2026 年上半年，中国大模型市场的价格战愈演愈烈——六大实验室先后六次下调 API 价格，其中三次已确定为永久性降价。DeepSeek V4-Pro 当前输出成本降至每百万 token 0.87 美元；小米 MiMo V2.5 将长上下文场景的输出价格统一为 3 美元；阿里 Qwen3 Max 定价 3.90 美元；月之暗面 Kimi K2.6 凭借缓存命中 0.07 美元的保底价在低端市场占据优势；智谱 GLM-5 则定价 3.20 美元。接下来，我们将对这五家前沿 API 的价格、能力及采购建议进行逐一解析，帮助你找到最适合自身工作负载的大模型。

核心摘要 (TL;DR)

• 单 token 最便宜（输出）： DeepSeek V4-Pro，$0.87/MTok，相比 GPT-5.5 便宜约 34 倍。
• 1M 上下文最便宜： 小米 MiMo V2.5 Pro，输出 $3/MTok，不受输入长度影响。
• 通用生产环境最佳性价比： 阿里 Qwen3 Max，输出 $3.90/MTok，支持 262K 上下文。
• 最低缓存命中保底价（适合长系统提示词）： 月之暗面 Kimi K2.6，缓存命中 $0.07/MTok。
• 重推理工作负载： 智谱 GLM-5，输出 $3.20/MTok，200K 上下文，在结构化思维链方面表现最强。
• 五家实验室竞争激烈，其中三家——DeepSeek、MiMo、Kimi，已将 2026 年的降价固定为永久政策。

2026 年中国 LLM 价格战演变进程

这轮价格战并非一蹴而就，而是自 2025 年第四季度开始酝酿，到 2026 年第二季度加速爆发。大致时间线如下：

• 2025 年 Q4： DeepSeek V3.2 发布，输入价格 $0.28/MTok，直接比美国前沿模型低了一个数量级。Kimi K2.6 随后推出分层上下文感知定价，以及行业最低的 $0.07/MTok 缓存命中率。
• 2026 年 3 月： 小米在 OpenRouter 上推出 MiMo V2-Pro，定价极具竞争力，但仍基于分层模式。
• 2026 年 4 月： DeepSeek V4 发布，附带 75% 的促销折扣，原定于 5 月 31 日到期。
• 2026 年 5 月 22 日： DeepSeek 宣布 75% 折扣永久生效。V4-Pro 价格无限期锁定为 $0.435/$0.87。
• 2026 年 5 月 27 日： 小米将 MiMo V2.5 定价永久固定在 $1/$3，彻底取消了长上下文倍率。

这些降价绝非随意行为。每个实验室都在针对自身竞争短板精准发力：DeepSeek 追求极致的单 token 成本；MiMo 专门切入其他模型在长上下文场景下的价格盲区；Qwen 和 GLM 则选择维持中端价格，在能力上展开竞争；Kimi 则依靠缓存命中保底价，在智能体和编程工作流中抢占阵地。

一览表：2024 年 5 月五大中国 LLM API

表格中的几个细节值得留意：

• DeepSeek 和 MiMo 采用统一费率。 而其他实验室仍在使用分层定价或上下文倍率。统一费率的优势在于——生产能力规划变得可预测。分层定价则可能在你长上下文使用较多的月份带来意料之外的账单。
• 缓存命中率差异巨大。 Kimi K2.6 的 $0.07 和 DeepSeek V4-Pro 的 $0.003625 是两种极端。对于任何有稳定系统提示词的智能体，应该基于这些缓存命中费率做基准测试，而不是看缓存未命中的列表价。
• 上下文窗口分化明显。 只有 MiMo V2.5 在低价位提供了 1M token。第二大的是 Qwen3 Max，262K。如果你的工作负载需要超过 300K token，MiMo 是唯一的选择。

接下来，我们逐一解析每个模型的具体定价、能力以及最适合的工作负载。

DeepSeek：单 token 成本最低

模型： V4-Pro（输入 $0.435 / 输出 $0.87 / 缓存命中 $0.003625，128K 上下文），V4-Flash（$0.14 / $0.28）。

DeepSeek 的 V4-Pro 是中国前沿级模型的价格底标。5 月 22 日的永久降价将输出 token 价格打到 $0.87/MTok，相比 GPT-5.5 便宜约 34 倍，比 Claude Opus 4.7 便宜 17 倍。而 $0.003625/MTok 的缓存命中率，是所有主流实验室中最低的一手数据。

V4-Pro 的胜出场景：

• 输出密集型工作负载（代码生成、智能体链、内容工具），其中 70% 以上的 token 预算花在输出上。
• 任何具有稳定 5K 到 10K token 系统提示词的应用。缓存命中让有效输入成本趋近于零。
• 对成本敏感的生产环境，且能接受与 GPT-5.5 相比 3 到 7 个百分点的基准测试差距。

