注册并分享邀请链接,可获得视频播放与邀请奖励。

搜索结果 低价模型价格战
低价模型价格战 贴吧
一个关键词就是一个贴吧,路径全站唯一。
创建贴吧
用户
未找到
包含 低价模型价格战 的推特
🚀 WEEX Labs 观察:澳大利亚发布六项强制性 AI 治理规则、Anthropic 推出 Claude Fable 5.2 与 Mythos 5.2、Meta 推出 Muse Ember 打响小模型极速价格战 过去 24 小时,全球 AI 生态在国家级治理立法、前沿专业模型发布、推理端价格战与算力巨头地缘风险端迎来重磅震荡:在监管与合规端,澳大利亚总理 Albanese 公布包含独立评估与事故通报在内的六项强制性 AI 规则,违规企业将面临重大处罚;在模型与商业化端,Anthropic 正式发布 Claude Fable 5.2 与 Mythos 5.2 主攻编程与金融等高难度场景,Meta 则推出 Muse Ember(每百万 Token 0.10 美元)对齐 Claude Haiku 5.5 和 GPT-6 Luna,打响推理端贴身价格战;在地缘与算力端,英伟达 CEO 调查后续则持续在资本市场与中美 AI 竞争维度发酵。 👇 拆解今日留存的 4 大产业核心风向: 1️⃣ 国家级监管进入硬核执法期:澳大利亚公布六项强制性 AI 护栏,违规将面临“重大处罚” 澳大利亚总理 Anthony Albanese 于 11 月 10 日正式公布六项强制性 AI 规则,要求 AI 企业在全流程维持安全控制、识别严重风险、主动向政府通报安全事件、接受独立模型评估、公开治理框架并跟进最新标准,违规者将被处以重大行政与经济处罚。 💡核心洞察: 标志着全球 AI 治理从“自律性原则”正式跨入“具有法律约束力与确定性惩罚”的强监管时代。澳大利亚设立的强制合规模板,将剧烈拉高跨国 AI 企业在该国及衍生地区的审计、事故通报与数据透明度成本,迫使厂商针对不同司法辖区部署差异化的合规流程。 2️⃣ 专业前沿场景分层:Anthropic 发布 Claude Fable 5.2 与 Mythos 5.2,抢占高价值工程落地 Anthropic 在 IPO 前夕正式推出 Claude Fable 5.2 与 Claude Mythos 5.2 两款高阶模型,重点针对代码编写、金融建模与前沿科学研究等高难度、长流程任务进行专项能力提升。 💡核心洞察: Anthropic 展现出明确的“场景分层”战略——避开通用聊天与极致低价推理的泛化消耗,转向锁定客单价高、付费意愿强的企业级专业工作流。通过高价值场景的确定性优势提升 API 溢价,以优化上市前的营收结构。 3️⃣ 推理端利润极限挤压:Meta 推出 Muse Ember,与 Anthropic、OpenAI 陷入“小模型贴身价格战” Meta 发布 Muse Ember,将推理定价直接设为每百万 Token 0.10 美元,与 Anthropic 的 Claude Haiku 5.5 以及 OpenAI 的 GPT-6 Luna 形成正面硬杠;同时 Anthropic 也将 Claude Fable 5.2 的输入成本优化至每百万 Token 8 美元。 💡核心洞察: AI 模型的竞争逻辑已彻底从“比拼基准测试高分”转变为“单位 Token 边际成本、延迟与长程调度效率”的综合肉搏。小模型价格战将进一步挤压纯 API 代理商的毛利,倒逼中游厂商向“端侧混合调度 + 智能体编排平台”演进。 4️⃣ 地缘与算力供应链波及:英伟达 CEO 独立调查后续发酵,市场重评估算力溢价与治理风险 英伟达对 CEO 黄仁勋的独立调查进入第二天。尽管英伟达再次声明无证据表明涉及国家安全或公司机密泄露,但多家国际金融机构分析认为该事件在美中 AI 竞争、出口管制和高波动资本市场的敏感节点上,将持续对算力板块带来治理溢价审查。 💡核心洞察: 凸显了当前全球算力供应链对“关键人物(Key-man)”与“地缘合规”的高敏感性。在资本市场理性寻底阶段,任何治理层面的不确定性都会放大资本市场对底层芯片供给稳固度的焦虑。 #WEEXLabs# #澳大利亚AI护栏# #强制AI监管# #ClaudeFable52# #ClaudeMythos52# #MuseEmber# #低价模型价格战# #英伟达调查# #黄仁勋# #全球AI产业趋势#
显示更多
从 Token 到 Outcome:AI 能力增长为什么可能带来超线性的经济价值 市场天天在讨论大模型公司的价格战,Token 价格还能降多少。但更重要的市场忽略了问题可能是:AI 每增加一单位能力,能够创造多少新增经济价值? 这更可能影响接下来的token价格,而答案很可能不是线性的。 现实任务存在能力门槛。AI 从 60 分提高到 70 分,可能只是邮件写得更好;从 90 分提高到 100 分,却可能第一次独立完成软件开发、投资研究甚至科研任务。两者都是增加 10 分,但后者打开了此前不存在的任务市场。 用人类 IQ 类比也一样。IQ 130 并不只是比 IQ 100 的人生产率高 30%,而是可能具备处理另一类复杂问题的能力。 但现在各种测试ai能力的指标已经越来越饱和,很难再量化的判断ai的iq提升了多少。 因此更可测量的指标也许是可靠完成的任务长度。 如果 AI 单步正确率是 99%,连续执行 100 步的成功率只有约 37%;如果单步可靠性提高到 99.9%、99.99%,Benchmark 看起来可能只进步了一点,能够稳定完成的任务长度却可能提高一个甚至多个数量级。AI 的角色因此可能发生跳跃: Copilot → Agent → Autonomous Worker → Autonomous Team → Autonomous R&D。 这会直接改变 AI 公司的商业模式。 今天 Foundation Model 公司主要卖 Token: Revenue=Tokens\times Price/Token 但假设 AI 消耗 10 美元推理成本,完成了一项价值 1000 美元的专业工作。如果只卖 Token,模型公司只能拿走很小一部分经济剩余。 模型越强,这个问题反而越突出。下一代模型即使推理成本增加 3 倍,如果能够完成的任务价值提高 30 倍,那么 Value/Compute 实际提高了 10 倍。 因此商业模式很可能逐渐迁移: Token → Task → Outcome → Value Share。 最初卖智能原材料;然后按完成一次 Coding Task、一个客服工单收费;进一步直接卖“解决问题”的结果;最终甚至按照帮助客户创造的收入或节约的成本分成。 这意味着 AI 的 TAM 也在改变。