科技行業動態點評：一美元能買多少“To ken智能”

科技科技正文目錄TOC\o"1-2"\h\z\uGPT-5.6降價，模型競爭轉向“同等智能成本” 3OpenAI的模型價格經歷過先降后升 3全球競爭由能力競賽轉向“同等智能成本”競賽 4降價能否轉化為收入增長，取決于調用量的價格彈性 5的智能如何更好的被定價 6方式購買力與智能購買力 6方式#2：平均任務成本才是定價關鍵 7方式#3：先考慮任務閾值，再考慮性價比 7低價模型的實現路徑 10因素#1：MoE架構或降低激活參數 10因素#2：模型廠商的推理效率優化 10因素#3：緩存命中可降低重復上下文的邊際成本 產業影響：應用需求加速釋放，國產模型迎來多維競爭機會 12風險提示 12科技GPT-5.6降價，模型競爭轉向“同等智能成本”科技GPT-5.6以三層級定價矩陣覆蓋不同任務需求，并通過差異化調價強化各型號定位。據OpenAI模型文檔，Sol面向復雜推理、CodingAgent強調能力、速度與成本之間的平衡，LunaOpenAIAPIChangelog信息，GPT-5.6202679730Luna實施價格20%，主要面向生產環境中的主流調用需求；Luna80%，通過較低調在同一模型家族內兼顧旗艦能力變現、主流需求承接與經濟型模型放量。發布三周后重新定價，顯示本次調整具有較強的市場策略屬性。短期內，硬件更新及推理Luna80%的變化幅度，早期需求反饋、不同模型間的流主要承擔擴大調用量、提升高并發場景滲透率及鞏固開發者入口的功能；Sol繼續作則位于兩者之間，承接對能力、OpenAI覆蓋不同客戶預算和任務復雜度，并提升模型家族內部的需求匹配效率。圖表1：GPT-5.6系列價格調整模型調整前輸入 調整前緩存輸入調整前輸出當前輸入 當前緩存輸當前輸出降幅GPT-5.6Sol5.000.5030.005.000.5030.000%GPT-5.6Terra2.500.2515.002.000.2012.00-20%GPT-5.6Luna1.000.106.000.200.021.20-80%注：單位為美元/百萬TokenOpenAI官網、華泰研究Luna整體的低成本主要來自單據ArtificialAnalysisInieceInxaMx產生約M輸出klMxMax96MSolMaxLuna86%Sol5.5%CodingAgent等場景，任務成功率、重試次數及工具調用或會進一步影響總成本，較低價格只有在模型跨過任務門檻后，才能轉化為實際的經濟性。圖表2：GPT-5.6Max檔任務Token、速度與完整評測成本模型AA智能指數完整評測輸出Token相對SolToken輸出速度（Token/s）估算解碼時間/Sol完整指數評測成本（美元）成本/SolGPT-5.6SolMax5970M1.00倍63.51.00倍3,442.81100.0%GPT-5.6TerraMax5596M1.37倍125.60.69倍1,607.9346.7%GPT-5.6LunaMax51130M1.86倍172.10.69倍190.875.5%注：ArtificialAnalysis數據截至2026年7月31日，以下同。ArtificialAnalysis、華泰研究OpenAI的模型Token價格經歷過先降后升OpenAI模型定價已由持續降價轉向前沿提價與同代分層。OpenAI公開價格，GPT?4GPT?530美元/1.25美元美元/10美元/Token；GPT-5.2發布后，前沿模型價格重新上行，GPT-5.6Sol、Luna價格曲線已難以完整反映能力升級與成熟能力下沉并行的行業趨勢。2025CodingAgent及專業任務需要投入更多測試時計算，同時能夠覆蓋過去難以完成的高價值場景，因此旗艦模型重OpenAI公開價格，GPT-5GPT-5.54倍，3倍，反映廠商開始圍繞能力邊界和任務價值重新定價。