AI趋势 – DeepHour | 暮云 https://blog.deephour.com 归来仍然是少年 Fri, 07 Aug 2026 14:22:20 +0000 zh-Hans hourly 1 https://wordpress.org/?v=7.0.3 https://blog.deephour.com/wp-content/uploads/2023/07/cropped-logo配色图-32x32.png AI趋势 – DeepHour | 暮云 https://blog.deephour.com 32 32 8 月 AI 套餐怎么选：GLM、Kimi、MiniMax、火山方舟官方在售价格一览 https://blog.deephour.com/2026/08/07/8-%e6%9c%88-ai-%e5%a5%97%e9%a4%90%e6%80%8e%e4%b9%88%e9%80%89%ef%bc%9aglm%e3%80%81kimi%e3%80%81minimax%e3%80%81%e7%81%ab%e5%b1%b1%e6%96%b9%e8%88%9f%e5%ae%98%e6%96%b9%e5%9c%a8%e5%94%ae%e4%bb%b7%e6%a0%bc/ https://blog.deephour.com/2026/08/07/8-%e6%9c%88-ai-%e5%a5%97%e9%a4%90%e6%80%8e%e4%b9%88%e9%80%89%ef%bc%9aglm%e3%80%81kimi%e3%80%81minimax%e3%80%81%e7%81%ab%e5%b1%b1%e6%96%b9%e8%88%9f%e5%ae%98%e6%96%b9%e5%9c%a8%e5%94%ae%e4%bb%b7%e6%a0%bc/#respond Fri, 07 Aug 2026 14:21:02 +0000 https://blog.deephour.com/?p=7082

字数 1630，阅读大约需 9 分钟

环形排列的半透明订阅套餐卡片结构，象征比较和选择 AI 订阅方案
环形排列的半透明订阅套餐卡片结构，象征比较和选择 AI 订阅方案

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。
电脑与手机前的悬浮套餐卡片中一张被点亮，象征比较不同 AI 订阅方案
电脑与手机前的悬浮套餐卡片中一张被点亮，象征比较不同 AI 订阅方案

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。

智谱、MiniMax、火山引擎三家品牌标识从左到右排列
智谱、MiniMax、火山引擎三家品牌标识从左到右排列

一张对照表

平台在售档位价格（2026-08-07 核验）额度口径适合场景
GLMLite / Pro / Max¥49 / ¥149 / ¥469 每月；包季 9 折、包年 8 折每 5 小时 + 每周积分编码工具（Claude Code、OpenCode 等）
KimiAndante ～ Allegro 四档（官方定价页）年付折合 ¥39/79/159/559；月付 ¥49/99/199/699会员等级功能知识工作、长对话、Agent
MiniMaxPlus / Max / Ultra¥49 / ¥119 / ¥469 每月每 5 小时 + 周窗口多模态调用、Agent 工作流
火山方舟Coding Plan Lite/Pro；Agent Plan Small～Max刊例价 Lite/Small ¥40、Pro/Medium ¥200 每月；2.5 折活动首两月 ¥9.9/¥49.9（至 2026-11-08）套餐内额度（5 小时限额等）编程 / 非编码 Agent

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

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

]]> https://blog.deephour.com/2026/08/07/8-%e6%9c%88-ai-%e5%a5%97%e9%a4%90%e6%80%8e%e4%b9%88%e9%80%89%ef%bc%9aglm%e3%80%81kimi%e3%80%81minimax%e3%80%81%e7%81%ab%e5%b1%b1%e6%96%b9%e8%88%9f%e5%ae%98%e6%96%b9%e5%9c%a8%e5%94%ae%e4%bb%b7%e6%a0%bc/feed/ 0 模型差距只剩 2.7%，为什么还不能说中国 AI 已追平美国？ https://blog.deephour.com/2026/08/04/%e6%a8%a1%e5%9e%8b%e5%b7%ae%e8%b7%9d%e5%8f%aa%e5%89%a9-2-7%ef%bc%8c%e4%b8%ba%e4%bb%80%e4%b9%88%e8%bf%98%e4%b8%8d%e8%83%bd%e8%af%b4%e4%b8%ad%e5%9b%bd-ai-%e5%b7%b2%e8%bf%bd%e5%b9%b3%e7%be%8e%e5%9b%bd/ https://blog.deephour.com/2026/08/04/%e6%a8%a1%e5%9e%8b%e5%b7%ae%e8%b7%9d%e5%8f%aa%e5%89%a9-2-7%ef%bc%8c%e4%b8%ba%e4%bb%80%e4%b9%88%e8%bf%98%e4%b8%8d%e8%83%bd%e8%af%b4%e4%b8%ad%e5%9b%bd-ai-%e5%b7%b2%e8%bf%bd%e5%b9%b3%e7%be%8e%e5%9b%bd/#respond Tue, 04 Aug 2026 05:01:35 +0000 https://blog.deephour.com/?p=7079 同一个问题，最近常能看到两个相反答案：

