2026年AI API价格速查表：先统一计费口径，再比较价格

本文价格示例于 2026-08-01 核验，单位统一为 ¥/1M tokens。模型、价格、缓存规则和限时优惠都会变化，购买前应重新查看官方报价页和模型广场。

先说这张表是怎么来的

我把团队上个月真实跑过的 11 个国产模型，按同一个口径重新整理了一遍：输入价、输出价、缓存命中价、模型精确 ID、核验日期。整理过程中发现一个真实问题——deepseek-v4-flash 的输入价在 07-27 到 08-01 之间从 ¥0.504 调到了 ¥0.559，涨幅 11%。如果我当时直接把旧文里的价格复制过来，这张表发布即过期。所以表里的每个数字都标注了核验日期，这是它能被复用的前提。

先看懂价格表

比较 API 价格时，至少要分开记录：

• 输入 tokens
• 输出 tokens
• 缓存命中 tokens
• 模型精确 ID和版本
• 价格日期、币种和是否为限时价

“每百万 token 多少钱”不能替代完整报价。不同模型的输入/输出比例、缓存价和上下文能力都可能不同。

国产模型当前价格示例（2026-08-01 核验）

以下 Tokeness 价格来自模型广场，官方输入参考来自对应模型官方报价页：

来源：https://tokeness.io/pricing，核验日期 2026-08-01。官方价格可能有地区、活动和政策差异，表格只用于当前口径示例。缓存命中价为平台返回的缓存 tokens 单价，命中率高时能显著拉低实际成本。

历史报价不要直接复用

历史稿件中的模型名、输入/输出单价和折扣比例可能已经失效。新文章应从当前模型广场和对应官方报价页重新取数，并注明核验日期；无法确认的模型不要写入价格表。

怎么做自己的价格实测

价格表只能回答“单价是多少”，不能回答“每月会花多少”。建议用真实任务记录：

任务、模型 ID、输入 tokens、输出 tokens、缓存 tokens、单价、总费用、日期

再把同一任务分别用两个模型跑几次，比较总费用和结果可用性。不要只拿输入价做结论，也不要把一次优惠价当成长期价格。

举例来说，同一批任务如果有 20M 输入和 5M 输出，不能只用输入单价乘以 20；应分别乘以输入、输出和缓存量，再把每次失败重试的实际消耗纳入账单。这样得到的月度预算，才比单看“几折”更接近真实使用成本。

延迟和稳定性不要混进价格表

延迟需要单独测试，并注明：地区、网络线路、模型 ID、并发数、请求量、TTFT/总耗时定义，以及平均值还是 P95。没有这些字段的“350ms”“成功率98%”不能和其他平台直接比较。

如果你暂时没有自己的实测数据，可以引用第三方公开实测，但要写清出处。例如 Artificial Analysis 对同一模型跨供应商的横向测试显示，glm-5.2 在不同供应商间的吞吐可以差 10 倍（最快 438 t/s，最慢 41 t/s），kimi-k3 官方直连与第三方最快供应商差 5 倍。来源：https://artificialanalysis.ai/models/glm-5-2/providers、https://artificialanalysis.ai/models/kimi-k3/providers，2026-08-01 抓取。这组数据说明的是”价格之外还要比速度”，不能用来断言任何一家对你更快。

选型建议

价格页面：https://tokeness.io/pricing。

价格来自 2026-08-01 页面核验，随模型广场和官方政策变化而变化。第三方实测数据来自 Artificial Analysis，为公开引用。本文不做平台价格排名或固定性能承诺。