不适用的场景：

• 长文档工作负载（>128K 上下文）。即便单 token 费率更低，MiMo V2.5 在绝对意义上也是更便宜的选择——因为 DeepSeek 根本装不下这种规模的提示词。
• 对延迟要求极高的实时聊天。V4-Pro 属于思考型模型，首个 token 返回时间在 600 到 900 毫秒之间。

小米 MiMo：最便宜的 1M 上下文方案

模型： MiMo V2.5 Pro（输入 $1.00 / 输出 $3.00 / 缓存 $0.20，1M 上下文），MiMo V2 Flash（约 $0.10 / 约 $0.40，256K 上下文）。

小米 5 月 27 日公布的永久降价，统一了 MiMo V2.5 在不同上下文窗口下的定价。过去那种对超过 256K 输入 token 收取高额倍率的旧模式已成为历史。无论你发送 5K 还是 950K token，新定价都按 $1/$3 计算。官方价格更新通知明确将此次降价标注为“永久性”。

V2.5 Pro 的胜出场景：

• 长文档 RAG、全库代码分析、多文档摘要，以及任何适合 300K 到 1M token 上下文的工作负载。
• 高吞吐量的文档处理，其中定价的可预测性比绝对底价更重要。

不适用的场景：

• 短提示词聊天。在 DeepSeek 能处理的任何上下文长度下，V2.5 Pro 都比它贵。
• 延迟敏感型工作负载。想实现亚秒级响应，市面上有更快的中国模型可选。

1M 上下文窗口加上极具竞争力的缓存费率，让 MiMo 在市场上占据了结构性的独特位置。在 DeepSeek 将上下文扩展到 128K 以上、或者阿里巴巴统一 Qwen 定价之前，MiMo 牢牢统治着“廉价且长”这个象限。

阿里巴巴 Qwen：生产环境的主力军

模型： Qwen3 Max（输入 $0.78 / 输出 $3.90 / 缓存 $0.156，262K 上下文）。更新的 Qwen 3.7 Max 输入价格为 $2.50/MTok，支持 1M 上下文，目前处于早期推广阶段。

Qwen3 Max 是阿里巴巴的旗舰模型，也是国际生产环境里使用最广泛的中国模型。它的定价有竞争力，但并非地板价：输入成本是 DeepSeek V4-Pro 的 1.8 倍，输出成本是 4.5 倍。多出来的这部分成本，换来的是最广泛的工具生态系统——兼容 Anthropic 协议、OpenAI 兼容接口、阿里云企业级托管，以及能处理大多数企业文档工作负载的 262K 上下文窗口。

Qwen3 Max 的胜出场景：

• 多语言生产环境。Qwen 的训练语料库严重向中文和亚洲语言倾斜，让它成为这批模型里非英语表现最强的。
• 企业合规场景。阿里巴巴的企业级 SLA 和云区域选项，在所有中国实验室里是最成熟的。
• 需要 200K 到 262K 上下文，但不需要 MiMo 那种超高容量档位的工作负载。

不适用的场景：

• 成本敏感的输出密集型工作负载。在 $3.90/MTok 的输出价格下，你支付的是 DeepSeek 费率的 4.5 倍。如果你的工作负载能接受 DeepSeek 的质量，果断切换。

月之暗面 Kimi：编程专家

模型： Kimi K2.6 采用上下文分层输入定价（在 8K、32K、64K 和 128K 档位间为 $0.16 到 $2.00/MTok），缓存命中保底价为 $0.07/MTok，中间档位的输出费率约为 $2.50/MTok。

Kimi K2.6 是缓存命中的冠军。$0.07/MTok 的命中费率是所有主流实验室中最低的一手数据。结合 Kimi 强大的工具调用和长程智能体支持，K2.6 在需要在多轮对话中重复使用庞大系统提示词的工作流中明显占优：比如编程智能体、具有稳定人设提示词的客服聊天机器人、以及带有稳定上下文块的检索流水线。

K2.6 的胜出场景：

• 编程智能体（Claude Code 风格的工作流）。强大的工具调用格式合规性加上最低的缓存命中保底价，让重复上下文模式几乎免费。
• 长程聊天会话，其中系统提示词和少样本示例是稳定的。

不适用的场景：

• 突发性、多样化的工作负载，其中前缀随每个请求而变化。分层输入价格意味着上下文的意外拉长会直接导致账单激增。
• 可预测的预算编制。在 32K、64K 和 128K 输入 token 处的档位转换意味着，长文本较多的日子里，同类查询的成本可能是短文本日子的 4 倍。

