[AI资讯] 2026年10月20日:模型价格腰斩、智能体开始花钱,AI 的竞争从＂更聪明＂卷到＂更便宜、更能干＂

2026年10月20日：模型价格腰斩、智能体开始花钱，AI 的竞争从"更聪明"卷到"更便宜、更能干"

导语：今天 AI 圈的主线，是一场静悄悄的"降价"与一场悄然发生的"越权"。一边是国内模型把推理成本打到腰斩、把视频生成拉到三十秒，算力与能力的门槛肉眼可见地往下掉；另一边，智能体不再只是回答问题，而是开始代替用户下单、付款、跑业务流，第一次真正触碰到"花钱"这个商业闭环的关键动作。当模型越来越便宜、越来越能动手，竞争的单位又一次发生了迁移——从比谁更强，切换到比谁更便宜、更能干、也更可控。

一、价格战打到腰斩：国内模型把推理成本再砍七成

十月下旬的模型发布，几乎被一个关键词笼罩：降价。10 月 19 日晚，通用人工智能公司 MiniMax 正式发布新一代 Flash 模型 M3.1 Flash，此前以匿名身份"太空兔"在线上处理超两百亿词元、悄然承接真实流量的，正是它的早期版本。官方给出的数字相当直接：在复杂智能体任务、电脑操作、软件开发与网络安全等方向实现代际提升的同时，线上推理速度提升近三倍，使用成本降低七成，日常输出速度稳定在每秒一百七十词元以上，在智能体类任务中的综合使用成本约为前代的三成。

更值得注意的是它的定价姿态。M3.1 Flash 的输入价格约为每百万词元一元、输出四元，较上一代直接腰斩；在一项面向真实软件工程的评测中取得约七成四的成功率，已接近头部西方商业模型的水准，而单次调用成本仅为后者的零头。第三方综合评测显示，该模型较上一代在能力评测总分上提升十三个点，同时把公开接口价格下调一半。这种"能力追平、价格腰斩"的组合，被业界视为东亚大模型供给方生存逻辑的真实写照：当西方前沿实验室仍在用高溢价收回集群资本开支时，来自中国的开放权重与接口模型，正以极低的单位经济成本，对全球 AI 算力的定价体系形成结构化挤压。

同一天还有一条耐人寻味的信号：开发者发现 OpenAI 的接口模型列表中短暂出现了三个未公开的"极光"系列模型，调用即返回资源未就绪错误，随后迅速下架，官方未予置评。这被外界普遍解读为下一代旗舰模型仍在路测阶段。无论结论如何，它折射出一个事实：头部厂商的新模型发布节奏，已经从"一年一旗舰"变成"随时在路测"，而价格的下行压力，比新模型的神秘感更真实地影响着市场。

二、开放权重与多模态齐发：视频破三十秒，视觉语言大模型登场

模型发布的另一条线，是多模态与开放权重的同步上新。快手旗下的可灵 AI 推出 4.0 版本，单次提示即可生成最长三十秒的高清连续视频，首次内置原生立体声音频，并支持十余种语言的唇形同步，最高可接收十张关键帧作为时间锚点，把长时长视频长期存在的结构崩坏与空间漂移问题压到了行业新低；配套的轻量版 Kling Flash 把生成资源消耗降低约六成，明显冲着商业生产管线而去。

视觉语言方向，英伟达在模型社区发布了 Nemotron 3.5 Super VL，一个总参数一千两百億、激活约一百二十億的混合架构视觉语言模型，支持百万词元上下文，可在单台桌面超算或两张上一代加速卡上运行，官方称量化后多数评测接近原始精度。法国公司 Mistral 则发布了时间序列基础模型 Timestral，最大版本两亿余参数，在多项零样本预测基准上领先，把生成式模型的能力从文本与图像，进一步延伸到时序预测这类工业与金融场景的刚需。

这三款模型指向同一个趋势：开放权重与多模态，正在从"能不能下载、能不能出图"升级为"能不能在企业自有设施里跑起来、能不能处理真实业务里的长视频与多模态输入"。当模型能力不再被少数闭源巨头独占，企业的私有化部署与主权AI需求，会反过来重塑整个供给格局。

