Token越便宜，AI越赚钱？大模型价格战背后的“数据生意”

Meta把Token打到0.10美元，DeepSeek跟进调价：模型正在被重新定价，真正稀缺的已是数据和工作流

2026年8月，Meta发布编程智能体Muse Code及配套模型Muse Spark 1.2，标准定价每百万输入Token 1.25美元、输出4.25美元。同期推出的贡献者层级则将输入Token价格压至0.10美元、输出0.20美元——比DeepSeek V4 Flash的对应定价（0.14美元/百万输入Token）低约29%。几乎同一时间，DeepSeek宣布API调价，V4 Pro高峰时段百万输出Token最高达27元。

两组价格变动指向同一个方向：模型越来越便宜，调用却越来越频繁。真正被重新定价的不是模型本身，而是数据和工作流。

▎Token越便宜，Agent越敢调用

模型价格下降，最容易得出的结论是“大模型进入价格战”。但价格下降不必然意味着商业价值同步下降。

Muse Spark 1.2标准定价1.25美元/百万输入Token、4.25美元/百万输出Token。贡献者层级低至0.10美元和0.20美元。DeepSeek V4 Pro此前输入（缓存未命中）3元/百万Token、输出6元/百万Token，创下全球顶级大模型最低价纪录；8月17日起实施峰谷定价，高峰时段V4 Pro输出涨至27元/百万Token。

单看价格数字，确实在下降（或部分时段上调）。但Token的边际成本下降，改变的是调用行为本身。

传统聊天场景中，单次提问消耗几千Token。一个真正的AI Agent需要持续读取上下文、调用工具、运行代码、处理报错、重新生成结果。Token越便宜，Agent越敢于执行多轮、长上下文、高频率的调用。这形成一个循环：Token价格下降→调用次数增加→Agent使用频率提升→总Token需求增长。

模型便宜之后，用户不是少用，而是从偶尔调用变成持续调用。观察AI基础设施的指标也需要相应调整——过去关注GPU数量、模型参数和Token价格，未来更需关注完成一个有效任务究竟需要多少算力。

▎竞争单位正在从“模型”切换为“任务”

Muse Code最值得关注的不是Meta又推出一个模型，而是竞争单位从“回答问题”推进到“完成任务”。

Muse Code能在大型代码库中执行完整软件工程任务，通过多个后台Agent并行处理工作。不同Agent运行在独立环境中，事件日志记录每一次模型调用、工具执行和编辑，使长时间运行任务具备恢复能力。Muse Spark 1.2与Muse Code经过协同训练，以提升模型在Agent环境下的表现。

这对应一套更适合Agent时代的分析框架：模型能力×Agent效率×数据闭环×工作流入口。

模型能力决定“能不能完成”；Agent效率决定“完成一次任务需要多少成本”；数据闭环决定“模型能不能持续变强”；工作流入口决定“客户为什么持续留下”。过去判断大模型，核心是Benchmark。Benchmark方面，Muse Spark 1.2在Terminal-Bench 2.1上取得82.9%的pass@1得分，低于Claude Opus 5但略高于GPT-5.6 Terra；在DeepSWE 1.1上得分为59.3%，落后于上述两款竞品。

但Agent阶段的竞争，单看Benchmark已经不够。更值得关注的是：一次任务成功率多少？完成任务需要多少Token？失败后能否自主纠错？能否长期记住企业环境？

AI产品真正的商业单位可能不再是Token，而是Cost per Successful Task——完成一个有效任务的成本。这会成为未来AI项目估值的重要指标。

▎Meta真正在做的：低价换数据

此次发布中，最值得关注的不是标准API价格，而是贡献者层级的设计逻辑。

Meta允许开发者以0.10美元/百万输入Token、0.20美元/百万输出Token的价格使用模型，但需要选择加入，允许相关数据用于模型改进。企业客户则可购买零数据保留服务。

这形成一种新的商业交换：开发者贡献数据→Meta降低价格→获得更多真实使用反馈→模型继续优化。

与互联网时代“免费产品换用户数据”的逻辑相似，但Coding数据的价值密度更高。普通聊天通常只形成“问题→答案”的二元结构。真实软件开发则能形成：需求→代码→编译→报错→修改→测试→验证。这是一条天然的数据闭环。

真正有价值的不是“用户写了多少代码”，而是模型能否持续获得失败、纠错、验证和成功的数据。过去Llama的开放策略是通过免费权重扩大开发者生态。现在Meta尝试另一种方式：不再主要用免费权重换生态，而是用低价Token换工作流数据。这是商业模式的变化，而不仅仅是价格变化。

值得注意的风险是，企业对厂商绑定的顾虑可能影响长期采用。Token用量难以预测也对成本控制构成挑战。安全合规与治理要求可能拖慢落地进程，尤其在编程智能体需要与企业现有身份认证系统对接的场景下。

▎AI Coding：Agent商业化的压力测试场

AI编程具备Agent商业化最需要的三个条件：任务明确、反馈及时、结果可验证。

代码能否运行、测试能否通过、Bug能否解决，都能形成相对清晰的反馈。企业知识问答往往是“用户提问→AI回答”的线性结构。AI编程则是：提出需求→生成代码→编译→测试→修复→完成。整个过程天然适合Agent持续迭代。

AI Coding不只是一个软件市场。更重要的意义在于，它可能成为Agent商业模式的压力测试场。

如果Agent能真正完成过去需要工程师数小时甚至数天完成的任务，付费逻辑非常直接。如果Agent仍然需要工程师持续监督，产品价值仍更接近Copilot而非自动化。AI辅助工作和AI直接执行工作，对应的市场空间和商业价值完全不同。

