字数 1630，阅读大约需 9 分钟

摘要（发布时填入公众号摘要栏，不进入正文）：8 月初，GLM、Kimi、MiniMax、火山方舟的官方定价页都有更新，其中 GLM 刚完成套餐改版、Kimi 新用户订阅仍受限、火山方舟 2.5 折活动进行中。本文整理四家官方在售的档位与价格（核验日期：2026-08-07），不替你做“哪家最划算”的结论，下单前请以官方页面当天显示为准。

AI 订阅的价目表几乎月月在变。7 月下旬到现在，四家官方页面都更新过：智谱把 GLM Coding Plan 改版成积分制套餐，Kimi 暂停了新用户订阅，火山方舟的 2.5 折活动还在进行中。这篇文章把四家官方在售的档位和价格整理到一起，核验日期是 2026 年 8 月 7 日。我不替你做“哪家最划算”的结论，下单前回官方页面看一眼当天价格最保险。

下单前先想清楚三件事

1. 1. 你主要拿它做什么。 写代码、跑 Agent，还是做多模态（图像、语音、音乐）？四家侧重不同。
2. 2. 额度口径是什么。 有的按“每 5 小时窗口 + 每周额度”，有的按会员等级给功能。额度耗尽后多久恢复，直接决定你够不够用。
3. 3. 账单周期和折扣。 年付、连续包季、限时活动价差别很大，续费价格不一定等于首月价格。

GLM（智谱）：三档编码套餐

GLM Coding Plan 7 月 30 日改版为积分制，官方公告里直接给了个人版价格：Lite ¥49/月、Pro ¥149/月、Max ¥469/月。连续包季 9 折，折合每月 44.1 / 134.1 / 422.1 元；包年 8 折，折合每月 39.2 / 119.2 / 375.2 元。

三档都支持 GLM-5.2、GLM-5-Turbo、GLM-4.7。额度按“每 5 小时积分 + 每周积分”算：Lite 是 2,000/10,000，Pro 是 12,000/60,000，Max 是 28,000/140,000。工作日 14:00～18:00 之外算非高峰，调用只按 0.5 倍积分扣，周末全天都算非高峰。

还有一点：套餐额度只能在官方支持的编码工具里用（Claude Code、OpenCode、TRAE 等），直接调 API 不享受套餐额度。

Kimi：四档付费会员

Kimi 会员官方定价页目前列出四档：Andante、Moderato、Allegretto、Allegro。年付折合每月 ¥39 / 79 / 159 / 559；月付对应 ¥49 / 99 / 199 / 699。Allegro 解锁 K3 的超长对话，最多 100 万 token 上下文，Agent 并行任务从 1 个提到 4 个。

K3 API 按量计费：输入 ¥20/百万 token（缓存命中 ¥2），输出 ¥100/百万 token。

但要注意：7 月 19 日 Kimi 官方宣布暂停 C 端新用户付费订阅，把算力优先留给已订阅用户；7 月 20 日官方帮助中心进一步说明新套餐暂未开放购买。截至 8 月 7 日未见恢复公告，以下单时会员页的实际可购状态为准。

MiniMax：Token Plan 三档，多模态共享额度

MiniMax Token Plan 按月订阅：Plus ¥49、Max ¥119、Ultra ¥469。文本、图像、语音、音乐共享同一份额度；额度窗口是每 5 小时固定窗口 + 周窗口，Agent 用量约 3-4 / 4-5 / 6-7 个。

套餐外还有积分包（¥30 / ¥150 / ¥500），1,000 积分 = ¥7，套餐额度用完按量抵扣。少数特殊模型（MiniMax H3、音色设计、快速复刻）暂不支持套餐额度。

火山方舟：Coding Plan + Agent Plan 两套

火山方舟有两套套餐：Coding Plan（Lite、Pro 两档）面向编程，Agent Plan（Small、Medium、Large、Max 四档）覆盖非编码的 Agent 任务，支持 Codex、Claude Code、OpenCode、OpenClaw、TRAE 等工具。Agent Plan 的 Small、Medium 两档官方标注不支持视频生成，需要视频生成建议选 Large 或 Max。

价格方面，官方文档刊例价为：Coding Plan Lite ¥40/月、Pro ¥200/月；Agent Plan Small ¥40/月、Medium ¥200/月（Large、Max 官方文档未直接列出价格）。当前有官方 2.5 折普惠活动（2026-06-08 至 2026-11-08）：所有用户新购、续费或升配，首两个月 Lite、Small 都是 ¥9.9/月，Pro、Medium 都是 ¥49.9/月，第三个月起恢复原价；名额有限，先到先得。活动页显示的“限时 9.9 元起”与此一致。