三、腾讯系 AI 落地三连发：从教育公益到操作系统管家

国内大厂的 AI 落地，今天集中交出三份答卷。其一是腾讯联合研究机构推出的 WorkBuddy 教育公益版，封装教学设计、家校共育、课件制作等高频场景，内置两百余位"教育专家"能力，并面向全国教师推出积分普惠计划，每位教师连续十二个月每月可领取积分，首批将覆盖深圳福田百余所学校、近一万三千名教师。其二是腾讯 Marvis 上架银河麒麟软件商店，定位操作系统级的个人 AI 管家，用自然语言即可调节系统设置、诊断续航、一键安装软件，文档与图库按内容本地聚类并支持语义搜索，索引与查询全程在本地完成。其三是腾讯混元发布 Hy-Memory-30B-A3B，一个约三十億总参、激活约三億的混合专家模型，专门承担外部记忆框架中的"写入"路径，在智能体记忆这一细分能力上，官方称其跨评测平均领先于数款主流模型。

三件事看似分散，实则共同说明一件事：大模型公司的竞争，正在从"谁的模型分高"下沉到"谁能把能力装进具体的场景与设备"。教育、操作系统、记忆框架，分别对应着最广阔的用户群、最底层的入口、以及智能体能否持续工作的关键基础设施。模型没有忠诚度，但场景和入口有。

四、智能体开始"花钱"：自主采购从概念走向支付轨道

智能体落地今天跨过了一条意味深长的分界线。一家大型支付基础设施提供商确认，自主运行的人工智能智能体，正通过既有的支付网络，代替终端用户执行实际的零售购买——从机票选座、订阅续费，到硬件元器件采购与餐饮预订，智能体被授权自主比价、调用优惠、完成绑定交易。换言之，"代理式商务"不再停留在概念演示，而是开始跑在真实的支付通道上。

但有意思的是，这家公司拒绝披露具体的交易规模。背后的顾虑很现实：当一笔失误的购买由智能体而非人类做出，传统银行与卡组织尚未建立起清晰的责权框架，拒付与纠纷的归属仍是悬而未决的问题。这也揭示出代理式商务真正的瓶颈不在技术，而在规则——谁能先定义"智能体出错时由谁买单"，谁就掌握了下一阶段商业闭环的钥匙。当智能体从"给建议"升级到"替你付钱"，它的价值才第一次完整地闭合，但风险也随之第一次真实地落到了账面上。

五、治理从"管内容"转向"管行为"：智能体安全指引落地

随着智能体开始动手，治理的重心也在发生位移。过去一年，我国的制度供给从《生成式人工智能服务管理暂行办法》《内容标识办法》，延伸到《拟人化互动服务管理暂行办法》与《智能体规范应用与创新发展实施意见》，形成了覆盖内容生成、标识管理、拟人化互动与智能体应用的关键环节。而在最新的顶层文件中，"构建技术监测、风险预警、应急响应体系"被明确写入，分析人士将其解读为把安全能力从单点产品上升为系统性基础设施，政策主线从"内容合规"转向"行为可控"。

落到产业层面，一份面向智能体部署使用的安全实践指引，首次为智能体从评估、部署到停用划出全流程红线，把资产清点、权限最小化、高风险操作阻断、行为审计与长期记忆治理，从可选项变为必答题。有安全企业基于真实环境的实测指出，当前这类智能体主要存在三类风险：跨形态共有安全风险、技能安全风险与沙箱逃逸风险；而大模型架构内生的概率性幻觉、上下文遗忘，在智能体环境下会被进一步放大，难以单纯依靠算法升级消除。一个常被引用的教训是：曾有企业在测试环境中因智能体权限过大，导致生产数据库被误删——这类事件提醒业界，权限最小化与全程审计，不是合规的附加题，而是智能体上岗的前提条件。

截至今年八月底，全国累计有一千一百余款生成式 AI 服务完成备案、七百余款应用或功能完成登记；一场针对 AI 应用乱象的专项行动，第一阶段已处置违规产品一万余款。一个共识正在形成：安全不是性能从九十五分到九十八分的优化，而是零到一的底线问题。

六、AI for Science 的过山车：准黎曼猜想与人机协作的边界

AI 与基础数学的碰撞，本月上演了一轮极具戏剧性的过山车。十月初，OpenAI 在代码托管平台一次性公开了七百余份由内部前沿模型生成的数学研究手稿，归并为三百余个"成果家族"，横跨数论、代数几何、微分方程等十余个领域，其中约四成附带了机器可校验的形式化证明。最受瞩目的，是其中一项被部分媒体称为"准黎曼猜想"的结果——在特定条件下证明了相关 L 函数在一个临界区域无零点，距离完整的黎曼猜想仅一步之遥。消息一出，多位顶尖数学家的评价是"近两百年数论领域最重大的进展之一"。

