xAI的Grok4.7在9月21日上线，紧接着Anthropic的Claude Opus5.5与OpenAI的GPT-6 Sol、GPT-6 Luna相继登场。 四款模型，三家实验室，表面看是各说各话的密集发布，把三份公告放在一起读，会发现它们其实在回答同一个问题，有限的算力，怎样花才算花得值。 OpenAI给出的数字最直接。 Sol的API定价为每百万输入token2美元、输出10美元，Luna打到0.1美元和0.5美元，且明确为永久定价，不是限时促销。 比标价更值得注意的细节是缓存命中的读取仅为普通输入价格的10%，官方称在GitHub Copilot的大规模负载里，需要全新计算的prompt token已经减少过半。 Anthropic的口径相似。 Opus5.5基础定价较Opus5下调20%，缓存读取价格下降60%，官方测算典型工作负载整体成本降低约40%，输出速度提升超过30%。 xAI的选择是另一种意义上的降价。 Grok4.7维持每百万输入2美元、输出6美元的标价，与一个月前发布的4.6完全相同，这已经是该系列连续第三代价格不动。 但标价都有超长尾巴，OpenAI规定单次输入超过27.2万token，整个请求改按输入2倍、输出1.5倍计费，xAI则规定提示词达到20万token后整个请求按2倍计费。拿着百万上下文标价的开发者，真实账单往往从超长请求才开始。 还有一个常被忽略的变量。 OpenAI的定价页保留了Batch与Flex通道，异步请求可以再打五折，而Grok4.7干脆不支持Batch接口。 隐性低价通道是否存在，本身就是策略差异。更要看到，缓存并非无成本，写入缓存前缀要按1.25倍输入价收费，第二次复用才开始回本，而缓存本体占用显存，复用率越高，对集群显存的压力越大。降价不是凭空发生的，它是拿显存资源和调度复杂度换出来的。 Grok4.7提供了一个教科书式的样本。 第三方机构Artificial Analysis的实测显示，它在xhigh档位下智能指数从4.6的44分升到46分，每任务成本却从1.86美元涨到3.74美元，评测中生成的token从9400万涨到2.4亿，输出速度从每秒60.4个token降到38.8个。 单任务平均输出量从3.6万token膨胀到8.1万。单价一分没涨，把一件事做完的总价和等待时间都翻了一倍。 需要说明的是这轮膨胀集中在xhigh超高评测档位，日常默认的high档输出量明显收敛。 这正是本轮所有新品共同的主线。 拉高推理强度，同时带来三件事，能力提升、token输出暴涨、时延成倍拉长，选型要做的是能力、总消耗、时延的三维权衡，而不是盯着最高档的分数。 OpenAI官方口径称GPT-6 Sol在AutomationBench的xhigh强度下表现优于Claude Opus5，单任务成本仅为后者的9%。为了让档位调节不至于击穿缓存，OpenAI还改了缓存机制，对话中途切换推理强度或开关工具，不再导致缓存前缀作废。 当然，AutomationBench这类基准全是标准化测试集，与真实业务场景之间仍有落差，官方测出的单任务成本9%，落到真实负载里会浮动。 对采购者来说，该问的问题已经变了，不再是每百万token多少钱，而是把一项具体工作从头做完，要花多少钱、等多久。计价单位从token迁移到任务，这是比任何单点降价都深刻的行业变化。 Grok4.7训练中一个被低估的细节是xAI引入了SpaceX的工程数据作为补充训练语料，包括卫星遥测、制造记录和工程故障日志。 故障日志尤其值得玩味，它本质是大规模的负样本，记录的是系统在真实环境里怎样失效。 当公开互联网文本趋于见顶，差异化的来源正在从算法转向数据的所有权，从比拼网页爬虫的规模，转向比拼企业级私有日志、设备遥测和仿真数据的获取权限。 只是这类护城河有边界。 私有工程数据样本总量有限，很难复现通用大模型的训练规模，它撑起的是特定领域的局部优势，而不是全面的通用能力。 