传统 SaaS 攻击的是 Software Spending;Agent 攻击的是 Labor Spending;Outcome AI 最终瞄准的则可能是更广泛的 Economic Value Creation。 算力越稀缺,这种动力越强。拥有有限 GPU 的公司真正需要优化的不是 Token 数量,而是: \max \frac{Gross\ Profit}{Compute} 如果卖 Token 每 GPU-hour 赚 1 美元,而自己的 Agent 可以赚 10 美元,继续无限量批发 Token 就是在把稀缺智能低价出售给下游。 但这并不意味着 Token 会消失。更可能形成三层市场:底层继续卖 API,让开发者探索应用;中层卖通用 Agent;上层选择性进入高 Value/Compute 的垂直行业。 这种模式并非没有限制,模型公司并不能随心所欲的把业务模式从卖token切换为卖结果。 最重要的限制大约有八个:专家劳动、私有数据、Workflow Integration、结果验证、法律责任与监管、物理执行、客户渠道以及信任与 Accountability。 例如 Coding 很适合 Outcome 模式,因为从 Think → Code → Test 几乎完全数字化,而且结果容易验证。药物研发却需要 Design → Synthesis → Experiment → Clinical Trial → Manufacturing。AI 可以极快提高“Think”的速度,却无法立即消除实验、临床和制造的物理时间。 因此最先被 Outcome Economy 吞噬的,不一定是 AI 最聪明的行业,而是: 高任务价值 × 高 AI 可完成度 × 低 Human Minutes × 低验证成本 × 低责任 × 低物理摩擦。 这也是为什么 Coding、客服、数据分析和部分 Back Office 很可能领先,而医疗、药物研发、建筑和复杂制造会慢得多。 由此,AI 时代真正重要的经济指标也可能发生变化。 今天市场关注 GPU 数量、GW 和 Token Price;未来可能越来越关注: Revenue/Compute Gross\ Profit/Compute 最终则是: Economic\ Value/Compute 对于数据中心甚至可以直接理解为 Revenue/MW、Gross Profit/MW、Economic Value/MW。 最终整个逻辑可以浓缩成一条链: AI Capability ↑ → Reliability ↑ → Autonomous Task Length ↑↑ → Addressable Task Space ↑↑ → Value/Task ↑↑ → Token → Outcome → Revenue/Compute ↑↑。 所以未来 AI 投资最重要的问题可能不再是“下一代模型需要多少算力”,而是: 下一美元 AI CapEx,最终能够控制和创造多少美元的经济活动? 真正最有价值的公司,也未必只是拥有最多 GPU 的公司,而可能是那些能够同时控制 Compute + Intelligence + Data + Workflow + Verification + Distribution,最终把智能封装成可交付结果的公司。 Token 是智能的计量单位,Outcome 才可能是智能最终的定价单位。
显示更多
DeepSeek告别“价格屠夫”:API大幅涨价,大模型行业进入新阶段 8月13日,深度求索官方宣布对DeepSeek API价格进行调整,引入峰谷定价机制。高峰时段为北京时间每日9:00至12:00和14:00至18:00,空闲时段价格仅为高峰时段的一半。新价格将于8月17日0时正式生效。 这次调价与DeepSeek V4全系列模型正式版上线同步推进。以DeepSeek V4 Pro为例,高峰时段每百万Token输出价格达到27元,较现行6元上涨约350%。即使是空闲时段的13.5元,也是此前价格的2.25倍。涨幅之大,超出了许多开发者的预期。 官方给出的解释是“更加合理地调配资源”,鼓励用户根据实际使用情况调整任务时间。但市场普遍认为,这远不止是一次简单的定价调整。 过去两年,DeepSeek凭借“高性能加极低定价”的策略横扫开发者市场,被冠以“价格屠夫”的称号。V4 Flash以“1元输入、2元输出”的价格迅速占领市场,调用量一度达到全球第一。但这种以补贴换市场的模式,终究难以持续。 智能体大规模落地带来的算力消耗激增,加上芯片、电力等运营成本持续走高,单纯的低价竞争已经难以为继。高盛在7月的研报中指出,DeepSeek的调价并不意味着需求走弱,反而反映出国内AI模型需求持续旺盛、算力资源趋紧,行业竞争正从激进的价格战逐步回归理性的定价框架。 事实上,涨价在整个国产大模型赛道已不是个例。智谱AI在2026年一季度API价格上涨了83%,调用量仍然增长了400%。摩根士丹利分析师也将DeepSeek的调价解读为行业定价纪律改善的积极信号。从年初的“价格屠夫”接连降价,到如今大幅涨价,DeepSeek的定价策略反转,折射出国内大模型行业正在经历从“以低价换市场”向“以价值定价”的战略转向。 对开发者而言,短期阵痛不可避免。高峰时段覆盖了国内开发者和企业用户最主要的工作时间,依赖低价API服务的下游应用需要重新评估成本。但长远来看,这或将倒逼行业建立更健康的商业生态。大模型不能永远靠补贴活着,当技术逐渐成熟、应用场景不断拓宽,价值回归是必经之路。 DeepSeek用两年时间证明了国产模型的能力不输海外,现在它需要用新的定价证明自己有能力走出一条可持续的商业化道路。 #AI# #DeepSeek#
显示更多
0
115
6
0
转发到社区
🤖美国AI巨头,正在用降价围剿中国AI大模型。 OpenAI把端到端成本压低20%。 Anthropic把Opus 5.5的使用成本,砍了40%。 入门价,锁死在0.1美元。 这是一场价格战, 但打的不是价格。 Anthropic年化收入,从90亿飙到650亿。 5月刚融了650亿, 跟谷歌、博通签了多吉瓦级TPU算力。 美国巨头烧钱,实际上是为了锁生态。 一旦开发者的代码和Agent编排,适配了它们的API, 迁移的成本,高如城墙。 中国 AI 大模型,走的是另一条路。 9月,DeepSeek下调Flash资费。 小米把MiMo-Flash推到1元/百万token。 智谱死磕GLM-5.3-Flash,守在微利区间。 但低价本身,已经不再是护城河, 真正的变化,在芯片。 英伟达在中国AI加速卡市场的份额, 从三年前的95%,跌到个位数。 国产AI加速卡,份额突破60%, 华为昇腾,预计2026年独占50%。 性能差距,也在收窄。 中国顶尖模型,落后美国3个百分点, 年初是15%。 但有一道坎,还没跨过去:赚钱。 价格战打完了,芯片换道了。 接下来,谁能先找到盈利的路?
