OpenAI、Grok、Meta三大模型先后发布，谁是性价比之王？

本文由 有界UnKnown 撰写/授权提供，转载请注明原出处。

以下文章来源于：有界UnKnown

作者：山茶

编辑：钱江

一夜之间，美国大模型集体上新了。

先是 SpaceX AI/X AI，率先发布了 Grok-4.5；然后是 Meta 推出 Muse Spark 1.1，再然后是 OpenAI，推出 GPT-5.6，还一次性端出来三个版本：Sol、Terra 和 Luna。

虽然一次性发布的模型有点多，让人眼花缭乱，但这些模型都有一个共同点。

那就是，能力上去了，价格下来了，大家都在拼命强调性价比。

比如扎克伯格在 X 上宣布 Muse Spark 1.1 时，第一句话就提到：Muse Spark 1.1，一款功能强大的大力和编码模型，价格非常实惠。

马斯克的 Grok-4.5，也将性价比作为这次更新最重要的卖点。Grok 官方账号官宣 Grok-4.5 发布时的描述是，Grok-4.5 提供前沿智能，同时具备领先的速度和成本效率。

OpenAI 更是直接，它将新版 GPT-5.6 分成了三个版本，Sol（旗舰版）、Terra（均衡版）、Luna（平价版），可以让大家按需取用。

想要性能的，可以用贵的，在意价格的，可以用便宜的。

那么，在这一轮新模型中，谁是性价比之王，谁又会成为版本新贵呢？

大家都在争性价比，那么这一轮发布的新模型，谁的性价比最高呢？

我们可以从价格和能力来对比一下。

首先是能力，因为各家测试，披露的维度都各不相同，我们尽量找同一维度来进行对比。

三家模型最大的交集是编码能力，这也是目前 AI 大厂在重点竞争的领域。

编码项大家都披露的维度主要是两个：Terminal-Bench 2.1（AI 使用电脑的能力）和 SWE-Bench Pro（真实项目的代码修复能力）。

具体评分如下：

这个口径下，GPT-5.6 Sol 第一，Terra 第二，Grok-4.5 第三，Luna 和 Grok 很接近，MuseSpark-1.1 最后。

但要注意，Grok-4.5 在 SWE-Bench Pro 上的得分是 64.7，是三款模型中表现最好的。

当然，各家也都披露了 DeepSWE（AI 能不能完成更长、更开放的工程任务）的得分。

但各家测评的版本有所不同，GPT-5.6 和 MuseSpark-1.1 测评的是 DeepSWE1.1，Grok-4.5 披露的是 DeepSWE1.0，这两项的指标有所不同。

以GPT-5.5 为例，其测评标准从 DeepSWE1.0 换成 DeepSWE1.1，得分是所有提高的。

如果按照这个角度，把 DeepSWE 纳入考虑的话，GPT-5.6 三个版本仍然整体压过 Grok-4.5 和 MuseSpark-1.1，但 MuseSpark-1.1 被甩开的差距就会有点大。

当然，MuseSpark-1.1 也有自己独特的优势。

比如在包括 MedScribe、TaxEval 和 Harvey's Legal Agent Bench 的专业能力上，Muse Spark1.1 就成为现在行业里公开表现最好的模型（SOTA）。

其中，MedScribe 是指模型能不能根据医患对话，生成合格的医疗记录；axEval 测的是模型回答复杂税务问题的能力；Harvey's Legal Agent Bench 则是测试大模型/智能体能不能完成真实法律工作。

当然，要谈性价比，光有能力还不行，还有比价格。

目前，MuseSpark-1.1 的价格最便宜，按一百万 token 算，其输入价是 1.25 美元，输出价格是 4.25 美元，整体价格是 5.5 美元。

性能最好的 GPT-5.6 Sol 显然最贵，一百万 token 输入价格是5美元，输出价格是 30 美元，综合价格达到 35 美元。

Grok4.5 处在中间，输入 2 美元/百万 token，输出 6 美元/百万 token，综合价格 8 美元/百万 token，仅比 GPT-5.6 Luna 版本贵一点点。

