你的手机里，装了几个 AI？

9 月的科技圈格外热闹：OpenAI 发了 GPT-6 Astra，Claude 出了 Fable 5.1，DeepSeek 一边涨价一边推 V4.1 Flash，通义千问的 Qwen3.8 号称"训练成本降了 90%"；字节的豆包更夸张，6 月月活冲到 3.82 亿，同比涨了 172%，稳坐国内 AI App 第一。

每次这种新闻下面，评论区都在吵同一个问题：到底哪个好用？吵是吵不出结果的。这一篇，我们把 9 月公开发布的第三方数据抓进 DataFrame，画两张图：一张看"谁用的人最多"，一张看"谁最划算"。图看完，答案你自己就有。

数据来源文中均已标注，为 QuestMobile、易观千帆及公开报道口径，仅作教学演示，各家数据机构统计方法不同，绝对值会有出入。

第一张图：AI App 月活排行榜

先看用户规模。易观千帆 7 月数据里，国内 AI 原生 App 的月活格局大致是这样：

import pandas as pd      import matplotlib.pyplot as pltplt.rcParams['font.sans-serif'] = ['SimHei']    plt.rcParams['axes.unicode_minus'] = False# 易观千帆2026年7月数据（单位：万）      apps = pd.DataFrame({    'App': ['豆包', '千问', 'DeepSeek', '元宝', '文小言', 'Kimi'],    '月活': [33800, 14500, 9417, 8870, 5200, 4100],})apps = apps.sort_values('月活')    apps['份额'] = (apps['月活'] / apps['月活'].sum()).round(3)plt.figure(figsize=(8, 4))     plt.barh(apps['App'], apps['月活'], color='steelblue')for i, (v, s) in enumerate(zip(apps['月活'], apps['份额'])):    plt.text(v + 300, i, f'{v/10000:.2f}亿 ({s:.1%})', va='center')plt.title('国内 AI 原生 App 月活（2026年7月，易观千帆）')plt.xlabel('月活（万）')     plt.xlim(0, 42000)plt.show()

运行结果：

三个直观结论：豆包一家占了前五名总和的一半左右，是真·断层；DeepSeek 一个靠技术出圈的选手硬挤进前三，证明"模型强"本身就能拉用户；整个 AI 原生 App 行业月活 5.77 亿、渗透率 52.6%——也就是说，每两个手机网民里就有一个在用 AI。两年前这个数字还几乎可以忽略。

但注意一个细节：有规模不等于有粘性。数据里千问的人均单日启动次数是 2.58 次，而一些 AI 陪伴类 App 能到 8 次以上。看 App 数据只看月活，就像看公众号只看清一色的阅读量——第 13 篇讲的"看量再看率"，在这里变成"看规模再看粘性"。

第二张图：大模型的"能力-价格"性价比

普通用户看 App，想进阶的人早晚会碰到 API 定价。9 月这波新模型里，有两组公开数据特别值得放在一起看：

能力侧，第三方真实电商任务榜单 RealReplicaBench 的通过率：

# RealReplicaBench 真实电商任务通过率（2026年9月公开榜单）     bench = pd.DataFrame({    '模型': ['Claude Opus 5', 'Qwen3.8 Max', 'DeepSeek V4 Pro'],    '通过率': [60.75, 49.53, 49.53],})plt.figure(figsize=(7, 4))      plt.bar(bench['模型'], bench['通过率'], color=['purple', 'orange', 'green'])for i, v in enumerate(bench['通过率']):    plt.text(i, v + 1, f'{v}%', ha='center')plt.ylim(0, 75)plt.ylabel('任务通过率（%）')     plt.title('RealReplicaBench 真实任务通过率')plt.show()

运行结果：

价格侧，按 9 月各家官方定价（输入侧，人民币元/百万 token，美元按汇率约算）：

price = pd.DataFrame({        '模型': ['Qwen3.8-Flash', 'DeepSeek V4.1', 'GPT-6 Astra', 'Claude Opus 系'],    '输入价格': [1, 4, 71, 107],     # 元/百万token，约数})print(price.assign(倍差=(price['输入价格'] / price['输入价格'].min()).round(0)))

运行结果：

模型  输入价格     倍差      0  Qwen3.8-Flash     1    1.01  DeepSeek V4.1     4    4.02    GPT-6 Astra    71   71.03  Claude Opus 系   107  107.0

最贵的和最便宜的，输入价格差了约 100 倍——而通过率的差距远没有 100 倍。国产模型的策略很清楚：Qwen3.8-Flash 把价格打到对手的 3%，用"够用 + 极便宜"抢市场。这和手机行业当年的剧情如出一辙：旗舰机秀肌肉，走量的永远是中端机。

给普通用户的翻译版本：日常问答、写文案、改代码，排行榜 50% 通过率的模型和 60% 的，你大概率用不出区别；但账单上 100 倍的差价是实实在在的。学数据分析的意义就在这里——广告给你看的是"最强"，数据给你看的是"够用且便宜"。

用数据的眼光，再看一遍 9 月的 AI 新闻

把三张图连起来，9 月的 AI 行业其实只讲了一件事：用户规模战打完上半场，价格战开始打下半场。豆包靠抖音的流量池把月活做到近 4 亿；DeepSeek 一边涨价（8 月刚调过价、搞峰谷计费）一边发新款，说明算力成本压力真实存在；Qwen 把成本砍 90% 再打价格牌。每一步动作，在数据里都留有痕迹。

以后再看科技新闻，建议你养成这个反射：先问"数字是谁发的、口径是什么、跟谁比"，再决定要不要激动。这是这个 18 篇系列真正想交给你的东西，比任何一个函数都值钱。

小结与练习

这一篇蹭着 AI 热点，练了这些内容：

• sort_values
   排序 + 横向条形图 barh，做排行榜；
• 新增"份额"派生列，把绝对值换算成占比；
• 分组对比"能力 vs 价格"，用倍差（列 / 列.min()）代替形容词；
• 最重要的思维习惯：问口径、问基线、问跟谁比。

小练习：QuestMobile 口径里豆包 6 月月活 3.823 亿，同比 +172.1%。反推一下去年 6 月豆包的月活大约是多少？提示：3.823 / (1 + 1.721)，想一想为什么不是直接乘。

数据来源：QuestMobile、易观千帆 2026 年 7 月报告、RealReplicaBench 公开榜单及各家官方定价，截至 2026 年 9 月。关注公众号，开启零基础学习python数据分析！