科技科技OpenAIEUEconomicBlueprintAI122023?42024GPT?4o1/150SolLuna圖表3OpenAI價格變化時間模型輸入價格輸出價格價格變化2023年3月GPT-430.0060.00GPT-4定價起點2023年11月GPT-4Turbo10.0030.00輸入下降66.7%，輸出下降50.0%2024年5月GPT-4o5.0015.00輸入、輸出均下降50.0%2025年8月GPT-51.2510.00輸入下降75.0%，輸出下降33.3%2025年12月GPT-5.21.7514.00輸入、輸出均上漲40.0%2026年3月GPT-5.42.5015.00輸入上漲42.9%，輸出上漲7.1%2026年上半年GPT-5.55.0030.00輸入、輸出均上漲100%2026年7月GPT-5.6Sol5.0030.00旗艦價格維持不變2026年7月30日GPT-5.6Terra2.0012.00較發布價下降20%2026年7月30日GPT-5.6Luna0.201.20較發布價下降80%注：單位為美元/百萬TokenOpenAI官網、華泰研究全球競爭由能力競賽轉向“同等智能成本”競賽DeepSeekV4Flash50DeepSeekArtificialAnalysis數據，V4Flash0731AA4050分，說明中國模型在算法架構和單位智能成本控制競爭中處于全球前沿。K3比能力、V4Flash比成本的雙線競爭格局。ArtificialAnalysis數據，KimiK3Max57GPT-5.6Sol2分，混合價格和平均任務成2.31美元/0.86Sol47%54%；V4Flash的50Luna1Luna65%和57%開放權重使國產模型的能力與成本優勢具備進一步釋放空間。KimiK3DeepSeekV4FlashAPIV4Flash284B13B1M上下文；其較低激活規模為低成本部署提供計算基礎。我們認為，國產模型的競爭力已經API價格擴展至能力、成本、部署方式和產業生態的綜合優勢。圖表4：國產模型形成強能力與高性價比兩條競爭路線競爭路線 國產模海外對標模型混合價格（國產/海外）CostperTask（國產/海外）強能力 KimiK3Max（開放權重，57分）GPT-5.6SolMax（閉源，59分） 2.31/4.35 0.86/高性價比DeepSeekV4Flash0731Max（開放權重，50分）GPT-5.6LunaMax（閉源，51分） 0.06/0.17 0.03/注：最低/最高混合價格單位為美元/百萬Token；Costper單位為美元DeepSeek官網、ArtificialAnalysis、華泰研究科技降價能否轉化為收入增長，取決于調用量的價格彈性科技價格20%25%即可保持收入穩定；Luna80%后，調用量需擴大5400%LunaOpenAI對需求擴張具有較高預期AgentCodingOpenAILuna，調用規模可能通過新增場景與使用頻率共同增長。模型降價仍可能推動推理算力需求增長。價格下降有助于拓展使用場景，AgentArtificialAnalysis數據，LunaMaxSolMax消耗。我們認為，只要調用量增幅高于單次任務算力消耗的下降幅度，降價仍將對推理算力需求形成正向拉動。圖表5：GPT-5.6降價后的收入平衡點模型 價格降新價格原價格維持收入所需調用量所需增幅Terra-20%0.801.25倍+25%Luna-80%0.205.00倍+400%ArtificialAnalysis、華泰研究估算降價不僅擴大應用調用規模，也會提升單項任務的計算強度，從而推動總需求非線TheEconomicsofDigitalIntelligenceCapitalAgent-BasedModelAPI50%1.42，同時推理深度45%38%25%消耗隨之加快增長，行業Agent需求同時受到任務數量擴張與單任務消耗提升的推動。的價格下降28.4%1.42的需求價格彈性在該9.8%通過適度降價擴大調用規模，并帶動收入增長的可能性。Luna80%51.42的彈性在整個價格區間內保持不變，調用量可增至約9.83倍（按照《TheEconomicsofDigitalIntelligenceCapital》論文恒定彈性需求函數計算得到）96.6%；我們認為，該結果僅屬于敏感性情景，LunaAgent工作流落地、新增客戶進入及競爭對手份額遷移。圖表6：GPT-5.6降價后的調用量與收入彈性測算模型 價格降幅 維持收入所需調用所需調用量增幅小幅變化近似恒定彈性情景下調用量Terra-20%1.25倍+25%+28.4%1.37倍+9.8%Luna-80%5.00倍+400%不適合線性外推9.83倍+96.6%《TheEconomicsofDigitalIntelligenceCapital》，Zhang（2026）、ArtificialAnalysis、華泰研究估算科技Token的智能如何更好的被定價科技僅比較輸入數量存在差異。2）較低的任務成功率會增加重試次數，并進一步推高失敗成本。3）Agent任務通常涉及多輪上下文、緩存讀取、工具調用及并行執行，實際資源消耗高于單輪問答。