2026 主流大模型 API 价格对比：GPT、Claude、Gemini、DeepSeek、Kimi

为什么价格对比容易比错

做大模型 API 价格对比，最常见的错法是拿「每百万 token」一个数字直接排序。这个做法有三个坑。

第一，输入价和输出价是分开的。同一个模型，输出价通常是输入价的数倍。只做一轮问答，和让它连续生成一份长报告，成本结构完全不同。拿输入价代表整体，会系统性低估生成型负载。

第二，缓存命中价。带上下文缓存的接口，命中部分按另一档计费，往往低得多。系统提示长、轮次多的对话里，缓存占比不低，忽略它会反过来高估成本。

第三，reasoning token。推理类模型在给出答案前会先消耗一段思考 token，按输出价计费，但不体现在可见输出里。只看输出长度，账单会比预期高。

三个因素方向不同，叠在一起，单一口径的排序经常给出错误结论。

为了避免误判，本文用统一口径：7:3 混合价，输入价按 70% 权重、输出价按 30% 权重加权。7:3 是按典型对话负载估的经验权重，不代表你的流量构成，作用是让不同模型能在同一把尺上比。这个口径和本站价格页完全一致，两边的数字可以直接对上。

纳入范围只有一类：厂商挂了美元公开价、可以引用的模型。拿不到公开牌价的，本文不作声明，也不拿汇率换算凑数——编一个汇率再拿去宣传，就是虚构。数据核对日期见表格尾部。

下表左列是厂商官方价，右列是按同一口径折算的本站价，均为 7:3 混合价，单位一致，可直接横比。具体数字见下表。

正在读取价格…

三种用法。

按省得多排。先看折扣列，从高到低圈出候选。降幅最大的不一定适合你的负载，但它能快速缩小范围。

按任务类型挑。摘要、分类、翻译这类短输入短输出，混合价基本准确；代码生成、长文写作是输出主导，要单独看输出价那一列——生成越重，输出价的实际权重越高，7:3 的默认权重在这种情况下偏乐观。

别忘看缓存。系统提示长且稳定的应用，优先选带缓存计价的模型。缓存命中部分的价差，经常比牌面价差更影响总账。

厂商调价是常态：新模型上线、老模型降价、汇率联动，一个月前的牌价可能已经失效。本文的表格不是手写的，随产品目录重建即更新，表尾的核对日期就是数据快照时间。

需要实时全量数据的，以价格页为准，那是唯一权威来源。本文只负责解释口径。

口径想清楚，剩下的是接入。按集成指南换一个兼容端点即可迁移现有调用，或者先注册建一个密钥跑真实流量。价格随时回价格页对账。