一张对照表

下单前再核对一次

价格和可购状态变得很快，本文核验日期是 2026-08-07，下单前回各平台官方页面复核。拿不准的话，先用限时活动价或低价档跑一周真实任务，再决定要不要年付——这比看任何整理帖都准。

参考资料

• • GLM Coding Plan 套餐概览（智谱官方文档，2026-07-22 更新）^[1]
• • GLM Coding Plan 老用户权益说明与 V2 价格表（智谱官方公告，2026-07-30）^[2]
• • Kimi K3 价格：套餐、会员与 API 费用（Kimi 官方，2026-08-07 更新）^[3]
• • Kimi 关于会员订阅套餐调整的说明（Kimi 官方帮助中心，2026-07-20）^[4]
• • MiniMax Token Plan 订阅定价（官方文档，2026-08-04 访问）^[5]
• • 火山方舟 Coding Plan 套餐概览（官方文档，2026-08-04 更新）^[6]
• • 火山方舟 Agent Plan 套餐概览（官方文档，2026-08-04 更新）^[7]
• • 方舟 Coding Plan 2.5 折普惠活动（官方文档，2026-06-08 至 2026-11-08）^[8]
• • 方舟 Agent Plan Small & Medium 2.5 折普惠活动（官方文档，2026-06-08 至 2026-11-08）^[9]
• • 方舟 Coding Plan 活动页（动态页面，2026-08-07 快照显示“限时 9.9 元起”）^[10]
• • Kimi 暂停 C 端新用户订阅说明（官方公告，2026-07-19）^[11]

引用链接

[1] GLM Coding Plan 套餐概览（智谱官方文档，2026-07-22 更新）: https://docs.bigmodel.cn/cn/coding-plan/overview
[2] GLM Coding Plan 老用户权益说明与 V2 价格表（智谱官方公告，2026-07-30）: https://docs.bigmodel.cn/cn/coding-plan/notice/usage-revision
[3] Kimi K3 价格：套餐、会员与 API 费用（Kimi 官方，2026-08-07 更新）: https://www.kimi.com/zh-cn/resources/kimi-k3-pricing
[4] Kimi 关于会员订阅套餐调整的说明（Kimi 官方帮助中心，2026-07-20）: https://www.kimi.com/zh-cn/help/kimi-blackboard/plan-adjustment-notice
[5] MiniMax Token Plan 订阅定价（官方文档，2026-08-04 访问）: https://platform.minimaxi.com/docs/guides/pricing-token-plan
[6] 火山方舟 Coding Plan 套餐概览（官方文档，2026-08-04 更新）: https://docs.volcengine.com/docs/82379/1925114?lang=zh
[7] 火山方舟 Agent Plan 套餐概览（官方文档，2026-08-04 更新）: https://docs.volcengine.com/docs/82379/2366394?lang=zh
[8] 方舟 Coding Plan 2.5 折普惠活动（官方文档，2026-06-08 至 2026-11-08）: https://docs.volcengine.com/docs/82379/2525065?lang=zh
[9] 方舟 Agent Plan Small & Medium 2.5 折普惠活动（官方文档，2026-06-08 至 2026-11-08）: https://docs.volcengine.com/docs/82379/2525063?lang=zh
[10] 方舟 Coding Plan 活动页（动态页面，2026-08-07 快照显示“限时 9.9 元起”）: https://www.volcengine.com/activity/codingplan
[11] Kimi 暂停 C 端新用户订阅说明（官方公告，2026-07-19）: https://m.thepaper.cn/newsDetail_forward_33618490

有人说，中国大模型已经追平美国；也有人说，中美 AI 仍差一代。

两边未必都在胡说。问题是，他们比较的往往不是同一件事。

有人只看最强模型，有人看一年能推出多少头部模型；有人看论文专利，有人看芯片、数据中心和融资；还有人更关心 AI 有没有真正进入工厂和业务。

把这些指标揉成一个“综合分”，答案一定会失真。

2.7%，到底是什么差距？

Stanford 2026 AI Index 称，截至 2026 年 3 月，排名最高的美国模型领先排名最高的中国模型 2.7%。从 2025 年初起，中美模型还多次交换榜首位置。

