ZenMux 的 Token 经济学实验:当主流模型的价格被降到 DeepSeek 斩杀线,你会选择谁?

你有没有想过一个问题: 我们平时选模型,到底有多少是因为它真的好用,又有多少是因为它便宜?

你有没有想过一个问题:
我们平时选模型,到底有多少是因为它真的好用,又有多少是因为它便宜?
上周,ZenMux 发起了一场实验:https://zenmux.ai/blog/zenmux-token-economics。
他们把 GLM 5.2、Kimi K2.7 Code、Qwen3.7-Max、MiniMax M3、Doubao Seed 2.1 Pro 等十几个热门模型的价格,全部打到了和 DeepSeek V4 Pro/Flash 同一水平线。

现在价格一样了,大家会选谁?
一场关于「真实选择」的实验
先说 ZenMux 为什么要做这件事。
过去几周,他们在平台上观察到一个非常明显的趋势:DeepSeek 的调用量增长极快,V4 Pro 的 Token 消耗一度逼近 Claude Opus 4.8。与此同时,GLM 5.2 等国产模型也在快速爬升。

问题来了。这个增长,是因为模型能力确实强,还是因为价格足够低?
如果是前者,说明国产模型的能力已经真正被开发者认可。如果是后者,那一旦价格优势消失,用户会不会立刻迁移?
ZenMux 决定用最直接的方式验证这个问题:把价格变量抹平,看看剩下的东西能不能留住用户。
参与这次实验的模型名单很长,几乎覆盖了当前国内主流大模型厂商的旗舰产品:
GLM 5.2、Kimi K2.7 Code、Qwen3.7-Plus/Max、MiniMax M3、Step 3.7 Flash、Agnes-2.0-Flash、ERNIE 5.1、Ring-2.6-1T、Ling-2.6-1T/flash、Hy3 preview、MiMo-V2.5 Pro、KAT-Coder-Pro-V2、Doubao-Seed-2.1-pro/mini,全部按照 DeepSeek V4 Pro 或 Flash 的归一化价格进行对齐。

具体归一化方法可以参考这个帖子:

部分模型的降价幅度非常夸张。Qwen3.7 Max 降了 82.8%,GLM 5.2 降了 69.3%,Kimi K2.7 Code 降了 55.2%。

这些数字意味着什么?意味着你现在可以用 DeepSeek 的价格,跑任何一个参与实验的旗舰模型。
然后 ZenMux 做了一件更有意思的事:他们把所有模型的实时消耗量做成了一个公开的 Arena 榜单,任何人都可以看到每个模型此刻的 Token 流向。

没有 Benchmark,没有官方评测报告。你的真实使用,就是投票。每一百万 Token,就是一票。

说实话,我第一次看到这个活动的时候,脑子里闪过的第一个念头是:终于有人敢这么做了。
AI 模型市场有一个长期存在的认知困境:
发布会上,每家都说自己是「最强」。论文里,每家都在各种 Benchmark 上刷出漂亮的分数。但开发者真正用起来的感受,和这些数字之间经常存在巨大的落差。
原因很简单。Benchmark 测的是标准化的题目,而真实工作流里的任务千变万化。一个模型在 MMLU 上得分再高,如果它在你的 Agent 循环里经常丢失上下文,或者在长代码生成时频繁出错,你也不会选它。
与其让专家评测,不如让市场说话。当价格被拉平,开发者每天打出去的 Token 就是最诚实的评分。
我自己跑了一个测试
参考大模型测试最热的鹈鹕骑自行车测评,设计了一个对模型综合能力要求比较高的任务:
Generate an SVG of a fly dragon in the sky,输出 Token 至少 100000 个,尽可能的逼真。
为什么选这个?因为 SVG 生成是一个非常考验模型的任务。它不像写文章那样可以模糊处理,SVG 要求精确的坐标计算、颜色搭配、路径规划,同时还需要对「飞龙」这个概念有足够的视觉想象力。更关键的是,我要求输出至少 100000 个 Token,尽可能逼真。这意味着模型需要在长输出过程中保持结构一致性,不能到后面就开始胡来。
我的 Prompt 是:Generate an SVG of a fly dragon in the sky. 输出至少 10000 个 token,尽可能逼真。
这里通过 dragon 限定了要画的是西方龙。

