大模型的“斩杀线”，究竟斩杀了谁？

本文来自微信公众号： 业界良新 ，作者：许良

DeepSeek把模型价格压到很低，OpenAI和Anthropic就会被斩杀吗？答案没有那么简单。

DeepSeek把“斩杀线”变成了一个行业话题。

最近，“大模型斩杀线”成了一个很响的说法。

它的直觉并不难理解：DeepSeek V4 Flash足够便宜，能力也已跨过不少真实任务的可用门槛。

于是有人说，国外闭源模型的好日子到头了，OpenAI和Anthropic会成为第一批被“斩杀”的对象。

我不这么看。

斩杀线当然会压低闭源模型的定价权，但它还不足以直接斩杀最强的闭源模型。

它先打穿的，是那些能力没有明显领先、价格却还停留在旧区间的中间层模型。再往后，它会把大量原本不值得自动化的白领执行工作，推过ROI的临界点，更快推入替代区间。

这才是“斩杀线”真正锋利的地方。

先别急着给OpenAI和Anthropic判死刑

先看DeepSeek的矛盾场面：一边是极低的价格，另一边是高峰期要另外收费。

截至2026年8月9日，DeepSeek官方价格页显示，V4 Flash的输出价格是每百万token 0.28美元。

页面同时写明，服务将采用峰谷定价：每天北京时间9点到12点、14点到18点，价格为常规价格的两倍，具体生效日以正式公告为准。

SCMP此前也报道过相同安排。DeepSeek给出的理由是更好地分配资源、提高服务稳定性。

最直白的解释当然是：便宜模型吸引来的调用太多，实时推理容量在高峰时段变得紧张。

这并不意味着低价战略失败。常规价决定的是它能把多少任务带进来；峰时加价解决的是有限容量该怎样分配。

即便按峰时价格计算，V4 Flash的输出端仍是0.56美元/百万token，和主流旗舰模型的数十美元输出价之间，仍隔着很大的价格带。

主流大模型API输出价格对比。

OpenRouter的公开数据给出了一条可观察的调用线索：DeepSeek在该平台token流量中的份额由约9%升至约18%。

V4 Flash发布约一个月后，已占DeepSeek agentic token流量约70%。OpenRouter还估计，agentic请求每次消耗的token约为普通请求的15倍。

这不是DeepSeek的全球调用或收入数据，却足以说明：低价模型带来的不只是“多问几次”，而是更多任务开始交给agent连续执行。

所以，DeepSeek的斩杀线不是“便宜到让闭源模型消失”，而是先把可用模型的价格锚往下拉。

真正先被打穿的，是中间层模型的价格

企业落地AI时，越来越少有人把最贵的模型塞进每一个环节。

更常见的做法是：复杂规划、关键判断和最终审查，交给能力强、也更贵的模型。

拆解后的执行、批量处理、检索摘要、格式转换，交给成本更低的模型；低价模型做不好，再向上升级。

这就是模型路由。

它的核心不是省几块钱，而是按“完成一个任务的总成本”做选择。token标价只是其中一项；等待时间、重试次数、人工复核、返工和稳定性，往往更贵。

模型竞争，最后比的是能力与成本。

黄仁勋在NVIDIA的公开活动上说过，未来不是“闭源对开源”，而是“闭源和开源”共同组成多模型系统。企业需要不同模型去处理不同数据和工作流。

这也解释了斩杀线最先碰到谁：不是最强的模型，而是中间那一层——能力没有显著领先，却比便宜模型贵很多；又没有足够强的交付、行业数据或产品入口来证明溢价。

它们最难回答客户的那个问题会变得很具体：同样能把这件事做完，为什么要多付那么多钱？

OpenAI和Anthropic：短期会难受，长期未必输

价格锚下移，对OpenAI和Anthropic短期当然不是好消息。

Axios报道称，OpenAI的Luna上线约三周后就降价80%。这个动作至少说明，高吞吐、通用执行型模型已经进入更激烈的价格竞争。

但不能因此把两家公司简单写成“被DeepSeek斩杀”。

复杂推理、长链路任务、企业级可靠性、工具生态和产品入口，仍然是客户愿意付费的地方。只要前沿能力持续领先，闭源模型仍会占据那部分最难、最不能出错的工作。

Anthropic没有公开一条可逐月比较的官方ARR曲线。不过，第三方TickerTrends 7月的追踪估算显示：Anthropic的年化收入仍在增长，但从6月到7月的增量已小于此前几个月的陡峭爬升。