但需要注意的是 Grok 官方表示，Grok 4.5 单个任务消耗的 Token 仅为同级领先模型的一半。

所以，结合价格整体来看。

GPT-5.6 Luna 应该是综合性价比最高的，价格接近低价档，但编码、终端任务、长上下文能力明显强，1.05M 上下文也是大优势。

其次是 Meta 的 MuseSpark-1.1，价格最便宜，且在法律、税务、医疗、工具调用、电脑操作、多模态图表上表现亮眼，Agent/专业工具任务性价比最高。

然后是 Grok-4.5，如果按“每百万 token 单价”算，Grok-4.5 不是最便宜；但如果按“完成一个代码/工程任务的总 token、步骤数和速度”算，Grok-4.5 很可能是编码场景下性价比最高的模型。

至于 GPT-5.6 So l和 GPT-5.6 Terra，我理解它更偏向纯性能玩家的选择，价格几乎不成为考虑的因素。

不管怎么说，性价比已经成为了现在模型最重要的衡量标准。

OpenAI CEO Sam Altman 还在 GPT-4.5 发布后专门提到，我们已经听到了企业对成本的担忧......

但这件事情其实是有背景的，那就是在过去的几个月里，大量美国公司正在抛弃 OpenAI 和 Anthropic，转而使用 DeepSeek、智谱、千问等更具性价比的中国模型。

OpenRouter（一个让开发者能够访问多种 AI 模型的平台）的数据显示，2025 年上半年，中国模型在该平台上消耗的 token 占比仅有 4.5%，过去 12 个月平均占比也只有 11%。但从今年 2 月份以来，中国 AI 模型的 token 消耗占比每周都保持在30%以上，最高曾升至 46%。

美国公司集体拥抱中国模型，关键原因就是性价比。

在能力上，中国的 AI 模型和 OpenAI 和 Anthropic 比起来或许还有一些差距，但是架不住价格仅有 Anthropic/OpenAI 同类模型的 10%-40%。

美国一家 AI 公司的创始人在 X 上表示，他在 6 月初已经将公司 100% 的流量从 Anthropic 切换到 DeepSeek V4；这个行为为公司节省数百万美元，并且还在许多使用场景下看到实际性能的提升。

具体可以参看我们之前发布的文章：智谱和 DeepSeek，用性价比攻破美国大门?

在这次几家模型陆续发布之后，美国专业的模型测评机构 Artificial Analysis 还做了一个测评，这个测评纳入了中美的主流模型，测评其完成跨行业完成真实任务的能力，以及对应每项任务花费的平均成本。

在 Artificial Analysis 给出的这个框架下，能力越强，价格越低的模型更具有优势，其对应的区间是左上角的第二象限。

这个象限中，除了 Gork-4.5 之外，基本上都是中国模型，比如 DeepSeek V4 Pro，小米的 MiMo-V2.5 pro，MiniMax-M3。（GPT-5.6 系列和 MuseSpark-1.1 还未纳入）

在这一轮美国头部厂商的模型发布之前，中国 AI 模型凭借性价比优势，已经在逐渐打开了美国市场。

这一次模型的发布，美国头部的模型厂商相当于重新稳住了阵线，并抢回了话语权。

但市场的竞争从来不是线性的，更不会由一次模型发布决定最终胜负。

中国模型已经证明，性价比并不是一个只在本土市场成立的优势，它同样可以转化为全球开发者的真实选择和市场份额。

所以接下来，模型厂商比拼的不会只是榜单上高出几个百分点，也不会只是每百万 Token 便宜几美元，而是谁能用更低的总成本，更稳定地完成更多真实任务。模型调用价格、任务所需 Token、执行速度、成功率以及工具和生态能力，都将被放到同一张账单上计算。

这意味着，大模型竞争正在进入一个更加残酷、也更加务实的阶段：性能领先不再等于商业领先，价格便宜也不会成为永久壁垒。

扫码关注公众号

获取更多技术资讯