然后在 ZenMux 上把这个任务分别丢给了几个参与实验的模型。
结果差异非常明显。
GLM 5.2 给出的龙画的最好,它生成了一条姿态舒展的飞翔的火龙,整的细节细节还蛮到位的。

Kimi K2.7 Code 的输出让我印象深刻,风格偏向几何感更强的现代插画路线,龙的形态更抽象一些,有点像飞在天空的大蜥蜴。

Qwen3.7-Max 走了一条比较写实的路线,不过尾巴有点长,有点像个大虫子。

DeepSeek V4 Pro 的输出比较一般。

MiniMax M3 给了我一个小惊喜,它生成的龙感觉细节比较多,感觉有点像个大香肠,视觉冲击力是几个模型里比较强的。

这个测试让我真切感受到:当价格被拉平之后,模型之间的能力差异确实是存在的,而且这种差异不是「谁好谁坏」这么简单,是风格、擅长领域、长输出稳定性等多个维度的综合表现。
实时数据正在讲述一个故事
截至我写这篇文章的时候,ZenMux 的 Token Economics Arena 已经跑了几天。
实时榜单上的数据开始呈现出一些有意思的格局。

首先,DeepSeek V4 Pro 依然保持着很强的调用量。即便其他模型降到了同样的价格,用户的使用惯性和信任度仍然在起作用。这说明一个模型一旦成为开发者工作流里的默认选项,替换成本是很高的。
但更值得关注的是,GLM 5.2 的用量在实验开始后出现了明显的跳升,已经反超 DeepSeek V4 Pro 成为第一。这暗示了一个可能:之前限制这些模型增长的,确实有一部分是价格因素。当价格壁垒被移除,能力本身开始被看见。
Doubao Seed 2.1 Pro 作为刚发布不久的新模型,起步曲线也比较陡。字节在模型能力上的投入开始在真实市场里产生反馈。
ZenMux 把这些数据完全公开,任何人都可以去 arena.zenmux.ai/token-economics 查看实时排名。你可以看到哪个模型在哪个时间段被大量调用,也可以从 Token 和 Cost 两个维度切换观察。

这场实验在回答什么问题
过去两年,中国大模型市场的竞争逻辑经历了几个阶段。最开始是参数竞赛,谁的模型大谁就厉害。后来变成 Benchmark 竞赛,谁的得分高谁就领先。再后来是价格战,DeepSeek 把价格打下来之后,很多厂商被迫跟进降价。
但降价之后呢?
如果所有人都降到了同一个价格区间,下一步的竞争焦点是什么?
ZenMux 这次实验给出了一个可能的方向:真实场景里的综合体验。
这个综合体验包含很多东西。模型在 Coding 任务里的准确率和效率,在 Agent 循环中的上下文保持能力,在长文本处理时的稳定性,在多语种场景下的翻译质量,在内容生产时的创造力和格式控制力。
这些东西,没有一个单一的 Benchmark 能全部覆盖。
所以 ZenMux 设计了五个场景板块让用户自由探索和讨论(即将开启)。Coding、Agent、Long Context、多语种、内容生产,每个板块都是一个独立的竞技场。
你还可以用小票的形式,打印自己的投票数据(即将开启)。

这个活动持续到 7 月底,最终会评出两个奖项。
「最受欢迎奖」颁给消耗量最大的模型,「最佳表现奖」颁给得票数最高的模型。
这些实时流动的 Token 数据,最终会告诉我们:当中国 AI 模型的价格战打到尽头,真正能留住开发者的是什么。
如果你也好奇这个答案,现在就可以去参与:选一个你看好的模型,用同样的任务跑一遍,看看结果是否符合你的预期。你的每一次调用都会被记录在 Arena 榜单上,成为这场大规模市场实验的一部分。

没有 Benchmark 能替你决定该用哪个模型。
你的手感,你的体验,你打出去的每一个 Token,才是最真实的答案。
文章来自于"特工宇宙",作者 "特工小琼 特工小饼"。
Related topics
After reading
Join the AINRK community
Read how to join the community and connect with people working in AI.