显示更多
刚刚看到GLM Coding Plan也涨价了,而且跟即梦还不一样,是直接对老会员的套餐下手,强制性切换到了新权益。 另一则新闻是,因为Token涨价,一大批刚刚提刀入行的漫剧制作商宣告阵亡,更高的试错风险,击碎了「我上我也行」的乐观幻觉。 今年以来,全球的AI产品都在开启「用量限额」的模式,去年的这个时候,Anthropic还在抨击同行囤积GPU极其不负责任,现在被Codex隔三差五重置额度骑脸抢人,一点办法都没有。 不跌反涨,洛阳纸贵,Token是真的越来越不够用了。 至少在硅谷,再也没有投行报告继续预测数据中心过剩论,只要眼睛不瞎,就能看到机房里的每一片GPU都在热得发烫,即便经历了那么大规模的超前建设,当下的算力供给依然完全跟不上市场需求。 腾讯科技前段时间发了一篇稿子,标题很套路,叫「人民想念DeepSeek」,虽然很多人阴阳这是替元宝着急了——DeepSeek你还不发新版本,我这边可怎么办啊——但文章的核心观点还是在追忆价格战。 我是觉得,咱们有时候过于路径依赖了,天天喊着工业克苏鲁,觉得低价杀穿一个行业就是大赢特赢,最后又会因为比亚迪和宁德时代这种哪怕做到全世界行业第一也只给工人发方便面的反差砸吧砸吧嘴,寻思出不对劲的味道。 我也不希望DeepSeek的新模型又建立在成本优势之上,如果没成功当然不好,若是做成了,把AI公司的正现金流再往后打几年,就很损人不利己了。 喜欢在OpenRouter上投一波免费使用换调用量的都是国产模型,就为出口转内销的宣传,凭什么国产模型就该这么低贱呢? 就该像Seedance 2.0这样,在一个赛道做到断档第一,然后该涨价就涨,爱用不用⋯⋯事实上该用的都会边抱怨边充钱,跟程序员用Claude Code一样。 也不要一个帽子扣过来说我跟资本家共情——「唉,都怪资本」——Token变贵,其实真正利好的是低端工种,只要老板细算下来发现Token开销高出你的工资,你的岗位就不会轻易丢掉。 就让AI先把高净值行业杀个血流满地吧,在一个月一个版本的动荡面前,那句段子其实是对的:只要我不学,就根本不会错过什么。
显示更多
摩根士丹利:是时候重视港股了 今年港股一直跟在后面吃灰,老登股跌的麻中麻,富途老虎境外投资又被叫停,资金流入不顺畅。 这种状态持续了快一年。全球AI行情起来后,钱主要往存储、半导体设备、服务器、电力设备这几个方向冲,美股能直接吃硬件需求的红利。港股以互联网、金融、消费、能源为主,能蹭上这轮硬件行情的公司不多,自然跑不赢。 7月之后,原来的短板反而成了护身符。 全球科技股开始剧烈波动,半导体和科技硬件跟着海外一起跌。港股缺存储芯片这种高波动板块,跟全球AI硬件行情联动弱,被直接砸到的概率小得多。 摩根士丹利提到,8月到9月可能是港股的一段反弹窗口,建议在这个阶段重新加仓,他们看重的不是港股能涨多高,而是这个阶段它跌得相对少。 理由有几条,每一条都站得住脚。 第一,互联网盈利压力在减轻。过去几年平台为了抢用户拼命补贴打价格战,利润被压得死死的。今年4月中旬监管收紧低价竞争,价格战降温,利润继续恶化的空间就封住了。AI投入的担忧也在缓,大模型陆续落地到搜索、电商、广告,钱不再像扔进水里没响动。 第二,解禁压力市场已经提前消化了一部分。2026年以来港股IPO融资到7月30日达到415亿美元,下半年解禁规模很大,9月可能是过去五年H股解禁市值最高的月份。但数据回看过去五年,解禁大月并不稳定对应恒指下跌。从5月下旬开始市场就在交易这个压力,部分想减仓的已经减了,卖盘被吸收掉不少。 第三,外资仓位还很低。2026年海外流入中国股票规模大约只有2025年全年的一半,但增量主要来自被动指数基金,主动基金仓位没怎么提。全球和新兴市场基金普遍低配中国和港股,把仓位从低配调回基准,所需资金量并不大,买盘门槛反而低了。 估值也确实便宜。截至7月28日,沪深300未来12个月市盈率约13.7倍,MSCI中国约10.7倍,前者比后者高出约30%。港股比美国、日本、欧洲主要市场也低。 摩根士丹利给的目标不算激进。以7月29日价格算,恒指到2027年6月看28400点,涨约10%。国企指数9900点,空间约15%。MSCI中国91点,空间约19%。这些目标建立在盈利压力减轻和估值修复上,不是建立在利润暴涨或资金海灌上。 港股虽不算全面牛市,也是一轮修复。消费和投资偏弱,盈利预测也没停止下调。反弹能不能走到三季度末,看的是互联网业绩是否继续改善、海外资金是否回补。 但几项压力同时减轻的组合,现在确实出现了。这种时候如果还只盯着美股,可能就把一段确定性更高的修复行情漏掉了。
显示更多