賬單。圖表7：全球主要模型智能指數與價格模型推理檔位AA智能指數混合價格完整評測輸出TokenClaudeFable5GPT-5.6SolMaxMax87M70MKimiK3Max572.31130MGPT-5.6TerraGrok4.5MaxHigh96M60MGPT-5.6LunaMax510.17130MGLM-5.2Max510.90140MDeepSeekV4Flash0731Max500.06210MGemini3.5FlashHigh501.3175MQwen3.7Max默認公開檔461.43100MDeepSeekV4ProMax440.18180MMiniMaxM3默認公開檔440.2289M注：單位為美元/百萬TokenArtificialAnalysis、華泰研究方式#1：Token購買力與智能購買力onk1數量，主要AA規模組合，主要反映能力與價格的相對關系。需要注意的是，兩項指標均屬于價格與能力的比較工具，不能直接代表模型的任務完成質量。V4FlashLuna。ArtificialAnalysis公16.67V4Flash833.3，Sol61.4Luna2.78倍；Luna300.0V4FlashAA智能指50Luna10.06美元/的混合價格。需要注意的是，智能購買力屬于能力與價格的相對比較工具，不能直接代表不同任務中的實際完成質量。圖表8：1美元能買多少智能模型AA智能指數 混合價格（美元/百萬Token購買力（百萬）智能購買力指標（指數÷價格）相對Sol購買力ClaudeFable5Max60 7.700.137.80.57倍GPT-5.6SolMax59 4.350.2313.61.00倍KimiK3Max57 2.310.4324.71.82倍GPT-5.6TerraMax55 1.740.5731.62.33倍Grok4.5High54 1.350.7440.02.95倍GPT-5.6LunaMax51 0.175.88300.022.12倍GLM-5.2Max51 0.901.1156.74.18倍DeepSeekV4Flash0731Max50 0.0616.67833.361.44倍Gemini3.5FlashHigh50 1.310.7638.22.81倍Qwen3.7Max461.430.7032.22.37倍DeepSeekV4ProMax440.185.56244.418.02倍MiniMaxM3440.224.55200.014.75倍注：Token購買力等于1美元除以混合價格，智能購買力指標等于AA智能指數除以混合價格。ArtificialAnalysis、華泰研究科技方式#2：平均任務成本才是定價關鍵科技智能購買力代理指標僅適用于能力與價格的相對比較，不能視為可線性累加的智能總量。AAIntelligenceIndex屬于綜合基準得分，6030購買對應何種能消耗、任務成功率及失敗成本進行綜合判斷。平均任務成本可進一步衡量模型完成典型任務的實際經濟性。ArtificialAnalysis方法，CostperIntelligenceIndex圖表9：全球典型模型IntelligenceIndex平均任務成本廠商/模型模型類型AA智能指數API服務商或處理口徑當前CostperTask（美元）當前成本/LunaAnthropicClaudeFable5Max海外閉源60Anthropic3.1545.00倍OpenAIGPT-5.6SolMax海外閉源59OpenAI，AA發布值1.8626.57倍MoonshotKimiK3Max國產開放權重57Kimi0.8612.29倍OpenAIGPT-5.6TerraMax海外閉源55AA發布值0.7310.43倍xAIGrok4.5High海外閉源54SpaceXAI0.446.29倍OpenAIGPT-5.6LunaMax海外閉源51AA發布值0.071.00倍Z.aiGLM-5.2Max國產開放權重51Wafer0.365.14倍DeepSeekV4Flash0731Max國產開放權重50DeepSeek0.030.43倍GoogleGemini3.5FlashHigh海外閉源50GoogleAIStudio0.699.86倍AlibabaQwen3.7Max國產閉源46AlibabaCloud1.2818.29倍DeepSeekV4ProMax國產開放權重44DeepSeek0.050.71倍MiniMaxM3國產開放權重44MiniMax0.142.00倍注：GLM-5.2采用WaferAPI實測值，不同API服務商數值或有不同。