定價方面，標準模式下每百萬輸入token為0.435美元，每百萬輸出token為0.87美元，快取折扣最高可達97% 。在最大努力推理模式下，定價為每百萬token 1.32美元/3.96美元 。

Moonshot Kimi K3（2026年7月16日/27日）

Moonshot AI發布了其所謂的「全球首個3兆參數級別的開放模型」——一個2.8兆參數的混合專家模型，每個token啟動896個專家中的16個，擁有100萬token的上下文視窗和原生多模態（視覺+文字）能力 。完整權重已於7月27日在Hugging Face上以修改版MIT授權發布 。該模型已在Kimi.com、Kimi Work、Kimi Code和Kimi API上線 。

智譜AI GLM-5.2（2026年6月13日/16日）

這款模型開啟了整個浪潮。GLM-5.2是一個7440億參數的MoE模型，每個token約有400億活躍參數，擁有100萬token的上下文視窗，並採用MIT授權 。美國國家標準與技術研究院（NIST）的CAISI評估認為其整體能力與GPT-5.2（2025年12月發布）相似，其網路安全能力則與Claude Opus相當 。它在Terminal-Bench 2.1上獲得81.0分，在SWE-bench Pro上獲得62.1分——在Artificial Analysis Intelligence Index上排名最高的開放權重模型 。其API定價大約比Claude或GPT-5便宜10倍 。

美團 LongCat-2.0（2026年6月30日）

這是一款1.6兆參數的MoE模型（每個token約480億活躍參數），擁有100萬token的上下文視窗，並以MIT授權發布 。其最關鍵的區別在於：這是首個完全在中國國產晶片上訓練和運行的兆級參數模型——使用了50,000顆華為昇騰910B/C晶片組成的叢集 。根據美團的測試，它在軟體工程基準測試上略微超越了GPT-5.5 。在正式發布前，它曾以「Owl Alpha」的化名悄然佔據OpenLLM排行榜的榜首 。API定價為每百萬輸入/輸出token 0.75美元/2.95美元，發布促銷價為0.30美元/1.20美元 。

與美國前沿模型的對比

更廣泛的影響

全球企業採用

中國以外的企業現在擁有了可靠、低成本、開放權重的替代方案，不再局限於美國的API模型。GLM-5.2的MIT授權沒有任何地域限制，意味著任何公司都可以在商業上不受限制地自行托管 。這正在改變東南亞、中東、非洲和部分歐洲地區的採購決策。

出口管制的悖論

證據有力地支持了這樣一個論點：美國的晶片出口管制至少在兩個方面產生了反效果：

• 加速了國產晶片的成熟：LongCat-2.0在由50,000顆中國製造的華為昇騰處理器組成的叢集上進行訓練，證明了在沒有美國硬體的情況下進行前沿規模訓練是可行的 。這比單純依靠市場力量更快地推動了中國AI晶片生態系統的發展。
• 強制驅動的演算法效率：在缺乏充裕高端GPU供應的情況下，中國實驗室比美國實驗室更加積極地優化了MoE稀疏性、稀疏注意力機制和活躍參數效率等架構。其結果是，在僅使用一小部分計算預算的情況下，便實現了可媲美的能力——帶來了10倍至57倍的成本優勢 。

有待確認的資訊

在現有證據中，未找到能夠證實DeepSeek V4 Pro「每項任務0.06美元」或Claude Opus 5「2.34美元」等具體定價的可靠來源。騰訊Hy3和阿里巴巴Qwen3.8-Max也缺乏經過驗證的規格或發布日期。關於馬克·祖克柏近期開放原始碼宣言的相關說法也無法得到證實。

關於論點與來源的說明

本文基於截至2026年8月中旬的現有證據。所有關於模型能力的論點均來自開發者報告的基準測試和第三方評估（包括NIST的CAISI）。所有基準測試分數的獨立驗證正在業界持續進行中。成本比較基於已公布的API token定價；實際的每項任務成本會因任務複雜度、上下文長度和快取命中率而有顯著差異。

