Opus 级人工智能工作者的成本已经断崖式下跌！三块五毛八能干的事，现在五分钱就能干，你让那些上个月刚花大价钱囤算力的老板怎么睡得着？
从2026年2月到现在7月底，能写代码、能干活的高级AI模型，价格从每百万tokens三块八毛五跌到了五分八，跌了98.5%。这不是清仓甩卖，这是整个行业的定价逻辑被推倒重来。编程代理、企业自动化、AI员工，这些词的含金量正在被重新定义。
66倍差价是怎么算出来的
先别急着喊“白菜价”。咱们得把账算清楚。
2026年2月5号，Anthropic推出了Claude Opus 4.6。这玩意儿的定位很明确：专门干那些特别烧脑的活，比如复杂编程、长期运行的代理任务、正经的软件工程。价格也配得上它的身份：每百万个输入tokens收5美元，输出tokens收25美元。要是命中缓存，输入能打一折，变成5毛钱。
什么叫tokens？你把一段话拆成最小的单位，一个词、一个标点、一个数字，每个就是一颗token。AI读你的问题算输入tokens，它给你的回答算输出tokens。你问得越长、它答得越长，钱就花得越多。
到了7月31号，DeepSeek V4 Flash 0731上线了。价格表长这样：缓存命中每百万tokens收0.0028美元，缓存未命中收0.14美元，输出收0.28美元。你没看错，缓存命中的价格是千分之二点八美元——小数点后面四个零。
什么叫缓存命中？AI干活的时候，会把一些固定的背景信息反复读取，比如公司的代码规范、安全策略、工具说明书。这些内容每次都重新传一遍太费钱，所以AI提供商会把它们暂存起来，下次直接调用，收费极低。DeepSeek的缓存折扣是98%，比行业通行的90%还狠。
按一个标准化的token配比来算——七成缓存输入、两成新鲜输入、一成输出——Opus 4.6每百万tokens要花3.85美元。DeepSeek 0731只要0.058美元。3.85除以0.058，等于66.4倍。
177天，66倍。
这不是慢慢降价，这是跳崖。
别把token价格当成任务价格
但你要是以为同样一个活，以前花三块八现在只花五分八，那就天真了。
模型和模型不一样。有的模型话多，有的模型话少。话多的那个就算单价便宜，最后总账单可能更贵。
GLM-5.2就是个活生生的例子。2026年6月16号，Z.ai发布了这个开源模型。它的输出单价是每百万tokens四块四，听起来比GPT-5.5的三十块便宜了六倍多。
但问题来了。跑同一套测试，GLM-5.2吐出了大约1.4亿个输出tokens，GPT-5.5只吐了四千三百万个。算总账：GPT-5.5花了一千二百九十美元，GLM花了六百一十六美元。便宜是便宜了，但只便宜了一半左右，远远不到六倍。
这就是AI经济学里最阴险的陷阱：单价便宜没用，得看它为了完成任务要唠叨多少句。
有些模型天生话痨。你问它“今天天气怎么样”，它能给你从大气环流讲到厄尔尼诺再讲到明天带不带伞。你只想听“下雨”两个字。这种模型就算每分钟收费比你便宜，聊十分钟也比别人聊一分钟贵得多。
所以真正该看的指标不是“每百万tokens多少钱”，而是“完成一个任务花多少钱”。
每次任务的花费也在暴跌
Artificial Analysis这帮人专门干了一件事：把每个模型完成一套标准测试任务的实际花费算了出来。
结果是这样的：Opus 4.6完成一个任务大概要花八毛到一块钱。GPT-5.5大概七毛到八毛。GLM-5.2降到了四毛六。刚发布的Luna两毛一。Luna降价后四分二。DeepSeek 0731两分八到三分五。
从一块钱跌到三分钱，97%的降幅。
但这个数字也别太当真。测试任务和真实世界的任务不是一回事。测试是标准化的，真实世界是乱七八糟的。代码库你没见过，需求说得不清不楚，工具调用失败了你得自己想办法恢复。这些破事测试里都没有。
所以这些数字的正确用法是：看量级，不看小数点。结论就一个——这个级别的AI能力，价格掉了一个数量级还多。
为什么价格会崩得这么快
不是某一个原因，是一串原因叠在了一起。
第一个是技术架构的变化。GLM-5.2和DeepSeek V4 Flash都是用了一种叫“混合专家模型”的东西。翻译成人话：以前的模型像个全科医生，什么病都看，脑子里存了海量知识，但每次看病都要把整个脑子过一遍，费电。混合专家模型像个医院，里面有好多个专科医生，你来了先有个小系统判断你该挂哪个科，然后只把那一个科的医生叫出来给你看。其他人继续睡觉。
DeepSeek V4 Flash总共2840亿个参数，但每次推理只激活大约130亿个。剩下的2700多亿在睡大觉。这就省电了。省电就是省钱。
第二个是开源模型的竞争。模型权重一公开，谁都能部署。云厂商们开始用更低的精度、更好的批处理、更薄的利润来抢生意。你不降价，别人降。
第三个是缓存定价。DeepSeek的缓存命中价格低到几乎可以忽略不计。对于那种需要反复读取大量固定信息的任务来说，这意味着边际成本趋近于零。
