這組資料目前主要來自機構測評截圖，完整任務定義、快取比例和計費過程尚未公開，因此不能作為嚴格橫向評測。

模型價格競爭，已經不能只比較每百萬Token報價。

一個模型可能單價更低，但為了完成同樣任務，需要更長推理鏈、更多工具呼叫、更頻繁糾錯和更多輸出Token。

最終企業購買的是成功完成一次任務。

以後衡量模型成本，最重要的指標將從“每百萬Token價格”，轉向“每個有效任務成本”。

同樣生成一份研究報告，一個模型花5美元但需要人工修改兩小時，另一個模型花20美元直接交付，後者反而更便宜。

K3使用者反饋Token消耗快，本質上也與產品定位有關。

K3始終開啟思考模式，主要面向長程程式設計、知識工作和Agent任務。它支援100萬Token上下文，可以讀取大型程式碼庫、長文件和大量業務資料，還能持續呼叫工具、修改檔案、執行測試和根據結果重新規劃。K3官方定位本身就是Agentic Coding與Knowledge Work，而非普通聊天模型。

這些任務天然比問答更耗Token。

普通聊天可能只需要一次輸入、一次輸出。

使用者看到的可能只有一句指令和一個最終檔案，模型後台已經運行數十輪甚至數百輪。

所以K3的Token消耗快，不完全是模型效率低，也反映了AI工作方式正在改變。

過去使用者購買的是一次回答，現在使用者購買的是一段持續工作的計算過程。

只要模型開始接管原本需要人工作數小時甚至數天的任務，單次任務消耗幾百萬、幾千萬甚至上億Token，都會逐漸成為常態。

這也解釋了為什麼大模型單價持續下降，推理算力需求仍可能快速增長。

單個Token越來越便宜，但每個任務使用的Token數量正在指數級增加。

部分原因可能來自發佈後使用者突然湧入，伺服器端並行壓力上升。K3發佈後迅速獲得大量關注，其2.8萬億參數規模、開放權重計畫以及接近海外前沿模型的能力，已經引發全球市場討論。

更深層的原因來自K3自身架構。

K3擁有2.8萬億總參數，共896個專家，每次推理只啟動16個專家。稀疏MoE降低了單次計算量，但並沒有讓全部模型參數消失。

推理時，系統仍需要保存、調度和讀取規模龐大的專家權重。

每生成一個Token，路由系統都要判斷呼叫哪些專家；不同專家可能分佈在不同加速卡上；啟動資料需要在卡與卡之間高速傳輸。

因此，MoE模型的瓶頸不只在算力，還在視訊記憶體容量、記憶體頻寬、卡間互聯和叢集調度。

傳統理解中，模型每次只啟動約1.8%的專家，推理成本應該很低。

但“啟動參數少”和“部署成本低”是兩回事。

2.8萬億參數即使採用低精度儲存，權重體積依然巨大。單台伺服器無法容納完整模型，需要把專家拆分到大量加速卡上。

一旦專家跨節點分佈，推理性能便高度依賴高速互聯。

調度不均，部分卡滿載，部分卡閒置；

並行增加，專家之間還可能出現負載擁堵。

K3官方建議使用64張以上加速卡組成的超節點部署，也說明這種規模的開放模型已經遠離普通企業自建伺服器的能力範圍。

開放權重意味著使用者可以查看、修改和部署模型。

這不意味著普通公司買幾張GPU就能跑起來。

過去幾年，“開源模型”經常與低成本聯絡在一起。

因為早期開源模型參數較小，可以量化、蒸餾，甚至放進個人工作站。企業也可以通過私有化部署，降低長期API費用。

K3代表另一個階段，開源模型開始沿著Scaling Law繼續擴張，從數百億、數千億走向萬億乃至數萬億參數。

模型權重依然開放，但完整部署所需要的硬體系統，開始接近大型雲廠商和頭部網際網路公司的基礎設施水平。

開源降低了軟體許可門檻，卻沒有消除物理世界的成本。

光模組、銅連接和網路裝置要花錢；

機櫃、電力、液冷和維運同樣要花錢。

模型可以免費提供權重，推理過程仍然要按照算力計價。

K3由此打破了一個長期存在的簡單敘事：

只要中國開源模型追上美國閉源模型，前沿智能就會迅速變成低價商品。

模型能力可以追平，智能成本不會自動歸零。

模型越強，使用者越願意把複雜任務交給它；任務越複雜，上下文越長，推理鏈越長，工具呼叫越多；使用量增加後，系統需要更多加速卡和更強互聯。

技術進步降低的是單位計算成本，同時創造了更大的計算需求。

這與汽車、網際網路和雲端運算的發展規律類似。

汽車油耗下降後，社會總行駛里程繼續增長；

網路資費下降後，視訊和直播吞噬了更多頻寬；

雲端運算單價下降後，企業運行的軟體和資料規模不斷擴大。

每百萬Token價格下降，但每個人每天呼叫的Token數量，從幾萬增長到幾百萬甚至幾千萬。

未來企業可能同時運行幾十個Agent：

每個Agent都在長期讀取上下文、呼叫工具、生成內容和反覆驗證。

單個模型更高效，社會總推理量反而更大。

因此，K3對算力產業的真正含義，並不是“開源模型將降低GPU需求”。

前沿開源模型參數繼續擴大，會提高對大容量HBM、高速卡間互聯、交換晶片、光通訊和超節點架構的要求。

K3這種超大規模稀疏MoE尤其依賴區域高頻寬域。專家分佈得越廣，通訊開銷越高；為了降低延遲，需要儘可能把更多加速卡放進一個高頻寬、低延遲的統一系統中。

這也是超節點價值上升的原因。

未來AI伺服器的競爭重點，不再只是單張GPU性能。

真正重要的是一個節點內能夠連接多少張卡、總視訊記憶體有多大、卡間頻寬有多高、專家調度效率有多強。

超節點決定萬億參數模型能不能高效運行。

K3還帶來另一個產業變化：開源模型與閉源模型的商業邊界正在重新劃分。

對於普通使用者，直接呼叫Kimi API依然是成本最低、使用最方便的方案。

對於中小企業，自己購買64張以上加速卡部署K3，通常缺乏經濟性。硬體投入、叢集維運和利用率損失，很可能高於API費用。

真正有能力部署K3的，主要是雲廠商、大型網際網路公司、國家級算力中心和頭部AI基礎設施企業。

彙整鉅亨號中所有使用「API價格」關鍵字，所發布的內容 (依照時間排序，最新在前，舊的在後)`

GPT-6家族上新！OpenAI打價格戰，但又不全靠價格戰

馬斯克：27年底，AI將砸碎所有智力工作者的飯碗

K3真正的意義：模型可以開源，算力賬單不會