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。

中国与美国的科技元素从两侧连接到中央 AI 芯片，表现中美 AI 竞争

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%”。

截至 2026 年 3 月，中美顶尖模型榜单差距为 2.7%，但不代表体系差距

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。

2025 年美国和中国重要模型数量分别为 59 和 35

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。

WIPO 对主要发明人所在地生成式 AI 专利族的统计，中国在 2024 至 2025 年新增超过 4.3 万个

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。

真实服务器机架，代表支撑大模型训练与服务的数据中心基础设施

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。

中美 AI 差距需要从顶尖模型、持续研发、算力资本、开放生态和产业部署五个层面分别观察

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。

]]> https://blog.deephour.com/2026/08/04/%e6%a8%a1%e5%9e%8b%e5%b7%ae%e8%b7%9d%e5%8f%aa%e5%89%a9-2-7%ef%bc%8c%e4%b8%ba%e4%bb%80%e4%b9%88%e8%bf%98%e4%b8%8d%e8%83%bd%e8%af%b4%e4%b8%ad%e5%9b%bd-ai-%e5%b7%b2%e8%bf%bd%e5%b9%b3%e7%be%8e%e5%9b%bd/feed/ 0 Kimi K3 发布后暂停新订阅：百万上下文模型，为什么先撞上了算力墙？ https://blog.deephour.com/2026/08/04/kimi-k3-%e5%8f%91%e5%b8%83%e5%90%8e%e6%9a%82%e5%81%9c%e6%96%b0%e8%ae%a2%e9%98%85%ef%bc%9a%e7%99%be%e4%b8%87%e4%b8%8a%e4%b8%8b%e6%96%87%e6%a8%a1%e5%9e%8b%ef%bc%8c%e4%b8%ba%e4%bb%80%e4%b9%88%e5%85%88/ https://blog.deephour.com/2026/08/04/kimi-k3-%e5%8f%91%e5%b8%83%e5%90%8e%e6%9a%82%e5%81%9c%e6%96%b0%e8%ae%a2%e9%98%85%ef%bc%9a%e7%99%be%e4%b8%87%e4%b8%8a%e4%b8%8b%e6%96%87%e6%a8%a1%e5%9e%8b%ef%bc%8c%e4%b8%ba%e4%bb%80%e4%b9%88%e5%85%88/#respond Tue, 04 Aug 2026 04:53:13 +0000 https://blog.deephour.com/?p=7075 大量文档与代码上下文汇入计算核心，表现长任务模型面临的推理容量压力

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。

多种文档、代码、对话和工具结果汇入统一的长上下文工作空间

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。

大量上下文经过有限缓存核心后进入多条并发输出通道

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。

材料收集、组织、推理、工具执行和验收组成连续的长任务链

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：

]]> https://blog.deephour.com/2026/08/04/kimi-k3-%e5%8f%91%e5%b8%83%e5%90%8e%e6%9a%82%e5%81%9c%e6%96%b0%e8%ae%a2%e9%98%85%ef%bc%9a%e7%99%be%e4%b8%87%e4%b8%8a%e4%b8%8b%e6%96%87%e6%a8%a1%e5%9e%8b%ef%bc%8c%e4%b8%ba%e4%bb%80%e4%b9%88%e5%85%88/feed/ 0