第四个是战略定价。OpenAI在7月9号发布GPT-5.6 Luna的时候定价还比较高，三周之后直接砍了80%。官方说法是效率提升了。但谁都看得出来，这是被开源模型的价格战逼的。
不管原因是什么，结果都一样：价格战打起来了，而且没有停下来的意思。
话多的模型正在悄悄吃掉你的预算
咱们来做个算术题。
假设一个AI代理要干一个20步的活。每一步要读15万个缓存tokens、2.5万个新鲜输入tokens、吐出8000个输出tokens。
- 用Opus 4.6：每一步四毛钱，20步八块钱。
- 用降价后的Luna：每一步一分七厘六，20步三毛五。
- 用DeepSeek 0731：每一步六毛一分钱人民币（0.00616美元），20步一毛二美元。
从八块钱到一毛二。同样的活，价格差了66倍。
但这里有个更阴险的细节你没注意到：AI干活的时候，每走一步都要决定下一步干什么。如果每步都很便宜，你可以让它多走几步，多检查几遍，多试几种方案。如果每步都很贵，你会忍不住催它“快点快点别磨蹭”。
贵的时候你不敢让它多想，便宜的时候你舍得让它多琢磨。所以便宜不只是省钱，它还能提高质量。
别让便宜的模型把你的代码库炸了
便宜归便宜，别闭眼就冲。
一个模型能不能干活，看的不是价格，是它能不能稳定地、靠谱地完成一整套任务。具体来说有这么几条：
推理能力。真实世界的任务不是考试题。需求说不清楚，数据对不上，你得自己发现少了什么再去问。这种模糊场景下能撑住的模型才是好模型。
代码库级别的编程。写一个独立函数谁都会。但真实的工作是：在你不熟悉的代码库里找到相关文件、遵守本地的编码规范、协调多个文件的改动、跑测试、看报错、修改方案再试。这是软件维护，不是自动补全。
工具调用。模型得能正确地调用各种工具——命令行、数据库、浏览器、部署系统——并且能区分“我想干什么”和“我干了什么”，还能验证结果对不对。聊天里再聪明的模型，一接上真实系统就可能翻车。
长上下文连贯性。这些模型都号称支持100万tokens的上下文窗口。窗口大不等于记得住。但窗口大至少意味着：政策文档、工具说明、记忆、代码库地图、当前任务状态、之前工具调用的结果——这些东西可以一次性塞进去，不用来回倒腾。
经济可行性。最贵的模型留给最重要的决策。日常干活用的，得是那个你舍得让它一直跑、反复试、不怕浪费钱的那个。
把这些条件摆在一起，DeepSeek 0731、GLM-5.2、Luna这些模型确实都进了同一个考场。它们不是彼此复刻，但它们都能胜任同一类工作。
真正的变化不是价格，是门槛
很多人看到这张价格曲线，第一反应是“tokens便宜了”。
但真正重要的不是tokens便宜了，是一个临界点被跨过去了。
在2月份，选一个Opus级别的AI来当你的主力程序员，是一个需要认真考虑的架构决策。它有看得见的运行成本，你得算账，得控制调用次数，得省着点用。
到了8月份，同样的智力水平，便宜到你可以让它一直开着、反复检查、动态调度、想试就试。
这中间差了66倍。
这个变化分四步走完的：
第一步，Opus 4.6和GPT-5.5，美国旗舰级能力，每百万混合tokens四块钱左右。
第二步，GLM-5.2，同样的战场，价格降到九毛钱以下。
第三步，Luna降价，这个级别掉到一毛七。
第四步，DeepSeek 0731，官方价格六分钱，第三方托管可能更低。
每一步之间隔了多久？一个月，或者几周。以前一个AI采购周期是按年算的。现在按周算。
未来的AI团队是混编的
最理性的做法不是只用最便宜的，也不是只用最强的。
一个实用的AI团队应该是混编的：
- 简单的活，用确定性的代码或者特别小的模型来干，又快又便宜。
- 日常的自主工作，用Opus这个级别的经济型模型，性价比最高。
- 遇到反复失败或者模糊不清的任务，升级到更强的模型。
最重要的决策，交给最贵的模型或者真人来审核。目标不是单次调用最便宜。目标是“最便宜地拿到一个靠谱的结果”。
在这个框架下，DeepSeek 0731这个级别的模型承担的是最重的那部分日常劳动。它不一定是每个任务的最优解，但它是整个系统里性价比最高的那个齿轮。
总结
六个月内，同一个级别的AI干活能力，价格跌了98.5%。
这不仅仅是便宜了。这是一个能力层级从“旗舰专属”变成了“基础设施”。
177天之前你还在犹豫要不要给团队配一个AI程序员，因为成本摆在那里。现在你不用犹豫了，因为不配的成本可能更高——你的竞争对手已经在用这个便宜到几乎免费的劳动力，一天24小时不停地改代码、修bug、做测试。
AI没变聪明。但AI变便宜了。便宜到你可以像用水用电一样用它。
这个变化的速度，比绝大多数公司调整预算的速度快得多。
原文期刊：AI Economics
发表日期：2026-08-01
原文标题：The cost of an Opus-class AI worker has fallen off a cliff
作者单位背景：AI Economics 编辑部