能力分化的极端程度也超出直觉，Grok4.7在Harvey法律Agent基准上拿到19.6%，约为Claude Fable5.1的3倍、GPT-5.6 Sol的7倍多。 但同在专业领域，它的HealthBench Professional临床推理得分56.7%，又低于Fable5.1的62.1%。 没有全能选手，只有错位竞争，选型逻辑从选最强的模型，变成选最对口的模型。 发布越密集，数字越需要拆开看。 Grok4.7官方公布的Terminal-Bench4.0成绩为38.0%，独立复测得到的数字是26%。分数差异官方没有给出明确解释，推测来自评测采用的推理档位、提示词配置不同。 更大的问题是厂商榜单几乎全部用最高档位跑分，而绝大多数业务只会用medium或high档，不标注推理强度的公开分数，参考价值正在缩水。 OpenAI发布当日的对比表，引用的对象仍是Opus5，因为Opus5.5同日发布，没有出现在任何一张官方图表里。优先使用已有公开基准版本做横向对照，是发布会上的常见做法，但读者需要知道图表的边界在哪里。 独立评测机构的分量在上升，也不必把它当成绝对标准。 Artificial Analysis的智能指数榜上，Opus5.5以58分位列第一，Fable5.1与GPT-6 Astra均为53分。这个排序与各家厂商自己的宣传口径都不完全重合，恰好说明第三方坐标系的价值。 同时Agent类基准本身波动很大，调用参数、版本迭代、限流策略都会带来分数漂移，第三方复测适合用来做交叉校验，而不是标准答案。往后看模型榜单，出处分量不低于分数本身。 Opus5.5在Anthropic的自动化行为审计中拿到该公司迄今所有模型里的最高得分，并在发布前接受了METR与Frontier Design两家外部机构的评估。 此前Amodei公开呼吁前沿AI应当把控迭代节奏，而Opus5.5正是该表态之后Anthropic推出的新一代前沿模型。呼吁与发布并行不悖，本身构成了一种张力，也构成了一种信号。 xAI同样把安全当成了主打参数。 Grok4.7换上全新安全栈，在HackerBench v0.3上仅放行3.3%的高风险双用途提示，同时尽量不误伤合法的安全研究。 两点保留意见同样值得写下。 安全基准和性能基准一样存在过拟合风险，模型可能针对测试集优化对齐，面对真实世界里新型的越狱手法，防护效果会打折扣。 更强的护栏也必然带来更高的合法请求误拒率，安全不是单向越高越好，而是一种需要明说取舍的产品参数。 供给侧的价格战已经打完，需求侧能否接住，还没有答案。 企业客户是否愿意为Agent工作流持续消耗以亿计的token，市场真实的付费意愿能不能承接现在的低价供给，需要接下来几个季度的调用量数据来验证。 一个可参考的信号是GPT-6 Astra发布后曾因需求激增一度暂停新的Pro订阅注册，而Sol与Luna的任务之一，就是把高频需求疏导到成本更低的模型上，在扩大规模的同时减轻基础设施压力。 第二个问题是产品线分层能否跑通。 OpenAI明确Astra仍是定位最高的旗舰，Sol与Luna往下沉，Anthropic则预告Sonnet5.5与Haiku5.5将在数周内跟进。 旗舰树立技术形象，中低价档位负责走量的结构已经清晰，但如果中低端撑不起足够的调用量，整个商业闭环就会承压。产品线内部互相替代的速度，可能比我们想象的更快。 下一轮大模型竞争，看点不在参数表和发布会口号上，而在几件可以验证的事情里，每任务成本、缓存复用率、自报数字与独立评测的一致程度，以及各家对超长请求、批量通道的不同计费规则。对使用者和观察者来说，盯住这几件事，比追逐任何单次发布都更接近这个行业真实的进展。降价五成，省出来的不是让利，是推理效率
token单价正在失去意义，任务总价取而代之
数据的新边疆，藏在物理世界里
自报数字与独立复测之间，裂缝在扩大
安全从后台测试，走到了发布会的聚光灯下
两个还悬着的问题
尾声
本文来源于DOIT传媒，文章内容仅供参考，不构成投资建议。
评论列表