定價方面，標準模式下每百萬輸入token為0.435美元，每百萬輸出token為0.87美元，快取折扣最高可達97% 。在最大努力推理模式下，定價為每百萬token 1.32美元/3.96美元 。

Moonshot Kimi K3（2026年7月16日/27日）

Moonshot AI發布了其所謂的「全球首個3兆參數級別的開放模型」——一個2.8兆參數的混合專家模型，每個token啟動896個專家中的16個，擁有100萬token的上下文視窗和原生多模態（視覺+文字）能力 。完整權重已於7月27日在Hugging Face上以修改版MIT授權發布 。該模型已在Kimi.com、Kimi Work、Kimi Code和Kimi API上線 。

智譜AI GLM-5.2（2026年6月13日/16日）

這款模型開啟了整個浪潮。GLM-5.2是一個7440億參數的MoE模型，每個token約有400億活躍參數，擁有100萬token的上下文視窗，並採用MIT授權 。美國國家標準與技術研究院（NIST）的CAISI評估認為其整體能力與GPT-5.2（2025年12月發布）相似，其網路安全能力則與Claude Opus相當 。它在Terminal-Bench 2.1上獲得81.0分，在SWE-bench Pro上獲得62.1分——在Artificial Analysis Intelligence Index上排名最高的開放權重模型 。其API定價大約比Claude或GPT-5便宜10倍 。

美團 LongCat-2.0（2026年6月30日）

這是一款1.6兆參數的MoE模型（每個token約480億活躍參數），擁有100萬token的上下文視窗，並以MIT授權發布 。其最關鍵的區別在於：這是首個完全在中國國產晶片上訓練和運行的兆級參數模型——使用了50,000顆華為昇騰910B/C晶片組成的叢集 。根據美團的測試，它在軟體工程基準測試上略微超越了GPT-5.5 。在正式發布前，它曾以「Owl Alpha」的化名悄然佔據OpenLLM排行榜的榜首 。API定價為每百萬輸入/輸出token 0.75美元/2.95美元，發布促銷價為0.30美元/1.20美元 。

與美國前沿模型的對比

更廣泛的影響

全球企業採用

中國以外的企業現在擁有了可靠、低成本、開放權重的替代方案，不再局限於美國的API模型。GLM-5.2的MIT授權沒有任何地域限制，意味著任何公司都可以在商業上不受限制地自行托管 。這正在改變東南亞、中東、非洲和部分歐洲地區的採購決策。

出口管制的悖論

證據有力地支持了這樣一個論點：美國的晶片出口管制至少在兩個方面產生了反效果：

• 加速了國產晶片的成熟：LongCat-2.0在由50,000顆中國製造的華為昇騰處理器組成的叢集上進行訓練，證明了在沒有美國硬體的情況下進行前沿規模訓練是可行的 。這比單純依靠市場力量更快地推動了中國AI晶片生態系統的發展。
• 強制驅動的演算法效率：在缺乏充裕高端GPU供應的情況下，中國實驗室比美國實驗室更加積極地優化了MoE稀疏性、稀疏注意力機制和活躍參數效率等架構。其結果是，在僅使用一小部分計算預算的情況下，便實現了可媲美的能力——帶來了10倍至57倍的成本優勢 。

有待確認的資訊

在現有證據中，未找到能夠證實DeepSeek V4 Pro「每項任務0.06美元」或Claude Opus 5「2.34美元」等具體定價的可靠來源。騰訊Hy3和阿里巴巴Qwen3.8-Max也缺乏經過驗證的規格或發布日期。關於馬克·祖克柏近期開放原始碼宣言的相關說法也無法得到證實。

關於論點與來源的說明

本文基於截至2026年8月中旬的現有證據。所有關於模型能力的論點均來自開發者報告的基準測試和第三方評估（包括NIST的CAISI）。所有基準測試分數的獨立驗證正在業界持續進行中。成本比較基於已公布的API token定價；實際的每項任務成本會因任務複雜度、上下文長度和快取命中率而有顯著差異。