这足以说明：中美顶尖模型已经进入同一个竞争区间。

但它只是特定时间、特定榜单、各自最强模型之间的比较。Stanford 也提醒，一些常用基准存在无效题目、数据污染和针对榜单优化等问题。

所以，2.7% 不能被改写成“中国 AI 全体系只比美国差 2.7%”。

顶尖模型接近，不等于持续产出相同

把视角从“最强的一款”拉到“一整年的产出”，差距又出现了。

Stanford 统计，2025 年美国机构产生了 59 个重要模型，中国是 35 个。这里的“重要模型”是 AI Index 按影响力和技术特征筛选的集合，并非市场上所有模型。

美国仍有更多前沿团队同时推进下一轮探索；但 35 个也说明，中国已经形成了能连续推出头部模型的产业群，不再只是偶尔有一款模型冲上榜单。

论文和专利：中国的规模优势很明显

换到研究和专利，画面又反过来了。

Stanford 报告显示，中国在 AI 论文数量、引用数量和专利授权数量上领先，美国则在高影响力专利等指标上更强。

WIPO 2026 年 7 月更新的数据更直观：仅 2024—2025 年，中国发明人贡献的生成式 AI 专利族就超过 4.3 万个。美国也在加速，从 2023 年约 1185 个增长到 2025 年超过 4380 个。

下面这张 WIPO 原图显示的不是宣传口径，而是按发明人所在地统计的专利族。灰色为 2014—2023 年累计，紫色为 2024—2025 年两年新增。

数量并不等于技术价值。专利制度、申请策略、海外布局和审查周期都会影响结果。但“质量还要再看”也不能被用来抹掉中国已经形成的规模优势。

最难追的差距，藏在模型背后

聊天框看起来很轻，背后却是一套重系统：先进芯片、数据中心、电力、云平台、人才和融资。

Stanford 统计，美国拥有 5427 个数据中心，超过任何其他国家十倍以上。这个数字不能直接换算成 AI GPU 数量，却能反映其基础设施和云服务体系的密度。

按私人投资口径，2025 年美国 AI 私人投资约为中国的 23 倍。这里不能漏掉“私人”二字：中国的政府引导基金、地方投资和产业资本，并不完全进入同一统计口径。

即便如此，美国前沿公司更容易承担昂贵训练、数据中心建设和多轮失败的成本，仍是当前最明显的结构性优势。

中国走出了另一条竞争路径

资源限制不只会拉开差距，也会改变创新方向。

2026 年 6 月一篇尚未同行评审的研究发现，在先进芯片和算力限制加强后，中国开发者对开放大模型仓库的参与明显增加，中国开放模型也更广泛地进入社区和科研使用。

这项研究的因果解释仍需验证，但趋势值得注意：当最昂贵的算力路线受限，开放权重、本地适配、模型压缩和工程效率就会变得更重要。

到了产业侧，中国也并非单方面落后。中国占 2024 年全球工业机器人新增安装量的 54%。这不能证明机器人芯片、控制系统和模型都已领先，却说明中国有把 AI 和自动化放进大规模制造场景的现实土壤。

所以，真实差距究竟有多大？

如果只看最强模型，差距已经很小，2.7% 是一个有依据但范围有限的快照。

如果看持续研发、算力、资本和关键平台，美国仍然领先。

如果看论文专利规模、开放模型追赶速度和制造业部署，中国已经在多个指标上占优。

因此，更接近事实的答案不是“已经全面追平”，也不是“仍然落后一代”，而是：

顶尖模型能力正在收敛，体系能力仍有结构性差异；两国的优势，也分布在不同层面。

对普通用户来说，没必要先判断“哪个国家赢了”，再决定用哪个模型。具体任务、价格、稳定性、隐私边界和生态，仍是更实用的选择标准。

榜单会继续变化。决定长期差距的，是榜单背后的整套系统。

参考资料

1. Stanford HAI, 2026 AI Index Report: Technical Performance
2. Stanford HAI, 2026 AI Index Report: Research and Development
3. Stanford HAI, 2026 AI Index Report: Economy
4. WIPO, Patent Landscape Report: Generative Artificial Intelligence
5. WIPO, SPARK: Patent Trends Update in GenAI
6. Wang Jin 等, U.S. Policies Unintentionally Accelerated China’s Open AI Ecosystems（预印本）