ArtificialAnalysis、華泰研究V4Flash在接近Luna能力水平的同時，將平均任務成本進一步降至約0.03美元。據ArtificialAnalysis數據，V4FlashAA50Luna1分，平均任務0.03Luna0.0757%V4Flash210MLuna130M價格。V4Flash同時開放權重，進一步增加了企業私有化部署和持續優化推理成本的空間。KimiK3Max57分智能Sol590.86Sol1.8654%Flash則證明中國模型仍能在相近能力下建立更低的任務成本優勢。方式#3：先考慮任務閾值，再考慮性價比對于常規任務，OpenAI評測數據，SolLuna在上述高難任務中的表現差距顯著擴大，說明綜合指數接近并不意味著模型在復雜場景下具備相近的任務可用性。因此，平均任務成本更適合衡量常規任務經濟性，對高難任務仍需結合成功率及能力門檻進行判斷。科技LunaOpenAIExploitBenchKernelGen1PMRCRv28-needle評測中，Sol73.5%61.1%33.2%22.4%約為Luna2.21倍、2.732.22ARCPrize數據，SolARC-AGI-3官方半私有Luna43.2在該任務上接近失效。上述結果表明，Luna科技圖表10：GPT-5.6系列在高難任務上的能力差異評測任務類型SolTerraLunaSol較Luna差值Sol/LunaBigFinanceBench高難金融任務53.0%51.0%36.0%+17.0pct1.47倍OSWorld2.0計算機操作62.6%50.2%45.6%+17.0pct1.37倍SEC-BenchPro網絡安全71.2%57.7%48.9%+22.3pct1.46倍ExploitBench漏洞利用73.5%52.9%33.2%+40.3pct2.21倍KernelGen1P內核生成與自我改進61.1%49.2%22.4%+38.7pct2.73倍FrontierMathTier4v2前沿數學83.0%68.3%58.5%+24.5pct1.42倍MRCRv28-needle256K-512K超長上下文檢索91.5%89.6%41.3%+50.2pct2.22倍ARC-AGI-3抽象推理7.78%0.80%0.18%+7.60pct43.22倍注：ExploitBench主要衡量模型完成漏洞利用鏈的能力。KernelGen1P用于評估模型直接優化AI基礎設施的能力。MRCRv28-needle反映超長上下文中的多目標檢索與記憶能力。ARC-AGI-3用于考察無說明書環境中的學習與適應能力。OpenAI官網、ARCPrize、ArtificialAnalysis、華泰研究價格具備更強經濟性；當任務要求超長上下文成功率達到70%、達到50%或hr4aa或圖表11：能力門檻下的最低成本模型選擇任務示意性最低成功率SolTerraLuna達標模型最低成本達標模型及混合價格BigFinanceBench50%53.0%51.0%36.0%Sol、TerraTerra，1.74美元/百萬TokenOSWorld2.060%62.6%50.2%45.6%SolSol，4.35美元/百萬TokenSEC-BenchPro60%71.2%57.7%48.9%SolSol，4.35美元/百萬TokenExploitBench60%73.5%52.9%33.2%SolSol，4.35美元/百萬TokenKernelGen1P50%61.1%49.2%22.4%SolSol，4.35美元/百萬TokenFrontierMathTier4v275%83.0%68.3%58.5%SolSol，4.35美元/百萬TokenMRCRv28-needle256K-512K70%91.5%89.6%41.3%Sol、TerraTerra，1.74美元/百萬TokenARC-AGI-31%7.78%0.80%0.18%SolSol，4.35美元/百萬TokenArtificialAnalysis、華泰研究次任務成本÷任務成功率”；若進一步考慮失敗損失，模型預期價值可表示為“成功率×任務價值－單次成本－失敗率×失敗損失”。任務價值越高、失敗代價越大，成功率差異越可能覆蓋旗艦模型的價格溢價。