OpenAI 与 Anthropic 掀起 LLM 价格战：数月内降价最高 80%，背后逻辑是什么？

Created2026-10-25|Updated2026-11-05|技术动态

|Post Views:

OpenAI 与 Anthropic 掀起 LLM 价格战：数月内降价最高 80%，背后逻辑是什么？

一、事件概述

2026 年 6 月至 9 月，OpenAI 与 Anthropic 在短短三个月内密集发布新模型并大幅调价。根据 Max Woolf 的博客文章统计，从 GPT-5.6 系列发布到 GPT-6.1 Sol，主流 LLM 的使用成本出现”断崖式下跌”。原文所有价格单位均为 输入价格 / 输出价格 / 缓存读取价格（每百万 Token，MTok）。

原文整理的关键时间线如下：

2026-06-26：OpenAI 发布 GPT-5.6 Sol（$5 / $30 / $0.50）与面向低价场景的小模型 GPT-5.6 Luna（$1 / $6 / $0.10），另有一个中间档 Terra 模型，但原文称”少有人关注”。
2026-06-30：Anthropic 发布 Claude Sonnet 5，宣称接近 Opus 系列，但反馈”褒贬不一”，发布价为 $2 / $10 / $0.20，起初声明为临时价格。
2026-07-24：Anthropic 发布 Claude Opus 5，定价 $5 / $25 / $0.50，与 GPT-5.6 Sol 相近。
2026-07-30：OpenAI 将 GPT-5.6 Luna 降价 80%，至 $0.20 / $1.20 / $0.02。
2026-08-10：Anthropic 宣布 Sonnet 5 的临时发布价转为永久价格。
2026-08-21：OpenAI 将 GPT-5.6 Sol 降价约 20% 至 $4 / $20 / $0.40，但仅限未来三个月。
2026-09-01：Anthropic 发布 Fable 5.1，定价 $10 / $50 / $0.25。相比 6 月的 Fable 5（$10 / $50 / $1），基准测试全面更优，同时缓存读取成本下降 75%。
2026-09-03：OpenAI 发布 GPT-6 Astra，规模与 Fable 5.1 相近，定价 $10 / $50 / $1，但缓存读取价格更高。
2026-09-22：OpenAI 发布 GPT-6 Sol（$2 / $10 / $0.20）与 GPT-6 Luna（$0.10 / $0.50 / $0.01），输入输出价格相对此前版本减半。同日，Anthropic 发布 Claude Opus 5.5（$4 / $20 / $0.20），官方明确表示”Opus 5.5 服务所需算力低于 Opus 5，定价反映了这一点”，综合成本下降 40%–60%。
2026-09-29：由于 GPT-6 Sol 性能表现不佳，OpenAI 在一周后发布 GPT-6.1 Sol，性能与 Astra 相当，并将缓存读取价格再砍半至 $2 / $10 / $0.10，与 Anthropic 的”输入价格 5%”缓存定价对齐，使该模型家族累计便宜 75%。

原文还引用了 Vercel AI 模型网关的数据：每 Token 成本已降至 2026 年 4 月水平的 43.3%，但由于模型能力提升快于价格下降，总体支出反而在增加。

二、关键技术点

1. 缓存读取成本成为新的价格战焦点

原文特别强调了一个常被忽视的细节：在使用 Agent 进行编程时，缓存读取成本占总 Token 支出的 96%–99%，因为每一轮对话都需要携带完整的上下文缓存。同时，缓存命中率通常在 90%–100% 之间（具体取决于推理提供商

Author: Yunkai Huang

Link: http://example.com/2026/10/25/2026-10-26-openai-and-anthropic-cut-their-llm-prices-by-up-to-80-within-a-few-months-why/

Copyright Notice: All articles on this blog are licensed under CC BY-NC-SA 4.0 unless otherwise stated.

OpenAI LLM AI Agent 价格战 Anthropic 缓存成本

Related Articles

OpenAI 经济研究：跨职业任务正融入日常工作流，AI 正在改变工作分工

事件概述OpenAI 于 2026 年 9 月 16 日发布新一期经济研究（OpenAI Economic Research），题为《How workers are unlocking new ways of working》。这份报告是 “Work at the Frontier” 系列的最新一篇，延续了首篇报告提出的 “task crossover”（任务跨界）概念——即工作者使用 AI 去完成历史上归属于另一职业的活动。首篇报告记录了这一现象的存在，而本次研究追问的是：这些跨职业行为之后会怎样？它们是“尝鲜一次”就结束，还是会沉淀成稳定的工作流？研究结论是：一部分跨职业 AI 使用具有明显的复现性。工作者会反复回到本职边界之外的任务上，这些活动在其被观测到的 AI 使用中占比随时间上升。报告提出的判断是：如果这些活动最终变成常规职责，岗位名称可能不变，但岗位内部的工作内容组合会变宽。关键技术点数据规模与范围研究分析了 2026 年 4 月至 7 月期间超过 150 万条与工作相关的 ChatGPT 消息。其中一组核心样本是约 6,200 名在 4 月到 7 月被...