DeepSeek 梁文锋 4 小时内部交流干货: 1. 产品只是通往AGI的副产物。现阶段不求收益最大化,站在技术高位做低级别应用是降维打击,无需在C端和B端耗费过多精力。 2. 3D、视频生成甚至世界模型,都不在我们的主线上,它们与智能的上限关系不大。 3. 多模态对C端产品很重要,但它仅是组件,并非主线与智能本身。 4. 大模型幻觉是长命题,必然有解。内部视其为产品问题会去解决,但绝非当前核心重点。 5. 现阶段重中之重是 Coding Agent。国内最合理的打法是全力攻克通用 Agent,金融、医疗等垂直领域优先级靠后。 6. 未来AI时代必有万亿级巨头,DeepSeek只需占一席之地。路径明确:持续学习 -> AI自迭代 -> 具身智能。 7. AI目前不缺品味和直觉,唯一缺的是“持续学习”的能力。 8. 人类能持续学习,但AI目前依赖全量上下文,无法真正替代员工。下一代模型必须跨越“持续学习”这道坎。 9. 下一代模型的第一目标:我们自己觉得好用,用来辅助自身开发。这是通往AGI的最快捷径。 10. “学习”机制极其复杂,目前全球都还没找到完美的解法。 11. DeepSeek的终极愿景是AGI。爬楼梯策略:去年是CoT(思维链),今年是Agent,下一步就是“持续学习”。 12. 攻克持续学习将迎来渐进式奇点:AI能接管人类所有工作,甚至自主研发前沿AI模型。走完这步,才是具身智能。 13. 智能的终局大概率是具身。人类真正渴求的是“人力”而非“电脑”。彻底转向商业化,依然遥远。 14. 拒绝利润最大化定价,我们只赚合理利润。 15. 好模型就该被充分使用。我们曾主动将模型价格降至四分之一,全公司为此欢呼。 16. 成本领先是架构优化的必然结果。算力紧缺下,极致的计算效率意味着能训出更庞大的模型。我们靠效率取胜,大厂靠资源堆砌。 17. 外界看我们模式极难,内部其实极其轻松。降价让对手难受,但对我们而言,卖API无需繁重运营和销售,用户自会用脚投票。 18. 商业化一直在做,但绝不以其为终极目标。彻底转向商业化的那一天,还极其遥远。 19. 只要有巨大的商业价值,根本不用提前抢位。DeepSeek是顺应时代现实的产物,绝非盲目跟风模仿。 20. 克制即战略:用舍弃换取更多。开源即让利:对内聚人心、聚成就,对外利社会、惠同行。 21. AI是个占据人类GDP 10%的宏大叙事。想在商业上成事,开源必不可少。妄图独占利益,必定被历史抛弃。 22. 开源无套路。我们开源的模型与自己部署的完全一致,绝不藏私。 23. 无惧开源被抄袭竞争。大厂组织臃肿,小厂财力不足,有意愿且有能力的对手寥寥无几。 24. 只要坚守“只赚合理利润”,开源就不会伤害商业模式。想赚百倍暴利?那开源确实不适合你。 25. 不树敌。我们不愿跟任何互联网大中小厂作对,反而乐意协助所有人(包括阿里、智谱、月之暗面等)做得更好。 26. 必须改写中美AI叙事:用几分之一的算力,把技术代差缩短到6个月,甚至3个月内。 27. 中美AI差距仅在资源,不在技术。信奉Scaling Law,当前规模的限制仅仅是因为资源只够做这么大。 28. 人才零差距!中美就是同一批人。国内绝不缺人才,短缺只是一时的阶段性现象。 29. Anthropic反超OpenAI只是暂时的。未来大概率是OpenAI与Google双雄交替领跑。 30. 国内大模型赛道太挤,资源极度分散。终局必然收敛,两家大厂、两家小厂足矣。 31. 我断言:大模型公司绝对拿不走AI行业的绝大部分利润。 32. 大模型终极竞争只看三点:第一是成本(同质量下成本多低),第二是时间(早晚几个月天壤之别),第三才是用户体验。 33. 绝不想做下一个超级App。成为下一个字节或腾讯?我们毫无兴趣。 34. 不争眼前的芝麻,因为我们死盯的是背后的西瓜(AGI)。 35. 去年抢C端,今年抢To B,我们都不在乎。内部只死磕AGI路线图。奇妙的是:越不求名利,往往越容易得到。 36. 去年春节的突然爆火,完全是剧本之外的意外。 37. 唯一不退让的底线:团队稳定性。这是最大风险,好在最新一轮融资已将其彻底化解。 38. 不树敌、广结善缘、主动赋能,一切商业动作都是为了给团队创造最稳定、最纯粹的研发环境。 39. 管理亦正亦邪。50%时间自上而下“干正事”,50%时间自下而上“瞎折腾”——无要求、无限制,尽情探索前沿。 40. 极少加班。科研需要松弛感;我们极度聚焦,产品有瑕疵也不盲目补救,这也是一种克制。 41. 组织随公司成长而动态演进。未来会有必要结构,但绝不搞传统僵化层级,愿景驱动的内核永不改变。 42. 初衷绝非为了赚钱上市。第一批核心团队如果只想发财压根就不会来。我们是带着对世界极大的善意在做这件事。 43. 不死盯KPI,纯靠愿景驱动。这是我们的双刃剑,更是DeepSeek刻在骨子里的特色。 44. 愿景不落于纸面,而融于做事态度。哪怕千人千面,大方向永远一致。 45. 曾经崇拜杰克·韦尔奇,如今看来他多数理论已过时,但有一句永远正确:公司最核心的是愿景。怎么做,远比怎么说重要。 46. AGI是唯一最大收益。有余力就做点别的,没精力就果断砍掉。克制,早已写进我们的愿景。 47. AI蛋糕太庞大。越是克制、越不贪婪,最后做成这件大事的概率就越高。 48. 坚守克制符合我的直觉。除了愿景,我们并没有比别人多出什么逆天的优势。 49. 两年前,没钱、没卡、没名气。我最爱的叙事是:“一群最平凡的人,做出了最不平凡的事”,而不是天才改变世界。 50. 开源和低价都是克制。短期看少赚了钱,长期看却能极大提升通往AGI的成功率。战略克制,是我们的终极武器。 51. 开源让员工骄傲,让同行受惠,让大众受益。这种克制,正在无限放大我们实现AGI的概率。 52. 如果你的愿景只是“拿走更多”,你已经输在起跑线了。这就是世界运转的底层逻辑。