科技ARC-AGI-3ArtificialAnalysis當前平均任務成本作為單次嘗試成本代理，ClaudeOpus5High單次成本約為Luna17.6Luna1684.08Luna26.6Luna4323.91Luna38.891%的成功率通常難以通過機械重試形成穩定供給，Luna555.6125科技ARC-AGI-32026731ARCPrize公開狀態，KimiK3仍處于測試階段，DeepSeekV4Flash、GLM-5.2、Qwen3.7Max、DeepSeekV4ProMiniMaxM3暫無公開驗證結果。在已完成驗證的模型中，ClaudeOpus5Sol的成功率處于較高水平，Grok、Luna1%。我們認為，現階段該評測主要用于識別已測試海外閉源模型內部的能力差異，暫不足以形Infra圖表12：ARC-AGI-3單位成功任務成本與全球模型測試狀態廠商/模型類型當前平均單次任務成本代理（美元）獲得一次成功所需預期單位成功任務成本（美元）Sol的倍數ARC-AGI-3驗證成績嘗試次數AnthropicClaudeOpus5HighOpenAIGPT-5.6SolMaxOpenAIGPT-5.6TerraMaxxAIGrok4.5High海外閉源海外閉源海外閉源海外閉源3.3次12.9次125.0次333.3次0.17倍1.00倍3.82倍6.13倍OpenAIGPT-5.6LunaMax海外閉源 0.070.18%555.6次38.891.63倍MoonshotKimiK3MaxDeepSeekV4Flash0731Max國產開放權重 0.860國產開放權重 0.030測試進行中暫無公開驗證結果——————Z.aiGLM-5.2MaxAlibabaQwen3.7MaxDeepSeekV4ProMaxMiniMaxM3國產開放權重————————————ARCPrize、華泰研究科技低價模型的實現路徑科技因素#1：MoE架構或降低激活參數MoE模型僅激活與當前任務相關的部分專家參數，ArtificialAnalysis數據，V4Flash284B總參數、每13BAA500.06美元百萬k2M輸出k，Luna定價則將成本優勢傳導至客戶賬單。圖表13：部分開放權重模型的激活參數、Token消耗與評測成本模型總參數量 每激活參數量激活比例AA智能指數完整評測輸出混合價格完整指數評測成本（美元）DeepSeekV4Flash0731284B 4.58%50210M0.0672.02DeepSeekV4Pro1,600B 3.06%44180M0.18176.34GLM-5.2753B 5.31%51140M0.901,061.18KimiK32,800B 3.71%57130M2.312,437.41注：最低/最高混合價格單位為美元/百萬Token；CostperTask單位為美元ArtificialAnalysis、華泰研究因素#2：模型廠商的推理效率優化價格下降的重要因素。API供應商之價格、輸出速度和任務成本仍可能存在明顯差異，說明服務價格不僅取決于模型本身，也受到量化精度、硬件配置、批處理規模、并行策略、任務調度及基礎設施運營效率影響。通過提升推理吞吐、降低單位計算資源消耗，降價提供空間。API供應商之間的價格、任務成本與推理速度差異較為顯著。ArtificialAnalysis數據，GLM-5.2Max5.14.4倍、輸出10.7M34.19.1跨供應商出現數倍價格與成本差異，仍表明推理系統及部署工程優化能夠顯著降低單位服價格下降的重要因素。圖表14模型 供應商數量 最低/最高混合價格價格差異 最低/最高Costper任務成本差異 最慢/最快輸出速速度差異GLM-5.2Max150.49/2.525.1倍0.36/1.574.4倍41.1/438.4Token/s10.7倍Qwen3.7Max30.80/1.431.8倍0.65/1.282.0倍51.3/199.0Token/s3.9倍MiniMaxM390.18/0.392.2倍0.11/0.454.1倍31.3/285.7Token/s9.1倍注：最低/最高混合價格單位為美元/Token；Costper單位為美元ArtificialAnalysis、華泰研究科技因素#3：緩存命中可降低重復上下文的邊際成本科技緩存機制能夠顯著降低重復上下文調用的邊際成本。OpenAIAPIPricing，GPT-5.6三10%1.25倍。對于需要反復調用相同系統提示、歷史對話或長上下文的任務，較高緩存命中率可減少重復輸入對應的計費成本，從而改善模型在持續運行場景下的經濟性。緩存命中率提升能夠同步降低不同檔位模型的穩態調用成本。