图片说明：WIPO 图表依据 CC BY 4.0 使用；机房照片由 Kevin Ache 拍摄，依据 Unsplash License 使用；封面为 AI 生成的概念插画，不承载事实数据；其余图表由作者依据文中注明的数据源重绘。

2026 年 7 月 16 日，Kimi 官方发布 Kimi K3。四天后，美联社报道，月之暗面因需求接近当前容量上限，暂停了新订阅，并优先保障已有订阅用户。

这件事很容易被理解成一次普通的“服务器挤爆了”。

但把它和一个月前发布的 GLM-5.2 放在一起看，会出现一个更值得关注的信号：

前沿模型正在争夺的，不再只是一次回答的分数，而是长任务的交付能力。

两款新模型，都在强调“长任务”

Kimi 官方将 K3 称为目前能力最强的模型：总参数量 2.8 万亿，最高支持 1M token 上下文，并重点强调长时间编程、知识工作和复杂工程任务。

Z.ai 在 6 月 16 日发布 GLM-5.2 时，也把“长任务”写进了标题。官方同样给出 1M token 上下文，并介绍了为长上下文设计的新架构和推理服务优化。

这里的 1M token 是什么概念？

上下文窗口可以粗略理解为模型一次工作时能够看到的材料范围。它可能包括你的问题、历史对话、代码文件、参考资料和工具返回的结果。

窗口变大，意味着模型有机会在一次任务中接触更多材料。但“装得下”“理解得好”和“稳定交付”，是三个不同层次的问题。

概念图：百万上下文可以容纳更多材料，但不代表模型一定能够稳定理解和交付。

为什么上下文越长，服务压力越大？

模型处理长上下文，需要在推理过程中保存和读取大量中间状态。

其中一个常见概念叫 KV cache，可以把它理解为模型的“注意力工作缓存”：为了避免每生成一个新 token 都从头计算，系统会保留前面内容的部分中间结果。

上下文越长、并发用户越多，这份缓存占用和调度压力就越明显。

概念图：上下文长度、缓存占用、并发量和输出速度需要共同争夺有限的计算资源。

Z.ai 在 GLM-5.2 的技术说明中专门讨论了这个问题。官方称，新架构降低了 1M 上下文下的部分计算量，但并没有让 KV cache 的大小按比例下降。因此，长上下文、并发量和输出速度，仍然需要在有限 GPU 资源之间权衡。

这也解释了为什么：

“模型支持 1M”与“用户能稳定、低成本地用好 1M”，是两件不同的事。

Kimi K3 发布后暂停新订阅，并不能单独证明具体是哪一个技术环节遇到了瓶颈。月之暗面对外确认的是，短时间内的需求已经接近当前容量上限，平台需要优先保障已有用户并继续扩容。

但这次事件至少把“交付能力”推到了台前。

百万上下文，不应该只是一个更大的输入框

对于普通用户，真正有意义的问题不是模型能塞进多少本书，而是它能不能在一项持续很久的任务里：

• 找回前面已经给出的约束；
• 正确引用分散在不同文件中的信息；
• 根据工具返回的结果调整下一步；
• 在中途加入新要求后不破坏已有成果；
• 最终给出可以检查、可以运行或可以发布的结果。