显示更多
刚看完All-In Podcast最新一期(280),几个大佬聊了SpaceX上市样本、OpenAI/Anthropic的IPO进度、AI Token烧钱的真实回报,还有特朗普账户上线的疯狂数据,信息量很大,整理一下 SpaceX这次IPO,给后面的巨头上市树立了一个模板 SpaceX在1.75万亿美元估值下募资750亿美元,上市后一度冲到200美元一股,目前稳定在150美元附近,对应大概2万亿美元市值、350亿美元远期营收,稳居全球第七大上市公司。大家的共识是,SpaceX这次分阶段解禁加提前纳入指数的玩法,等于给后续这些超大独角兽上市树立了一个教科书级别的样板。 Anthropic已经秘密递交了上市申请,有消息说它的年化营收正在冲刺1000亿美元,如果真的上市,市值可能会到3万亿美元。OpenAI这边营收也反弹到了大约700亿美元,GPT-6据说30天内就要发布,不过因为公司架构调整比较复杂、加上此前烧钱速度很快,上市进度可能会比Anthropic慢一些。Brad提到他们公司作为大机构,就算在3万亿估值下也会大规模认购这两家的IPO,理由是它们未来多年的营收复合增速仍然能超过30%。 AI的Token消费在爆炸式增长,但企业端的真实回报被打了个问号 这段讨论挺犀利的。Chamath提到自己公司的CTO汇报说,Token支出每45天就翻一倍,但带来的下游生产力提升只有大概5%左右。更扎心的数据是,标普500(剔除英伟达之后)的每股盈利增长里,真正由AI驱动的部分只占0%到2%。如果企业没办法证明Token消费真正带来了投资回报,现在这种消费狂热可能面临一波纠偏。 不过也有几个企业给出了比较聪明的应对样本。Uber已经有99%的工程师在用AI辅助写代码,还专门建立了"智能体小组"深入HR、法务、营销这些部门,精细化去算成本和效率账。DoorDash的CTO则搞了个"模型路由"策略,把简单低级的任务丢给开源的便宜模型去做,只有最难的核心任务才交给Anthropic的顶级模型处理,成功把成本压了下来。 闭源大模型和开源/主权AI之间的路线之争,越来越激烈 Brad坚持认为闭源顶级模型的优势还在,目前经济价值依然高度集中在OpenAI和Anthropic这两家顶级实验室,对企业来说,用一个稍微贵一点的顶级模型去替代时薪200美元的高级工程师或顾问,多花十几美元完全是理性选择。但Chamath参加联合国AI委员会之后,观察到的是另一条线,阿联酋、沙特、日本这些国家,都不愿意把自己的技术命脉完全交给美国的闭源模型,正在拼命打造自主可控的开源"主权AI"技术栈。与此同时扎克伯格这边也没闲着,Meta刚发布的Muse Spark 1.1模型,主打同等质量但成本只有1%,直接打响了一场价格战,试图用开源和低价去冲击闭源模型的高价壁垒。 中国这边传出消息,可能要限制顶级模型出海 有消息称中国的监管层正在跟通义千问、字节跳动、智谱这些公司闭门开会,考虑限制顶级开源和闭源模型的海外访问权限,目的是防止技术泄露和被美方利用。Sacks对此的解读是,这其实是一种很典型的"追赶期靠开源换生态、一旦追上或接近前沿水平就立刻转向闭源"的策略,跟当年OpenAI自己走过的路线转变有点像。美方这边(包括白宫和财政部)目前的核心共识是"不惜一切代价保持对华AI领先",由于中国的一些模型内部被发现大量蒸馏了美国模型的输出,美方也在同步推出反蒸馏的反制措施。 特朗普账户正式上线,数据狂热到有点离谱 依据《美国投资法案》,特朗普账户在7月4日建国250周年这天正式上线,官方App直接冲上了美国App Store下载榜第一名。核心机制是每个美国出生的孩子会自动获得一个政府开立的终身免税投资账户,初始注入1000美元,资金直接投向标普500指数,终身不收管理费。上线前24小时就开了150万个账户,入金超过10亿美元。 税收优惠设计得也很激进,每年亲友最多可以给孩子存入5000美元、享受18年的免税复利;更狠的是雇主每年可以给员工的孩子免税注入最多2500美元,这部分直接从雇主和员工的应税收入里扣减,比传统401(k)和IRA的力度还要大。孩子满18岁之后,这笔钱可以无缝滚存到Roth IRA里,CPA圈子里普遍把这个称为"历史级的财富传承和避税工具"。如果从0岁就开始每年存钱,18到28岁的时候靠复利就能轻松滚到上百万美元的规模。 慈善捐赠这块也很夸张:Brad自己捐了1亿美元,戴尔夫妇锚定捐了60亿美元资助2500万中低收入家庭的孩子,SpaceX总裁捐了价值3.5亿美元的SpaceX股票(相当于让每个低收入孩子直接持有SpaceX股权),美光也捐了2.5亿美元给员工子女做配对。大家普遍认为这套机制彻底跳过了传统NGO那种中间商层层抽成、效率低下的老路子,资金是直接打到个人账户的。预计未来10年会开出超过1亿个账户,注入2到4万亿美元资产,能把美国股市的持有率从大约50%推高到75%以上,某种程度上是在把全体国民都变成资本市场的直接受益者。
显示更多
0
17
95