通常復雜任務的輸入10%90%0%、50%70%；測算不含首次緩存寫入，適用70%時，SolLuna42%Agent、多輪對話及長上下文等高頻復用場景。圖表15：GPT-5.6在不同緩存命中率下的混合Token價格模型新增輸入價 緩存讀取緩存寫入價輸出價 0%命中混合價50%命中混合價70%命中混合價70%命中節省比例GPT-5.6Sol5.000.506.2530.007.505.254.3542%GPT-5.6Terra2.000.202.5012.003.002.101.7442%GPT-5.6Luna0.200.020.251.200.300.210.17442%注：單位為美元/百萬TokenOpenAI官網、華泰研究估算科技產業影響：應用需求加速釋放，國產模型迎來多維競爭機會科技AI應用是模型降價的直接受益環節。客服、搜索、營銷生成、CodingAgent、辦公助手和數據分析均需要持續調用模型，模型降價能夠降低單次推理和多輪Agent執行成本，并為提高使用頻率、增加Agent執行次數及優化應用公司毛利率和付費轉化提供空間。推薦標的：迅策，邁富時，中控技術，金山辦公。相關標的：滴普科技，金蝶軟件，合合信息。降價帶來onK3與4FlahGT-降價說明低成本推理已成為全球模型競爭方向，V4Flash隨后以更低混合價格和任務成本50K357分智能指數接近海外旗艦，表明國產開放權重模型也已進入高能力區間。未來，國內廠商可依托真實任務能力、開放權重、私有化部署、國產算力適配、中文場景優化及企業服務持續形成差異化優勢。我們認為，國產模型已經從單一價格競爭擴展至強能力與高性價比并行。相關標的：智譜，MiniMax風險提示模型調用需求增長不及預期。模型降價可能無法帶動調用量同比例增長，進而影響模型廠商收入及盈利改善。模型能力迭代不及預期。可能限制復雜任務、Agent及企業級場景的需求釋放。第三方評測口徑及數據變化風險。第三方評測口徑、模型版本和API價格可能持續調整，不同模型的測試條件及推理配置也存在差異，相關比較結果可能發生變化。圖表16：重點公司推薦一覽表最新收盤價目標價市值(百萬)EPS(元)PE倍)股票名稱股票代碼投資評級(當地幣種)(當地幣種)(當地幣種)20252026E 2028E20252026E2027E2028E迅策3317HK買入 103.50239.1134,153-0.29-0.03 0.431.34-314.29-2,829.13208.9966.87邁富時2556HK買入 62.9311,8190.331.22 1.983.05115.0231.1619.2812.48中控技術688777CH買入 93.12113.0773,6760.561.23 1.531.79166.8875.5560.7651.90金山辦公688111CH買入 269.58303.77125,0893.967.85 6.087.4568.0234.3544.3436.21Bloomberg預測圖表17：重點推薦公司最新觀點股票名稱 最新觀點迅策(3317HK)邁富時(2556HK)中控技術(688777CH)金山辦公(688111CH)

20262026H19.67億元，同比+389%0.730.67億元，均實現扭虧。AI26-2823.57/39.15/59.4083.4%/66.1%/51.7%26-280.02/1.77/5.530.1%/4.5%/9.3%2027EPS680.19789.022027EPS17.37x（240.08港元，27EPS17.06x），維持“買入”評級。風險提示：AI跨行業拓展進度不及預期；按Token計費的商業化落地不及預期；行業競爭加劇導致毛利率承壓；AI技術路線變化風險；監管政策變動風險；估值波動風險。報告發布日期：2026年08月01日點擊下載全文：迅策(3317HK,買入):Token業務加速驅動收入大幅增長20262026H118.58-20.54+100%-121%1.82-2.22+386%-494%。AIAgentAI業務占比提升帶來AI工廠新邏輯將共同打開公司成長空間，公司未來有望延續業績高增長，維持“買入”評級。我們認為AI應用高增與全棧Token工廠新邏輯將共同打開公司成長空間，上調公司26-28年收入為44.75/67.36/104.20億元（前值為41.20/62.02/97.91億元，分別上調9%/9%/6%），其中AI應用收入上調為26.78/45.80/78.