如果只是把大量资料一次性扔进输入框，再问一个简单问题，百万上下文很可能只是昂贵的“资料仓库”。

长任务能力真正产生价值，需要上下文检索、推理、工具调用、缓存和服务调度一起工作。

Kimi 的官方材料也给出一个很实际的提醒：K3 的 1M 上下文并非对所有会员层级开放；切换模型还会让既有上下文缓存失效，导致刚切换后的消耗增加。

这些产品细节，比单看一张发布会榜单更接近真实使用成本。

不看榜单，普通用户怎么验证？

最简单的方法，是准备一个自己熟悉、结果可以验收的长任务，而不是照搬厂商评测。

如果你是内容创作者，可以给模型一个包含十几份资料的选题包，要求它依次完成信息索引、事实核查、初稿、修改和最终检查。

如果你是开发者，可以给它一个真实代码仓库，连续提出三个相互依赖的改动，再检查测试结果和返工次数。

如果你是产品经理，可以让它读取需求、用户反馈和历史决策，在中途加入一项新约束，观察它能否发现冲突并更新交付物。

记录四件事就够了：

1. 最终结果是否通过验收；
2. 中途需要人工接管多少次；
3. 总耗时和实际消耗；
4. 失败后能否从现场继续，而不是推倒重来。

真正的竞争，已经延伸到模型之外

Kimi K3 暂停新订阅，并不能直接证明模型好或不好；GLM-5.2 的官方榜单，也不能证明它适合所有任务。

它们共同说明的是：当模型开始处理百万上下文和更长的工作链条，竞争对象已经从单次回答，扩展到了整套推理基础设施和交付能力。

下一次看到“1M 上下文”时，可以先别问它能装多少内容。

先问一个更实际的问题：它能否把一项长任务，从材料读到最后的可验收结果？

参考资料：

• Kimi Code 官方更新日志：Kimi K3
• Kimi 官方：新订阅容量说明
• Z.ai：GLM-5.2: Built for Long-Horizon Tasks
• 美联社：Moonshot AI halts new subscriptions after surging demand

朋友们，春节假期刚结束，科技圈却炸了锅！一款叫「Pony Alpha」的神秘模型，竟在OpenRouter平台悄无声息上线，短短几天引发全球开发者狂欢。Reddit上的话题热度直逼#AI #coding，连ChatGPT都跳出来调侃：“这哪是模型？分明是春节的礼物！” 你猜对了吗？

当「小马模型」横空出世：春节档的AI狂欢

2026年正逢农历马年，“Pony Alpha”这名字像在向全世界招手。OpenRouter上这款匿名模型，直接把全球开发者点燃：有人猜是Claude新版本，有人认为是Codex 4.6，甚至有人狂刷Llama 5——但所有猜测中，最扎心的却是网友那句：「大概率是中国模型！」

为啥这么猜？因为马年春节，中国科技圈正憋着大招。 智谱AI早在2月初就官宣：“计划在未来两周内发布新模型”，首席科学家唐杰老师甚至发帖吊足胃口。而这款「Pony Alpha」恰恰是2月6日上线的，时间精准对上！

更绝的是，它免费开放使用，200K上下文窗口+131K输出，能直接写前端代码——连OpenRouter都公开说：“针对智能体工作流做了深度优化，工具调用准到离谱。”

实测神级：200K上下文，一个前端顶十个

这可不是吹的！Pony Alpha的实测案例，直接让开发者集体破防：

• • 全球收音机直播站：单文件搞定35个电台，UI流光溢彩，500行代码直接跑出专业级效果（网友感叹：“比原生APP还丝滑！”）
• • 音乐播放器：“你推荐”“收藏夹”全链路打通，前端交互像苹果官方产品，UI设计干净精致到不行—— 一位开发者说：“这哪是模型？分明是架构师思维！”
• • 3D游戏：3小时做出《精灵宝可梦·红宝石》复刻版，动画流畅到让人直呼“比原版更还原”

最炸的是，它连SVG图形处理都逼近Claude Opus 4.6！ 开发者实测：单提示词就能输出2200行代码——“带中国模型的精致感，但代码干净到极致”（网友原话）

证据链曝光：GLM-5的马年玄机

为什么这么多人坚信它是GLM-5？三条铁证直戳心脏：

1. 1. 模型自曝身份：在OpenRouter设置“自定义提示符”后，它直接回应：“I’m GLM, a large language model developed by Z.ai” ——这哪是模型？分明是身份认证！
2. 2. 分词器暗号：网友用特殊字符串做PoC测试，结果和GLM-4完全一致——这绝不是巧合，而是同一套技术基因！
3. 3. 中国风DNA：实测结果太像GLM了——“带中国模型的味道，但更干净精致”。就连Kilo Code合作方也私下透露：“这是某个全球实验室最受欢迎的开源模型专项进化版。”

更绝的是时间线：智谱官宣“两周内发布新模型”，而Pony Alpha正是在这一时间节点上线。正如行业观察者所说：“中国模型不再需要靠‘对标GPT-4’来证明自己，它们能匿名走上全球舞台，让开发者自己用体验说话。”

股价暴涨36%：国产AI的真正底气

当真相浮出水面，市场瞬间沸腾！2月9日，智谱股价一度涨38%，总市值逼近1500亿港元。 有股民直呼：“Pony Alpha才是春节送的真·彩蛋！”

背后的逻辑简单粗暴：国产大模型已不是“追赶者”，而是“定义者”。 MiniMax、DeepSeek、Kimi轮番上阵，但智谱GLM-5凭一己之力，让全球开发者在不知情的情况下“真香”——这不正是中国科技的底气？