第三方追踪：Anthropic增长仍快，但边际增量开始变缓。

图真正说明的不是Anthropic“不行了”，而是：即使收入基数仍在增大，市场也开始把注意力从“谁增长更快”转向“这种增长能否在更低单价下维持”。

真正会改变的，是模型层过去那种“只要最强，就可以长期维持超高溢价”的想象。价格会更低，使用量会更大，利润池则会向前沿能力、产品入口、企业交付和模型路由重新分配。

对OpenAI和Anthropic来说，这是一段难受的过渡期；但只要蛋糕继续变大，它们未必是输家，只是不太可能再只靠模型稀缺性拿走最丰厚的利润。

开源不是白送：DeepSeek也在算账

另一个常见疑问是：模型都开源了，DeepSeek怎么赚钱？

梁文锋在一份非公开交流的整理纪要中给过一个很有代表性的回答。他把大模型长期差异概括为成本、时间和用户体验；其中成本排在第一位。

这里的成本，不只是“买了多少张卡”或“每个token标价多少”。更关键的是，能否把模型架构、算子、编译、缓存、调度和硬件适配，一起做成更低的交付成本。

按该纪要的说法，DeepSeek在推进TileLang这类高级语言和算子工具，并参与昇腾生态的适配。

公开的TileLang-Ascend项目已支持面向Ascend NPU的高性能算子开发，也列出了DeepSeek V4内核支持。

这不等于外部已经验证了DeepSeek的真实单位成本或成本优势有多大。

它至少解释了梁文锋为什么把“成本”放在第一位：同样的模型权重，部署效率不同，最终卖出去的服务成本可以完全不同。

按该纪要记录，DeepSeek的定价口径是：买一批设备后，约十个月收回设备成本，就算合理利润。

这个口径不是DeepSeek的审计财务数据，却很好地说明了一种思路：不把API价格定在利润最大化的位置，而是定在“足够低、能快速扩散、自己仍能回收成本”的位置。

开源的权重可以被下载，但大规模、稳定地把模型跑起来，并不会自动发生。GPU、机房电力、集群调度、缓存、运维和企业SLA，都会重新回到成本表里。

如果一家公司的部署效率和服务能力足够强，它完全可能一边开放模型，一边靠托管推理、交付能力和生态扩散赚钱。

开源不必然伤害模型公司的盈利能力；它伤害的是那些只想靠捂住权重、长期收取高额租金的商业模式。

这也是DeepSeek最值得同行认真看的地方：它不是证明“开源一定更赚钱”，而是证明低成本、开放扩散和合理利润可以同时成立。

中短期没有胜负，只有不同的路线

摩根士丹利的一份分析时，把模型产业的未来拆成三种情景：闭源模型继续领先；闭源和开放模型长期共存；开放模型成为主流。

后两种情景里，价值会更多流向托管、部署、企业软件和分发渠道。

闭源领先、混合共存、开放主流。

不过，我的判断是：中短期内，在中国解决半导体工艺卡点之前，美国的闭源模型大概率仍会在最难的任务上保持领先。

美国拥有更集中的前沿算力、资本、人才和云平台，这些优势不会因为一款低价模型出现就消失。

另一面，中国开源模型的能力和成本正在快速逼近。Kimi K3的发布就是一个信号：它的论文仍把最强闭源模型视为参照，但开放模型已经在更多具体任务上进入竞争区间。

开源模型也很难被简单地从美国市场以外“封杀”。模型权重可以下载、微调和本地部署，生态本身是全球流动的。

黄仁勋近期也公开表示：“世界需要开放模型。”

因此，中短期更可能看到的是分层与共存：闭源继续向能力上限冲刺，开源持续追赶，并把智能带入更多原来付不起钱、也用不起算力的场景。

最后被重新定价的，还是打工人

回到标题：大模型的斩杀线，最后斩杀了谁？

在模型市场里，它先斩杀的是中间层模型不合理的高价。

在组织里，它更可能斩杀的是一段段可以被拆解、标准化、验收和批量执行的白领工时。

填表、查资料、改稿、做摘要、写模板代码、标准化客服，以及把一个任务转给下一个人的大量执行工作，都会先被重新定价。

这不等于“所有白领都会被替代”。复杂判断、责任承担、关系协调和对结果负责，仍然不是把token变便宜就能自动解决的事。

但单位智能成本持续下降，会让更多公司开始认真计算：这项工作为什么还要由人重复做？当这个问题被越来越多团队写进预算表，AI落地才会真正加速。

所以，大模型斩杀线从来不是某一家模型公司的死亡线。

它是一条普及线：一头压低了模型的价格，一头抬高了自动化的可行性。

对硬件、云和应用来说，它可能带来更多调用、更多部署和更多需求；对前沿模型公司来说，它迫使它们把能力做得更强、服务做得更深。

而对可标准化的执行型工作的打工人来说，它带来的，是最直接也最残酷的重新定价。