▎国内上市公司的真正看点：工作流而非AI标签

这一逻辑映射到A股，最值得关注的不是所有AI概念公司，而是拥有真实用户入口、数据和企业工作流的公司。

金山办公是典型的工作流型公司。2025年营业收入59.29亿元，同比增长15.78%；研发投入20.95亿元，同比增长23.57%。截至2025年底，WPS AI国内月活用户超8013万，同比增长307%。WPS灵犀已上线演示、表格、文档三大智能体。

这个案例真正值得关注的不只是AI收入增长。WPS已拥有大规模真实办公场景。如果AI从“生成一份文档”进一步进入：理解企业资料→调用表格→分析数据→制作PPT→修改文档→协同审批，WPS拥有的就不只是一个办公软件入口，而可能成为Agent执行入口。模型公司拥有模型，办公软件公司拥有用户、数据和工作流。这两种资产的商业价值正在逐渐拉开差距。

卓易信息提供了另一面参照。公司2025年营收3.35亿元，归母净利润0.8亿元。AI编程产品EazyDevelop和SnapDevelop分别于2025年9月底和12月底推出商业化版本，尚处于市场推广期。产品主要调用DeepSeek、通义千问等基础模型。

这个案例说明：模型调用门槛下降，不意味着AI应用商业化门槛下降。产品可以快速开发，模型也可以直接调用，但真正困难的问题仍然是：用户为什么付费？为什么不直接使用基础模型？如何形成数据壁垒？如何进入企业研发流程？这也是大量AI应用公司必须回答的问题。

中科创达长期积累操作系统、智能终端和软件开发能力。2025年营业收入77.78亿元，同比增长44.45%。智能汽车业务收入26.56亿元，同比增长9.91%；智能物联网业务收入36.05亿元，同比增长133.26%。机器人业务预计超5亿元。

这类公司的机会不局限于AI Coding。更大的逻辑在于：当Agent从软件开发进一步进入汽车、机器人和工业设备，操作系统、开发工具链和端侧软件基础设施的重要性会重新提升。AI Coding可能只是入口，终局可能是Agent参与整个数字产品生命周期：需求分析→软件开发→测试→部署→设备运行。

▎产业机会的三层结构

按照“模型能力—Agent效率—数据闭环—工作流入口”的框架，未来产业机会大致分三层：

第一层：算力与推理效率。 模型越来越便宜，但Agent调用越来越频繁。多Agent、长上下文和持续运行都会增加推理需求。真正值得关注的不是简单的“算力缺口”，而是谁能够降低一次有效推理的成本。

第二层：Agent基础设施。 包括Agent调度、模型路由、工具调用、长上下文、数据安全、Agent评测及企业知识库等。基础模型决定能力上限，Agent基础设施决定这些能力能否稳定落地。有分析师指出，只有采用第三方工具或统一智能体框架进行评测，跨厂商的横向比较才更具参考价值。

第三层：垂直工作流。 金融、研发、工业、医疗、法律、办公等行业都可能成为Agent落地场景。但真正具有投资价值的项目必须满足一个条件：AI必须成为业务流程的一部分，而不是外挂。如果关闭AI之后企业流程依然正常运行，AI的议价能力就有限。只有当AI进入核心流程，形成数据、权限、工具和用户习惯的绑定，客户迁移成本才会真正出现。

▎真正昂贵的东西正在变化

从Meta到DeepSeek，模型价格持续走低已成明确趋势。但这不意味着大模型失去价值。恰恰相反：模型越便宜，Agent越容易进入真实工作流；Agent越深入工作流，数据价值越高；数据越丰富，模型迭代越快。

最终可能形成新的产业循环：低价模型→更多调用→更多工作流数据→更强Agent→更低任务成本→更多应用。

这套循环真正改变的，是AI产业的价值分配方式。过去最稀缺的是模型。未来最稀缺的可能是：高质量任务数据、低成本推理能力、以及不可替代的工作流入口。

判断AI项目的标准也在变化：不要只看模型有多强，要看一次任务成本有多低；不要只看用户有多少，要看用户贡献了多少有效数据；不要只看AI能做什么，要看AI已经嵌入了什么流程。

当Token从昂贵资源逐渐变成廉价生产资料，AI产业真正的竞争才刚刚从模型层进入商业化深水区。下一轮AI公司的核心壁垒究竟是模型、数据还是工作流？答案可能不在模型排行榜里，而在企业每天真正交给Agent完成的那些任务中。

一个值得追问的问题：当Agent真的能独立完成大多数编程任务时，AI Coding工具自身的代码——谁来维护？谁来演进？这会是Agent经济的第一个自指悖论吗？

纬迪资本——领先的一站式创新型精品投行

• 纬迪资本成立于2016年，是一家专业从事投融资顾问、投资咨询的创新型投行，同时也参与了部分项目的直投，并积极筹备设立风投基金。坚持先进制造+医疗健康双驱动，支持国产技术替代，服务科技型实体产业，振兴中国经济。

• 我们为新能源、新材料、医疗、先进制造等科技行业的客户提供商业尽职调查、并购、投资建议、财务顾问以及相关商业模式研究等服务。

• 我们致力于为企业搭建高效、专业的出海桥梁，通过提供市场调研、品牌本地化、跨境营销、供应链整合等一站式解决方案，助力企业突破地域限制，快速融入全球市场。

• 团队脱胎于美资背景的市场研究专业咨询机构，具备极强的市场研究分析能力，践行研究发现价值，研究创造价值的理念。

• 我们以辅导全局资本为基，赋能企业出海为辅，成为企业资本运作与全球化合伙人。