中国AI的破圈时刻：不止模型，更是精神觉醒

朋友们，Pony Alpha的真正意义，远超模型本身。它打破了“AI需要品牌背书”的魔咒，用“裸体验”告诉世界：中国科技，从不需要标签来证明自己。

当Reddit上外国开发者集体喊话：“This is China’s gift to the world!”；当智谱股价因“匿名奇迹”创新高；当DeepSeek、Kimi的玩家纷纷退潮……中国AI已站上新台阶：技术不靠口号，实力无需解释。

正如一位开发者说：“
Pony Alpha不是模型，它是马年春节送我们的一封家书——写着‘中国AI，已准备好与世界对话’。”

你猜对了吗？

这个春节，我们见证了中国科技最酷的“匿名登场”。Pony Alpha是谁？是GLM-5？是国产大模型的崛起？

评论区聊聊你的猜测吧！
你是第一个猜出它的朋友吗？
你最想用Pony Alpha实现什么？
中国AI，会否下一个“爆破全球”？

评论区等你：让世界见证，中国技术无需标签，也能惊艳全球！

深度思考： AI行业正从“技术争霸”转向“体验战争”。当国产模型匿名崛起，中国科技的真正底气，是让世界“用脚投票”——而Pony Alpha，就是这一战的开篇。

就在刚刚，硅谷AI圈上演了一场”火星撞地球”的科技春晚！Anthropic和OpenAI几乎同时发布了自己的王牌AI模型——Claude Opus 4.6 和 GPT-5.3 Codex。这哪是更新，分明是两家巨头的”中门对狙”，火药味直冲天灵盖！

一场编程界的”奥斯卡”争夺战

说真话，这个消息让我凌晨三点才睡着。毕竟，我们这些靠代码吃饭的程序员，已经习惯性地将GPT和Claude当作工具箱里的”万能螺丝刀”。但这次，两家巨头不是简单地升级了模型，而是在编程能力、长文本处理和AI自主进化这三个维度上开打了一场硬仗。

Claude Opus 4.6在Terminal-Bench 2.0测试中得分65.4%，而GPT-5.3 Codex则以77.3%的得分强势碾压。这可不是小差距，而是质的飞跃！在OSWorld-Verified测试中，GPT-5.3 Codex得分64.7%。

更令人惊叹的是，Claude Opus 4.6在GDPval-AA这个经济价值工作测试中，以1606 Elo分大幅领先GPT-5.2（1462分），这个差距相当于有70%的概率战胜对手。而在ARC AGI 2这种测试流体智力的项目上，Claude Opus 4.6直接飙到68.8%，几乎摸到7字头了。

深度思考 vs 快速执行

这是一场思维模式的对决：Claude Opus 4.6是”高上限，高方差”的天才型选手，而GPT-5.3 Codex则是”高可靠，低方差”的工程师型选手。

Dan Shipper这位知名AI评测人曾这样形容：Claude Opus 4.6能解决让iOS团队卡了两个月的功能难题，但偶尔会”过度自信”，胡说八道；而GPT-5.3 Codex虽然在创造性任务上稍逊一筹，但”推理速度提升25%，几乎不犯低级错误”。

最让我眼前一亮的是GPT-5.3 Codex的”自我进化”能力——这是OpenAI首次让AI参与自身开发。在真实测试中，GPT-5.3 Codex不仅能自己修复bug，还能在几小时内构建出包含多张地图的赛车游戏和深海潜水游戏！

谁更适合你？我的实测建议

如果你是需要处理大型代码库、长文本理解的开发者，Claude Opus 4.6绝对是首选。它支持100万token上下文窗口，能处理相当于75万英文单词的内容。在MRCR v2测试中，它在”大海捞针”任务上得分76%，碾压了Sonnet 4.5的18.5%。

而如果你需要快速迭代、稳定交付，GPT-5.3 Codex会是更好的选择。它用更少的token完成任务，速度提升25%，完美适合日常编码和运维任务。

最让人震撼的是，GPT-5.3 Codex在办公软件集成方面也有重大突破。它能像真人一样操作Excel和PowerPoint，在构建网页时自动将年度计划换算成打折后的月付价格，甚至贴心地自动补充用户评价轮播。

谁在背后推动这场AI春晚？

这次发布会的背后，有着更宏大的战略意图。两家公司都计划在2026年下半年到2027年启动上市程序，现在正是证明自己技术实力的关键时刻。

就在两周前，英伟达刚向Anthropic投资100亿美元，消息传出后不到72小时，就向OpenAI注资200亿美元。黄仁勋的算盘打得很清楚：两边都押注，谁赢都不亏。

