一周三击：Kimi K3开源、Luna降价80%、推理速度分层——价格战重塑多模型架构选型

一周三击：Kimi K3开源、Luna降价80%、推理速度分层——价格战重塑多模型架构选型 | 前端进阶之旅

Full translation

完整中文译文

引言：七天内，所有选型答案全部失效

过去这一周，可能是 2026 年模型市场信息密度最高的一周。7 月 26 日，月之暗面将 2.8 万亿参数 Kimi K3（1.56TB）的完整权重放上了 Hugging Face；7 月 29 日至 31 日，SK Telecom 和 LG 相继以 Apache 2.0 协议开源了 688B 和 750B 主权模型；7 月 30 日，OpenAI 宣布 GPT-5.6 Luna 降价 80%、Terra 降价 20%，并将 Priority Processing 替换为提速 2.5 倍的 Fast 模式。此外，Anthropic 早前已将 Claude Opus 5 以与 Opus 4.8 相同的价格换上架，Google 发布了主打低成本的 Gemini 3.6 Flash——如果你在 7 月中旬做了一次模型选型评估，它在今天已经过时了。BenchLM 的前沿模型价格指数提供了定量注脚：以 GPT-4 在 2023 年 3 月发布时的价格为基准 100，到 7 月 31 日该指数为 12，累计下跌 88%。但值得注意的是，该指数实际上环比上涨了 2.6%——价格下降并非单向通道。新旗舰产品（如 GPT-5.4 Pro，定价 $30/$180）正在推高天花板，而低端产品不断击穿地板；价格带正在两端同时扩宽。

正文：本轮降价的技术基础与市场格局

一、OpenAI：降价是推理效率提升的兑现

Luna 从 $1/$6（每百万输入/输出 token）降至 $0.20/$1.20，组合成本从 $7 降至 $1.40；Terra 从混合价 $17.50 降至 $14；Sol 标准档维持在 $5/$30，但新增 Fast 模式：在智力水平不变的前提下，以 $10/$60 的价格提供标准档 2.5 倍的速度，被标记为旧版 priority 的请求自动兼容。OpenAI 官方博客将降价归因于三层效率提升：模型本身"以更直接的路径完成工作"，推理系统路由保持硬件高利用率，agentic 工具链的上下文管理避免冗余计算。更值得关注的是，GPT-5.6 Sol 在人工主导的流程中自主重写并优化了生产推理内核，将端到端服务成本降低 20%，将 token 生成效率提升超过 15%——模型开始参与到自身服务成本的降低中。这个反馈循环，是本轮降价具有可持续性的技术基础。

二、Kimi K3：开源权重将"推理即服务"变为大宗商品

K3 是一个 2.8T 参数的 MoE 模型：896 个专家，每个 token 激活 16 个（另有 2 个共享专家），每次前向传播约 104B 参数（~3.7%）处于活跃状态。它从 SFT 阶段就支持量化感知，原生携带 MXFP4 权重，拥有 100 万 token 的上下文窗口。它在 Artificial Analysis 智力指数上得分 57，紧随 Claude Fable 5（~60）和 GPT-5.6 Sol（~59）之后——这是开源模型首次闯入独立排行榜前三。对于工程团队而言，K3 最重要的启示不是参数规模，而是服务市场的格局：权重公开十天内，包括 Kimi、Fireworks、Together AI、Modal、Nebius 和 Databricks 在内的十家 API 提供商已提供推理服务，混合后每 token 定价低至约 $2.31/百万 token，输出速度从官方的 35.9 t/s 到最快宿主的 172 t/s——近 5 倍的差距。同一模型，各供应商的价格和速度截然不同——这正是"供应商选择"本身成为架构问题的原因。而自托管的账本令人清醒：约 1.4TB 常驻显存，官方推荐的超节点为 64 卡以上，按 Modal 的无服务器费率，64 张 H200 每月约 $212,000。以 $9/百万 token 的混合价格计算，每月需要处理约 236 亿 token 才能回本——对绝大多数团队而言，正确答案仍然是调用 API。