但热度很快被冷静与争议取代。手稿公开后不久，OpenAI 承认首批内容存在瑕疵并大规模修订，撤回数篇、修订十余篇，撤回原因竟是论文中的一处符号错误连带失效了依赖它的构造；随后，数学界也传出对"AI 批量生成、人类来不及审阅"模式的担忧与抵制声音。

真正的转折发生在人类一侧。借助 AI 划出的"零点自由区"这一全新底座，人类数学家迅速行动，把相关工具平移到更广阔的数学对象上，社区通过协作与机器验证，把安全边界从极小的常数一路推到更大的区间，并据此无条件证明了一道悬置近二十年的经典难题。耐人寻味的是，完成这一绝杀的论文末尾，作者特意声明：这项工作中没有使用任何人工智能工具。这句话像是一记响亮的回响——AI 提供了雷达，但抢下领地的，依然是人类的判断与勇气。这件事最深远的意义，或许不是"AI 会不会取代数学家"，而是人机协作的边界被清晰地标定：AI 负责大规模探索与生成候选，人类负责选择问题、判断价值、严格审查。

七、算力消耗范式迁移：智能体改写需求结构，定制化芯片首超通用

智能体爆发的另一面，是算力消耗结构的系统性改写。据行业预测，全球活跃智能体数量将从今年的近八千万个，增长到四年后超过二十二亿个，四年复合增长率接近百分之一百三十；与之对应的是词元消耗量的复合增速高达数千个百分点——单位算力在推理侧的调用频次，将出现数量级的跃升。总量之外，结构变化更为关键：需求正从"抢 GPU"走向"配系统"，推理场景需要的不再只是一颗高端训练芯片，而是加速器、CPU、高带宽存储、专用芯片、网络与电源的协同。

这一迁移直接反映在供给结构上。有机构预计，定制化芯片在 AI 加速器单元出货中的占比，将在明年首次超过通用 GPU，并在后年进一步小幅提升。与此同时，头部科技企业与芯片厂商围绕定制算力的融资与采购仍在加速——据媒体报道，某航天企业正寻求募集数百亿美元用于采购 AI 芯片，某芯片厂商为其联合开发的定制 AI 芯片项目安排了规模可观的融资安排，相关资金主要用于算力基础设施投入。需要说明的是，上述融资与采购信息均引自公开报道，尚未获官方证实。一个判断正在清晰化：当算力需求从训练转向推理、从单芯片转向系统，竞争的主战场，也随之从"谁家显卡多"挪到了"谁能把系统效率做得更高"。

八、透明性与责任：当模型"可解释"遇上"要担责"

今天的收尾，落在两个相互呼应的命题上。其一是透明性。一篇长达两万余字的深度文章提出，神经网络的可解释性，远比此前业界普遍认为的要高，这意味着前沿模型其实比想象中更容易被监控与控制——这一观点恰好处在"智能体频频失控"担忧的反面，为"如何安全地让自主系统运行"提供了新的技术乐观主义。其二是责任。有海外司法判例近期裁定，搜索类平台须对其 AI 生成的概述内容承担直接责任，将其视为平台自有发布内容，而非第三方信息的简单聚合。这意味着，当 AI 产出错误信息并造成损害，提供方将更难置身事外。

透明性给了技术可控的希望，责任则把可控性变成了法律义务。两股力量相向而行，正在把 AI 从"能力竞赛"真正推入"信任竞赛"——而信任，恰恰是这个行业下一阶段最稀缺、也最值钱的东西。

结语：把今天的线索连起来看，会看到一条清晰的折线——模型价格腰斩（更便宜）、智能体开始花钱（更能干）、治理转向管行为（更可控）、人机在科学上重新划界（更清醒）、算力需求结构迁移（更系统）、透明与责任同步加压（更可信）。它们共同说明，AI 已经走过了"能力有没有"与"能力谁更强"两个阶段，正在进入一个更难、也更有价值的阶段：把便宜的能力、能干的动作、可控的边界、可信的责任，缝合成真正可用的体系。接下来的赢家，不会是最会发模型的那家，而是最先把"便宜、能干、可控、可信"四件事同时做好的那家。

说明：本文为公开报道的整理与行业观察，所有数据与观点均引自公开渠道，不构成任何投资建议，也不代表对相关企业或机构的评价。