这是一场技术资本化的盛宴——谁的模型更强，谁在实际应用中更有说服力，谁就能在IPO时要到更高的价格，拿到更多的筹码。

你的位置在哪？

我们已经进入了一个新时代：AI不再只是辅助工具，而是能自主思考、协作、进化的同事级伙伴。如果你还在用上一代AI模型，可能已经落后了。

但别担心，这是一场共赢的较量。就像我常说的：“技术在进步，但人类的智慧永远站在顶端。”

下次当你在代码中遇到瓶颈，不妨试试这两款模型，看看哪个能成为你的”AI搭档”。

AI不会取代人类，但会改变我们与工作的关系。

你更希望拥有一个能自由发挥的”天才”，还是一个可靠稳定的”老黄牛”？欢迎评论区分享你的想法！

中文：在这个充满奇幻与美好的世界里，一幅由 AIGC 绘制的画卷徐徐展开。画面中，可爱的毛绒绒的小动物在夜晚安卧于云朵之上，仿佛进入了一个甜美的梦境。云朵如棉花糖般柔软，承载着小动物的美梦。它们飘浮在浩瀚的夜空中，仿佛是一座梦幻的岛屿，远离尘世的喧嚣。在这里，时间仿佛静止，只有宁静与美好在流淌。
 
英文：3D animation in the style of CUTE TWO puppys smooth sleeping on a cloud in space, with a background of stars, clouds, and the moon. The scene is a cute, cartoon-like depiction of CUTE TWO puppies sleeping to the soothing sounds of night music. in a cartoon-style font, and the overall image is colorful, with a fluffy CUTE TWO puppy, a blue sky, and a yellow star on the left side of the screen. –ar 9:16 –stylize 250 –v 6.1

风格代码

笔触肌理画像风格

介绍：这种风格通过厚重的笔触和肌理效果营造出一种充满手工感的质朴美，人物轮廓虽然简洁，但每一笔都突显出画作的立体感与层次感。背景与人物同样充满厚涂的油画肌理，使画面既有细腻的内涵又保持强烈的视觉冲击。厚重的笔触和丰富的肌理为核心特点，打破了传统剪影的平面感，赋予作品更强的深度和触感。通过这种风格，画作在简洁的构图中展现出复杂的情感与历史感。

• 以下是52条高档感的 Midjourney SREF 风格代码，供你参考和使用。这些代码可以帮助你生成更具艺术性和层次感的图像。

–sref 2908137170

–sref 83693068

–sref 1586615651

–sref 1793012765

–sref 438541382

–sref 3223537701

–sref 395151849

–sref 2198578110

–sref 1115526348 –p dg2k8l2

–sref 4098823792 –p dg2k8l2

–sref 2700920344 –p dg2k8l2

–sref 541874125 –p dg2k8l2

–sref 304323068 –p dg2k8l2

–sref 1276911982 –p dg2k8l2

–sref 2322791854 –p dg2k8l2

–sref 203140091 –p dg2k8l2 –sw 1000

欢迎关注作者微信公众号：「RaDesign」

首先，和大家介绍一下什么是提示词，提示词的英文”Prompt”，”Prompt”是指在使用SD模型时输入的问题、指令或描述。它是用来引导模型生成相应绘图的起点。

简而言之，选好大模型之后，我们就要考虑画面上要有什么东西，不要什么东西，有时候我们不太好确定不想要什么，这里也可以不填，或者填一些通用的关键词，后面还会提到。

01.正面提示词

正面提示词里写的就是你希望照片里会出现的内容。输入的关键词越准确，出来的照片就会越接近自己脑海里的画面！最开始的时候，提示词需要用英文书写，因此好多人在这一步就望而却步了，但是随着SD生态的日益完善，现在可以通过插件，我们直接输入中文，自动生成英文输入了（这个插件就是：sd-webui-prompt-all-in-one，这里简单提一下）。

如下图所示，这里就是我们写正面提示词的输入框：

这里使用 majicMix Realistic 系列模型作为演示。

比如说我现在想要生成：一个漂亮的小姐姐站在大街上。

那可以写成：1女孩，漂亮，站着，大街（majicMix Realistic 系列范例），或者是：1漂亮女孩，站在大街上，又或者我直接输入这个短句：1个漂亮女孩站在大街上。