三、当下价格带一览（每百万 token，输入/输出，美元）

同一系列内，Luna 与 Terra 相差 10 倍，Terra 与 Sol 相差 2.5 倍；跨供应商，最高与最低档相差近 50 倍。价格分层从未如此陡峭——这意味着"将所有请求发送给同一模型"的架构，正在为不需要的智能支付真金白银。

四、工程启示：分 tier 路由从可选项变为必选项

当低端模型组合成本降至 $1.40/百万 token，且"能够使用工具并运行多步工作流"（OpenAI 对 Luna 的官方表述），按任务复杂度进行合理的架构分层就顺理成章了：

# 基于 OpenAI 兼容接口的分 tier 路由草图
ROUTES = {
    "classify":  "gpt-5.6-luna",      # 高吞吐量轻量任务
    "extract":   "gemini-3.5-flash-lite",
    "generate":  "gpt-5.6-terra",     # 日常生成
    "longdoc":   "kimi-k3",           # 百万上下文长文档
    "agentic":   "claude-opus-5",     # 复杂推理/多步规划
}

def chat(task_type: str, messages: list):
    return client.chat.completions.create(
        model=ROUTES[task_type],
        messages=messages,
    )

问题在于：这五个模型来自四个供应商，每个供应商都有各自的 API 密钥、计费方式、速率限制和合规要求；而且如前所述，价格表每周都在变化，而像 K3 这样的开源模型仍需在十家供应商之间比较价格和速度。自己维护所有这些集成、比较和故障转移逻辑，是一笔持续的工程税。

实践：用统一 Relay 层吸收价格战红利

这正是模型 relay 的价值所在。以 wrouter.ai 为例：它在单一的 OpenAI 兼容端点背后汇聚了上述所有供应商模型，让开发者只需修改 model 参数即可切换：

client = OpenAI(
    base_url="https://api.wrouter.ai/v1",
    api_key=***
)
# 上周我们用 terra；本周 Luna 降价 80%，只需一行代码将轻量任务切换过去
resp = client.chat.completions.create(
    model="gpt-5.6-luna",
    messages=[{"role": "user", "content": "Classify the following tickets:..."}],
)

针对本文涉及的三个场景，它恰好回答了价格战暴露出的三个问题。其一，稳定性——当单一供应商被限速或出现故障时（例如，K3 发布后月之暗面曾短暂暂停新的 API 订阅），relay 层可以在多个上游之间故障转移，业务侧零感知。其二，模型完备性——GPT、Claude、Gemini、Kimi 的主流模型均可在同一端点获取，价格表变化时切换成本接近为零，无需为每个新模型重新集成独立 SDK。其三，合规性——统一的账单和访问入口比在多个海外平台开卡、付款更容易通过企业审计。只有具备"随时切换"能力的团队，才能真正捕获价格战红利。如果架构将模型视为可替代的大宗商品，业务侧就能享受大宗商品化的价格。

本周三件事——闭源降价、开源登顶、推理速度分 tier——都指向同一个趋势：单模型忠诚度的回报正趋向于零，而多模型编排的回报正在增长。我们建议每个团队本周做一次"价格表健康检查"：按任务复杂度对现有流量分桶，与上面的价格带对比，估计迁移到分 tier 路由后的账单影响。大多数团队会发现，这可能是今年投资回报率最高的架构变更。

OpenAI: Advancing the price-performance frontier with GPT-5.6

AI2Work: Kimi K3 Ships 2.8T Open Weights and Cracks the Independent Top Three

FreshUsNews/VentureBeat: AI price wars — OpenAI cuts GPT-5.6 Luna prices by 80%

BenchLM: LLM API Pricing Trends & Updates (August 2026)

MarkTechPost: Thinking Machines Lab Releases Inkling-Small