4
转发到社区
如何给一款模型定价? “价格的本质是什么,我只回复一个词:价值。”《定价制胜》的作者赫尔曼·西蒙说。 但对大模型产品来说,技术在按月进化,应用却还没有充分验证,“价值” 仍难以量化、定价方式也很难类比其他成熟商品。 综合公开信息和多位大模型厂商商业化员工的说法,我们发现大模型产品目前基本只有两种定价方式:成本定价法和市场定位定价法。有些公司更偏成本端,比如 Deepseek 和小米 Mimo,其他大部分厂商更侧重市场定位。 成本定价法比较简单,公司算出持续提供服务需要花多少钱,再加上希望赚取的利润,算出一个价格。这笔成本主要包括推理算力、网络、存储和运维,不计算前期模型研发支出和销售、薪酬等其他经营费用。 DeepSeek 最为典型。今年 5 月,梁文锋在一场投资者交流会上解释过 DeepSeek 的定价原则:API 业务以十个月收回设备投入为目标。在他看来,这已经是可以接受的回报,没有必要把价格提高到收入或利润最大化的位置。 按照他的计算,⼗个⽉收回成本,5 年左右的折旧年限,⼤概对应的是六倍利润。做一个简化计算:假设成本只考虑折旧,对应的毛利率需要达到约 83.3%。根据《The Information》援引知情人士的报道,DeepSeek 今年前七个月的 API 业务毛利率为 82.9%,与这一测算相近。 这种思路也体现在后续的价格调整中。9 月发布 V4.1 Flash 时,公司表示,新架构把 KV Cache 对高带宽显存的需求降至上一代的四分之一,对 SSD 的需求降至八分之一。随后,缓存命中和输出 token 的价格也降了下来。 减少重复计算、压缩缓存、提高吞吐量,都能变成降价空间。但成本也并不是全部的解释,为了让算力和设备充分被利用,DeepSeek 也会根据需求来调整价格。 比如 8 月,DeepSeek 引入峰谷定价,闲时调用的价格,只有高峰时段的一半。9 月模型降价后,峰谷差价仍然保留。这种价格策略让高峰的拥堵得以缓解,闲置的设备也能挣到钱。 一位模型公司的商业化员工形容,DeepSeek 的定价有种 “以我为主” 的意味:“他去划定了一个特殊的产品类别空间,然后主导了这个产品类别空间里的变化。” 大部分其他模型厂商不这么定价。在推理成本外,他们首要考虑的是市场定位,是在诸多模型的性能、价格的参考坐标体系里找到自己的位置。 上述大模型厂员工称,每家定价时,想的都是要去到什么样的价格带,“本质上是模型定位嘛,大家都是朝着这个模型定位去做。” 一个新模型发布前,商业化部门通常要和 Infra 部门一起测算真实负载下的推理成本,再参考第三方评测、内测客户的反馈和业务目标。价格往往由多个部门一起决定。 以 Kimi 的 K3 模型为例,这是一款总参数 2.8T、每 token 激活参数约 104B 的大模型,运行成本不低。 英伟达分销商 Openzeka 曾用一台 8 卡 B300 服务器测试 K3。按测试结果折算,这台机器每小时可处理约 405 万输入 token 和 405 万输出 token。如果用 Runpod 上 B300 单卡每小时 8.99 美元的租金粗略计算,处理 “百万输入 token 加百万输出 token”,仅算力租金就约为 17.7 美元。 这与月之暗面的真实成本必然有出入,但已经足以说明,K3 很难成为一款廉价模型。 有了大致的成本范围,下一步是找对标产品。 7 月 17 日,Artificial Analysis 测算,K3 的综合能力接近 Claude Opus 4.8 和 GPT-5.5。当时,两款模型的输入价格分别为每百万 token 5 美元、4 美元,输出价格为 25 美元、20 美元。 Kimi 最终给 K3 定的价格是输入 3 美元、输出 15 美元。 这个数字还包含了公司的战略选择。K3 发布后,月之暗面的 B 端负责人曾公开表示,不希望中国模型一直被贴上低价标签。能力达到前沿水平,就应该卖出合理的价格。相比此前的模型,K3 希望保留更充足的毛利空间,尝试建立旗舰模型的溢价。 实际任务场景中的客户测试也会影响报价。一位模型厂商的工程师说,现在大家越来越重视 “单 Token 智能”,而不是纯粹的性价比。如果小范围的客户测试下来,一个任务能用更少 Token 完成,Token 的单位定价会提高;相反,则会往下调整。 Artificial Analysis 曾让 K3 和 GLM-5.3 执行同一项任务。K3 消耗约 1.6 亿 token,GLM-5.3 用了约 2 亿。K3 的 token 单价更高,两者完成任务的总花费相近。 成本、竞品、测试结果决定了大致价格。最后还会有一些更细的取舍。Kimi 就曾决定,同一个模型,中国市场的报价要比海外低,“哪怕只是 1 毛钱”。 渠道也会影响定价。除了原厂直接提供 API,模型也可以由云平台代销或托管,由聚合平台转接,或者由客户自行部署。原厂的公开报价相对固定。其他渠道则要考虑上游采购成本、设备价格、部署效率和运维支出。在许可允许的范围内,云厂商和算力服务商可以自行部署开源模型,按照自己的成本和效率报价,可能会挤压原厂的收入。 梁文锋在那场投资者交流会上谈到了这件事。他判断,原厂如果索取极高利润,即使第三方运行效率较差,也能通过低价抢走客户。DeepSeek 按十个月收回设备投入的标准收费,已经把价格压到一个第三方很难匹配的位置,能让官方 API 保持价格优势的同时留有利润。 据我们了解,绝大部分二级算力供应商都无法把 DeepSeek 模型优化到官方宣称的水平。