上面三种单词、词组、短句的方式都可以，（这里可以参考使用的大模型提示词的书写习惯，不同的大模型可能对三种表达敏感度不同），还要注意的是，这里的短句一般是：主体 + 动作 + 场景的格式，并不是什么复杂句子都可以的

我们比较常用的就是直接输入一个个单词，然后这些单词用英文状态下的逗号隔开

SD只能识别英语，这时候刚刚说的插件就派上用场啦，我们把提示词粘贴进去，就可以直接生成英文了如下图：

当然我们也可以直接使用网页翻译：

接着点击右边这个“生成”按钮

其它参数设置：

这样你在SD的第一张图就出来啦，但是不出意外的话，已经出意外了，因为图片可能并不理想，我自己也用这个提示词反复的除了很多图结果都是这样的：

可能细心的小伙伴也发现了， 这些图，一般都是全身，这个时候脸部占图片的比例较小，所以会发生脸部细节失真，那么很简单，我们增加关键词，比如：肖像或者半身像，我们再试一下！

这时候基本上已经有些味道了，我们可以看到当脸部占比变大后，模型反而可以更好的刻画小姐姐的脸部细节了，所以保证面部适当的占比，在人像生成过程中非常重要！

是不是很多小伙伴已经按捺不住去试了试呢？别急，再等等！写关键词也是有模板的！

在写跟照片有关的关键词之前，我们可以先写一些照片质量的词语，这样出来的照片会更加精致。比如说我们可以写：最高质量，超高清画质，大师的杰作，8k画质等等…翻译成对应的英文就是：Highest quality, ultra-high definition, masterpieces, 8k quality,

写完质量词，接着就是我们照片的内容,先写的就是照片的主体，和对主体的细节描写。

比如我们是要生成一个女孩，就要写出来一个女孩，以及这个女孩长什么样也可以写出来

也就是：一个女孩，非常精致的五官，极具细节的眼睛和嘴巴，长发，卷发，细腻的皮肤，大眼睛

翻译成英文就是：1girl, very delicate features, very detailed eyes and mouth, long hair, curly hair, delicate skin, big eyes,

这些照片内容大家都是可以随意改的，但是像精致的五官、细节的眼睛这类词语，大家可以都加上去

写完五官之后，我们就可以想一下让照片的人物穿什么衣服，裤子，或者加上帽子之类的配饰

像裙子、毛衣、牛仔裤、比基尼都可以，还可以写上衣服的颜色。

比如：白色的毛衣、项链（white sweater, necklace,）

最后我们就可以写上其的东西，比如背景、天气、照片姿势、构图等等

比如说：在街上，阳光，上半身照片（street, Sunshine, upper body photos,）

推荐大家像我这样，一行一行分开类型去写关键词，这样后面想要改词更好找。

但一定要注意每一行的最后要加上英文逗号，否则它就会跟下一个单词连起来变成一个新单词

总结一下我们写关键词的公式：

画质+主体+主体细节+人物服装+其他（背景、天气、构图等）

下面就是这一套关键词生成的图片了：

看吧，基本上和我们的描述是一致的，接下来，讲一下如何修改或者加强某些特征。

比如，怎样才能让“卷发（curly hair）”引起Stable Diffusion的注意呢？

那就是给关键词加权重，加权重的方法有两种：

①直接用括号把关键词括起来：（curly hair）

这样括号一次就是1.1倍权重，那括两次((curly hair))就是1.1×1.1=1.21倍，以此类推。注意：这里的括号也是英文状态下的括号。

可以加权重，那我们也可以减权重，减权重就是用”[]”把单词括起来，如：[curly hair]。

②（关键词:数值):（curly hair：1.3）

这就是在第一种的基础上加上数值，直接一个curly hair是1，大于1就是加权重，小于1就是减权重

02.负面关键词

当我们生成照片次数多了之后，渐渐的发现偶尔生成出来的照片多了几个手指，甚至会多了一只手

(worst quality:2),(low quality:2),(normal quality:2),lowres,watermark,EasyNegative,ng_deepnegative_v1_75t,

当然你如果还有什么不想出现在照片上的东西，也可以自己加上去。

到这里关键词所有的内容就讲完啦！换了二次元的大模型，其实步骤还是一样的，只是把模型切换一下就好啦，注意如果使用一些小众的风格模型，提示词里面需要出现激发词，才能对应出现模型的风格的，注意一下就好了。