Pollo AI 用 OpenAI 模型把创意变成营销 campaign：多模型路由与 Pollo Agent 拆解

事件概述OpenAI 官方博客在 2026 年 10 月 8 日发布了一篇客户案例，介绍亚太地区初创公司 Pollo AI 如何基于 OpenAI 的 API 构建视频与图像创意生产平台。根据原文，Pollo AI 的核心主张是：让没有制作经验的人也能把创意想法变成成品图片和视频。创始人兼 CEO Bill Zhu 给出的定位是——“我们想为视频做的事，就像 Canva 为设计做的事”。截至目前，原文称 Pollo AI 服务超过 2600 万用户，用于创建视频、广告和视觉内容。其产品演进路径大致是：先做视频模板，再做基于 OpenAI 模型的 Pollo Agent。原文提到，目前 30% 的创作者会话是从模板或热门格式工作流开始的。这次案例涉及三个模型：GPT‑5.6、GPT‑6 Astra 和 GPT‑Image‑2.5。原文没有披露这些模型的技术细节、参数规模或定价信息。关键技术点1. 双模型路由：GPT‑5.6 做调度，GPT‑6 Astra 做重推理这是整篇案例里最值得关注的一条工程细节。Pollo AI 为了在推理深度、速度和成本之间取得平衡，采用了分工策略：...

Crystalis: 渐进成核与语义退火——LLM驱动的协调多视图可视化生成

论文/产品概述大型语言模型已经能够生成独立的图表，但协调多视图可视化（Coordinated Multi-View Visualizations, CMVs）——即多个视图之间共享数据流并支持跨视图交互的复杂仪表盘——仍然是LLM难以跨越的障碍。问题根源在于：数据变换、视觉编码与交互协调之间存在着紧密的字段级耦合，一个组件的错误会无声地使其他组件失效。来自香港科技大学等机构的研究团队在论文《Crystalis: Progressive Nucleation and Semantic Annealing for Coordinated Multi-View Visualization Generation》中提出了一个新框架，旨在回答一个基础性问题：LLM能否可靠地生成结构正确的CMV，以及什么样的抽象能使这成为可能？ Crystalis以查询中心建模为核心，将CMV分解为在依赖图上的结构化查询。该依赖图涵盖三种组件类型（Data、Visualization、Interaction）和三个抽象层次（需求层、规格层、可执行对象层）。在此基础上，两个互补机制协同工作：渐进成核...

OpenAI 携手 Ironclad：用合同工作流训练 AI Agent 的计算机使用能力

事件概述OpenAI 于 2026 年 10 月 6 日发布博文，介绍其与 AI 合同领域厂商 Ironclad 的研究合作。合作的核心目标很明确：把复杂的专业工作流（这里具体指合同与法务运营流程）转化为可训练、可评测的研究任务，从而推进 AI Agent 在计算机上执行专业工作的能力。背景是 OpenAI 此前发布 GPT‑6 Astra 时，已经展示了模型在准备文档、测试网站等计算机使用场景上的进展。下一步的目标是让 Agent 能更高效地操作专业软件、解决复杂业务问题——包括理解企业业务规则、执行多步工作流，并验证自己的产出是否满足最初的需求。为此，OpenAI 选择直接与少数最懂这类工作流的软件公司合作，把高价值的困难任务变成模型的研究问题。Ironclad 是第一个合作伙伴。关键结果：GPT‑6 Astra 是首个在 Ironclad 任务上训练的前沿模型。在 OpenAI 的研究评测中，它的平均得分比 GPT‑5.6 Sol 高 32%，而每次尝试的估计耗时低 48%。关键技术点1. 任务来自真实业务流程，而非合成玩具题博文用一个采购软件的例子说明任务的复杂度...

闭环 LLM 共驾系统：当 AI 成为数字农业的自主实验官

事件概述arXiv 于 2026 年 7 月收录了一篇由 Serge Kernbach 提交的预印本论文《Closed-Loop LLM Co-Pilots for Digital Agriculture》（闭环 LLM 共驾系统：面向数字农业）。该研究展示了大型语言模型（LLM）如何从单纯的数据分析工具，进化为能够自主驱动物理实验、控制植物生长环境的 AI 系统。论文构建了一套由 49 通道植物传感器网络驱动的闭环框架，覆盖多光谱、电化学和介电三类传感模态，并在垂直农场与单株植物两种实验环境中完成了验证。这项工作的核心不是“用 LLM 解读数据”，而是让 LLM 直接介入实验决策——基于实时生物物理数据去调控硬件执行器，从而优化微气候、执行表型协议、甚至人为诱导受控胁迫。用论文的话说，这是“一种直接的 AI-生物学接口”。关键技术点1. 从人在回路到自主闭环传统基于 LLM 的科学辅助工具通常停留在“人类分析数据 → 人类执行实验”的层面。本论文则将 LLM 置于控制环路的核心：输入侧：49 通道 phytosensor 网络持续采集多光谱、电化学、介电等生物物理信号。...

Radisson 酒店集团把酒店发现搬进 ChatGPT：插件转化率约为自然搜索 1.5 倍

事件概述Radisson Hotel Group（丽笙酒店集团）与 Accenture（埃森哲）合作，基于 OpenAI 技术构建了一个 ChatGPT 插件（plugin），帮助旅行者在规划行程阶段完成酒店的查找、比较与预订。该消息由 OpenAI News 于 2026 年 10 月 7 日发布。根据原文，Radisson 与 Accenture Song 合作推出 Radisson Hotels ChatGPT 插件，让用户在 ChatGPT 内通过交互式体验比较酒店、探索出行选项，并最终跳转到 Radisson 自有站点完成预订。原文同时指出，Radisson 也是酒店业中率先在 ChatGPT 内投放**赞助广告（sponsored advertising）**的企业之一，把品牌插件与付费广告组合为一套整合式的发现（discovery）策略。原文给出的早期数据（2026 年 7—8 月）：预订转化：插件带来的访问到预订转化率约为 Radisson 自然搜索（organic search）的 1.5 倍。赞助广告：记录的结账与预订事件中，54% 归因于广告曝光（...