智谱 GLM：推理挑战者

模型： GLM-5（输入 $1.00 / 输出 $3.20，200K 上下文），GLM-5.1（$0.98 / $3.08，200K 上下文）。

智谱的 GLM-5 发布时价格比 GLM-4.7 提高了 30%（在竞相降价的市场中，这是一个反其道而行之的举动），随后发布的 GLM-5.1 仅提供了微小折扣。这种定价策略反映了智谱的定位：不求最便宜，但在结构化推理和思维链任务中做到最强。

GLM-5 的胜出场景：

• 数学、形式推理、结构化思维链任务。GLM-5 在中国前沿模型的多个 GPQA 级基准测试中名列前茅。
• 错误答案成本远高于边际成本的工作负载（金融分析、法律摘要、科学推理）。
• 受益于清晰推理轨迹的多步智能体工作流。

不适用的场景：

• 成本敏感型应用。GLM-5 是该集合中输入和输出综合成本最高的选项。如果目标是优化原始成本，可以看其他模型。
• 不需要强大推理能力的工作负载。对于直接的内容生成或摘要，GLM 的溢价并不划算。

不同工作负载下的最廉价选择：采购矩阵

对于五种常见的生产工作负载，下面是胜出的模型：

三个值得关注的组合模式：

• 双模型路由。 许多生产团队将 70% 到 85% 的流量路由到 DeepSeek V4-Pro，把次要模型用来处理疑难杂症。对于大多数工作负载，这样能大幅节省成本，质量损失微乎其微。
• 长上下文细分。 如果你的工作负载分为短上下文和长上下文，把短文本路由到 DeepSeek，长文本路由到 MiMo。统一计费会带来一些管理上的小麻烦，但成本套利空间大到无法忽视。
• 缓存前缀整合。 无论选哪个模型，先审计一下你的系统提示词。缓存命中是无论换什么模型都能稳赚不赔的廉价方案。

质量与基准测试说明

关于质量，得说几句——如果模型本身能力不行，再低的定价也毫无意义。

根据 Artificial Analysis 的数据，本次对比中的五个模型在大多数公开基准测试中的差距都在 5 到 10 个百分点以内。有趣的细微差别在于：

• DeepSeek V4-Pro： 编程（SWE-bench Pro 约 55%）和推理（GPQA 约 90%）表现强劲。在长程智能体任务上与 GPT-5.5 仍有微小差距。
• MiMo V2.5 Pro： 长上下文检索能力强（800K 时“大海捞针”准确率 >95%），编程能力处于中游。
• Qwen3 Max： 最佳的非英语表现，强大的通用生产质量。
• Kimi K2.6： 最强的工具调用格式合规性，特别是并行工具调用。
• GLM-5： 该集合中最佳的思维链推理质量。

在正式投入生产前，强烈建议你先做一轮 100 个样本的评估。公开基准测试在方向上具有参考价值，但真正重要的是你在实际流量下的表现。

使用 Apifox 测试所有五款模型

多模型生产部署需要多模型测试框架。Apifox 能在一个工作区内处理所有五款中国 API——因为这几款模型都接受 OpenAI Chat Completions 请求体，仅有细微的兼容性差异。常见的测试流程如下：

1. 在 Apifox 中为每个供应商创建一个环境：api.deepseek.com、platform.xiaomimimo.com、阿里云百炼、月之暗面的 api.moonshot.cn 以及智谱的 open.bigmodel.cn。
2. 导入一次 OpenAI Chat Completion 模式（Schema），然后根据环境切换 Base URL。
3. 一键在所有五个模型上运行相同的测试场景。对比响应内容、评分和延迟。
4. 针对 tool_calls 的形状配置 JSON Schema 校验，以捕获每个供应商特有的流式格式差异。

使用 Apifox 导入测试用例，你可以在不到 15 分钟内完成一个五路对比测试。

价格战的下一步走向

价格底线在 5 月份变动了两次。在第三季度结束前，可能还会有两次变动。

• Qwen 的回应。 阿里巴巴很少第一个降价，但通常会在几周内跟进。预计 7 月前会有 Qwen3 Max 的价格修订，或者 Qwen 3.8 的发布。
• GLM 的回应。 智谱对 GLM-5 提价 30% 的做法，在当前市场环境下看起来越来越不合群。推出具有结构性降价的 GLM-5.2 是很有可能的。
• Kimi 的结构简化。 分层上下文定价正在过时。月之暗面可能会统一 K2.6 的费率，以匹配 MiMo 的结构。

据此构建你的技术栈。接下来的三个步骤：

• 根据上方的采购矩阵审计你目前的前三大工作负载。本周就选一个进行迁移测试。
• 固定你的缓存前缀。无论最终选择哪个模型，这都是稳赚不赔的事。
• 配置一个指向所有五个供应商的 Apifox 回归测试套件。这样下一轮降价来临时，评估工作只需要几小时，而不是几周。

价格底线远未见底。做好迎接下一波变化的准备。