显示更多
# AI 行业三个月变天,模型榜单已经解释不了全部 1小时46分钟里,这期《半球观察》播客的主持人 把 DeepSeek V4、约 1000 条 Cursor 工作轨迹、OpenClaw 出圈、Manus 交易流产和 AI 中转站放在同一张桌上。单看每条都像行业新闻,连起来看就很刺眼:AI 公司正在被新的尺子衡量。模型榜单还重要,但已经解释不了全部。 过去我们习惯问一个问题:谁的模型更强? 现在还得问另一组问题:谁有真实任务数据,谁掌握用户入口,谁能把价格打下来,谁能穿过监管和资本的窄门。 > **编者注:** 这篇按播客原文提炼判断。DeepSeek 估值、Cursor/xAI 交易、Manus 价格等数字均先按“节目说法”处理,不能直接当作已确认事实。 ## DeepSeek 的强,变成了另一种强 主播对 DeepSeek V4 的评价并不客气。V4 Pro 被认为 reasoning 过长,很多任务里像是在思维链中自己和自己打架。V4 Flash 的体感更好,接近 GPT5.4 mini 或 instant API 的水平,但这已经不是 R1 那种“全行业被迫重新估值”的时刻。 这就产生了第一个反差:DeepSeek 仍然技术很硬,但它的产品冲击力没有天然压倒别人。 节目里提到,Kimi、GLM、MiniMax 等国产模型在 coding 和迭代速度上都给了 DeepSeek 压力。DeepSeek 自己也因为适配国产硬件、减少 CUDA 技术债、拥抱 TileLang 等路线,承受了延期和成本变化。 这听起来像掉队。 但节目给了另一个定位。 节目里说“DeepSeek 正好填补了这个空白”。 这个“空白”指的是 OpenAI 不再开放权重、不再详细公开技术路线之后,全球开发者和研究者仍然需要一个前沿模型的公开参照物。DeepSeek 的价值就从“谁最强”变成“谁还愿意把技术路线摊开”。 这是一种新的强。 它可能不总是最会做产品的公司,也不一定每个版本都压住榜单。但它像开源社区的技术坐标系。大家看它的 report,看它的注意力机制,看它的后训练方法,再把这些东西吸收到自己的模型和产品里。 所以,写 DeepSeek V4 不适合写成“王者归来”或“彻底掉队”。更准确的说法是:DeepSeek 正在从爆款模型公司,变成公开 research lab 的基础设施。 DeepSeek 没有消失,它只是从王者变成了坐标系。 ## 数据飞轮开始压过架构叙事 这期最有信息量的技术段,落在 OPD 上。 节目用一个很好的类比解释 On Policy Distillation:传统后训练像老师先写一大本习题集,学生之后自己看、自己背、自己消化。问题是题太多,领域太杂,学生容易学歪,甚至出现 reward hacking。 OPD 的感觉更像现场教学。 > “学生遇到不会了,老师就过来告诉他为什么不对。” 写代码时,代码老师在旁边;做数学时,数学老师在旁边。学生先尝试,老师实时纠错,模型训练从离线习题集变成在线反馈。 这个机制把问题引向更深一层:老师从哪里来? 答案是数据。更具体地说,是真实任务里的高质量轨迹。 节目提到 Cursor 的 Composer 2 争议时,有一个关键细节:Cursor 被转述为在 Kimi base model 上加入约 1000 条真实用户工作轨迹做 SFT,使 coding 表现明显强于原始 base model。这个数字需要核查,但方向很重要。 如果模型架构的边际差距变小,真实任务数据就会变成更贵的东西。 Claude Code 和 Codex 为什么会越做越强?节目里的解释是,它们有真实工程师每天使用的轨迹:怎么打开项目,怎么读代码,怎么改错,怎么跑测试,怎么回退,怎么完成一个长任务。 这些数据很难从普通互联网文本里直接获得。它是任务过程。 这也是 Cursor、Claude Code、Codex、OpenClaw、Manus 这一类产品被重新定价的原因。它们表面是工具,底层是数据采集口。谁的用户每天把真实任务交给它,谁就能反过来训练更懂任务的模型。 模型能力当然还重要。但当大家都足够强时,数据会把差距重新拉开。 模型教会产品说话,用户轨迹教会模型做事。 ## OpenClaw 出圈,说明入口开始变形 节目把 OpenClaw 称为 Agent 的 ChatGPT 时刻。 这句话很大,但它有具体场景支撑。主播把 OpenClaw 接进 Telegram 家庭群,当成一个会记忆、会查资料、会调用 skill 的“电子宠物”。更重要的是,在这个框架里,本地 27B 模型和 GPT5.5 的体感差距被缩小了。 原因很简单:OpenClaw 有 memory,有 skill,有连续任务,有工具调用。 这就改变了用户感知。单独问一个小模型,它可能不如大模型;把它放进一个 agent 框架里,它能记住昨天说过什么,能查资料,能跑工具,能把一个任务接着做下去。用户看到的是任务完成,而不是模型参数。 这也是 OpenClaw 出圈的意义。它把 skills 从程序员小圈子带到普通人场景。 节目里提到阿里的电商出海 agent。它可以帮助小商家处理 Shopify、商品上架、趋势分析、网站设计、运营链路。过去这些工作可能需要助理、外包、懂代码的人和运营经验。现在一个小老板可能第一次感到,agent 能把一整套流程接起来。 这个变化比模型榜单更接近商业。 因为用户不会每天比较 benchmark。他们会比较:这个东西能不能帮我把店开起来,能不能生成网页,能不能做 PPT,能不能整理调研表格,能不能少雇一个人。 Agent 的入口价值,不在会聊天,而在能接活。 ## Manus 的稀缺性,被同类产品反向证明 OpenClaw 出来以后,很多人会自然认为 Manus 不稀缺了。节目里的判断正好相反:OpenClaw 爆火,反而证明 Manus 更稀缺。 这个判断的逻辑是产品体验。 主播说,很多 computer use 或 open cloud 服务“根本不想用”,Perplexity 的 computer use 被点名为几乎不可用。相反,Manus 能做出详尽网页、PPT、真实调查表格,任务保持程度更好。 换句话说,壳不稀缺,稳定交付稀缺。 这和 ChatGPT 早期很像。聊天界面谁都能做,真正难的是持续给出有用答案。Agent 时代也是一样。浏览器自动化、工具调用、任务规划、记忆系统、失败恢复,单独看都不是秘密。难的是把它们组合成用户愿意反复使用的产品。 Manus 交易流产把这个问题又推到监管层面。 节目讨论了 Meta 交易被撤销、VIE、IP、人才和公司归属问题。这里最值得保留的不是情绪判断,而是创业者面临的新现实:AI agent 这种产品绑定了用户数据、任务轨迹、人才供给、模型合作和国家监管。 对中国 AI 创业者来说,路径选择可能会提前。你从第一天就要想清楚,是进入国内生态,还是走海外资本路径;是把团队、IP、数据和客户都放在一个监管框架里,还是冒着未来交易被叫停的风险做跨境结构。 这已经超出普通商业选择。 这是 AI 产品变成战略资产后的副作用。 Manus 的问题不是卖没卖成,而是它到底属于哪里。 ## AI 开始说钱,也开始被低价倒卖 节目后半段最现实。 大厂模型开始收费,推理框架项目开始公司化,IPO 和融资叙事吸走市场流动性,AI 中转站开始变成生意。主播说得很直接: 节目里那句“大家都开始说钱了,不再说 AGI 的梦想了”,把这层现实说得很直。 这句话有点刺耳,但它解释了很多现象。 当模型差距大时,用户会追逐最强模型。当多数日常任务都已经够用时,用户会开始追逐便宜、稳定、可接入、不封号、不断线。AI 中转站就在这个缝隙里长出来。 节目提到 Sub-to-API 这类工具,把 Claude 或 Codex 的订阅转换成 API,再用更低价格分发。也提到部分中转站可能收集用户数据,甚至标称 Claude,实际替换成更便宜的国产模型。 > **编者注:** AI 中转站涉及服务条款、数据安全和潜在欺诈风险。这里仅按节目内容记录产业信号,不构成使用建议。 这说明模型正在商品化。 最前沿模型、企业级合规服务、真实工作流数据仍然贵。但对普通聊天、搜索、轻量写作、心理陪伴、日常问答来说,很多用户已经不愿意为“最强”付出太高溢价。 这会倒逼模型公司回到互联网逻辑:获客、留存、价格、渠道、生态、数据闭环。 AGI 叙事还在,商业账本已经来了。 ## 最后 这期《半球观察》最适合被整理成一组暴论,因为它更像一张行业雷达图。DeepSeek 代表公开技术路线,Cursor 代表 coding 数据,OpenClaw 代表 agent 入口,Manus 代表可交付产品和监管敏感性,AI 中转站代表模型商品化。 把这些点连起来,结论很清楚:AI 行业正在从“模型公司竞赛”变成“模型、产品、数据、资本、监管共同定价”的复杂游戏。 接下来不能只看模型榜单。 要看四个信号。 第一,DeepSeek 后续版本能不能重新打出产品体验上的压倒性差距。如果不能,它仍然有开源坐标系价值,但商业位置会不同。 第二,Claude Code、Codex、Cursor、OpenClaw、Manus 谁能沉淀最高质量的任务轨迹。真实用户每天交出的工作过程,会比静态语料更贵。 第三,agent 产品能不能稳定交付。会调用工具不稀奇,能把网页、PPT、调研、代码修改交付到用户满意,才是分水岭。 第四,价格和监管会不会重塑模型分发。中转站、订阅转 API、模型替换套利、跨境交易叫停,都说明 AI 已经离纯技术讨论很远。 我对这期的最终判断是:模型能力仍然重要,但它已经不是唯一的解释变量。谁拥有入口,谁拥有数据,谁能把价格做到用户愿意持续用,谁能在监管和资本结构里活下来,谁才可能赢到下一阶段。 这也是它最值得写成文章的地方。暴论背后真正冲击人的,是我们判断 AI 公司的尺子正在换。 --- 原始播客:
显示更多