OpenAI、Grok、Meta三大模型性价比对比

一晚之内，美国几大AI公司几乎是扎堆式地发布了新款大模型。Grok-4.5、Muse Spark 1.1，还有OpenAI一口气端出的三个版本——Sol、Terra、Luna。听上去眼花缭乱对不对？

但仔细看下来，这些模型身上倒有一个显著的共同点：能力上去了，价格下来了，而且各家都在拼命强调性价比。

扎克伯格在X上宣布Muse Spark 1.1时，第一句话就点明，这是一款功能强大的推理和编码模型，价格非常实惠。马斯克的Grok-4.5，也将“性价比”作为这次更新最重要的卖点。Grok官方账号在官宣时描述得很直白：提供前沿智能，同时具备领先的速度和成本效率。

OpenAI就更直接了，直接把GPT-5.6拆成三个版本——Sol（旗舰版）、Terra（均衡版）和Luna（平价版），让用户按需取用。想要极致性能的，可以用贵的；在意价格的，就选便宜的。完全是按着用户钱&包的节奏来的。

那么，在这一轮新模型的混战中，谁真正成了“性价比之王”？谁又会在接下来的版本竞赛中成为新贵？

1. 谁是性价比之王

大家都在争这个标签，那咱们就从价格和能力两个维度来比比看。

先说能力。各家测试披露的维度各不相同，尽量找同一口径来对比。三家模型最大的交集是编码能力，这也是目前AI大厂重点竞争的领域。在编码这个项目上，各家披露的主要是两个维度：一个是Terminal-Bench 2.1（评测AI使用电脑的能力），另一个是SWE-Bench Pro（评测模型在真实项目中修复代码的能力）。

从这个口径来看，GPT-5.6 Sol排名第一，Terra第二，Grok-4.5第三，Luna和Grok非常接近，Muse Spark 1.1则排在最后。不过需要留意的是，Grok-4.5在SWE-Bench Pro上的得分是64.7，是三款模型中表现最好的。

当然，各家也都披露了DeepSWE（评测AI能不能完成更长期、更开放的工程任务）的得分。但测评版本不太一样：GPT-5.6和Muse Spark 1.1测的是DeepSWE 1.1，而Grok-4.5公布的是DeepSWE 1.0，二者指标本身就有区别。以GPT-5.5为例，测评标准从1.0换成1.1后，得分是会有所提高的。

如果把DeepSWE纳入考虑，GPT-5.6的三个版本仍然整体压过Grok-4.5和Muse Spark 1.1，不过Muse Spark 1.1被甩开的差距就会更加明显。

话说回来，Muse Spark 1.1也有自己独特的优势。比如在包括MedScribe、TaxEval和Harvey's Legal Agent Bench在内的专业能力评估上，Muse Spark 1.1直接就登顶了行业SOTA。MedScribe测试的是模型能否根据医患对话生成合格的医疗记录，TaxEval评测模型回答复杂税务问题的能力，而Harvey's Legal Agent Bench则是考察大模型或智能体能否完成真实的法律工作。在医疗、税务和法律这些垂直领域，Muse Spark 1.1的底子确实很扎实。

不过，光看能力还不够，性价比的另一个关键变量是价格。

目前，Muse Spark 1.1的价格最便宜：按一百万token计算，输入价是1.25美元，输出价是4.25美元，综合价格是5.5美元。性能最好的GPT-5.6 Sol显然最贵，一百万token输入价5美元，输出价30美元，综合价格高达35美元。

Grok 4.5处于中间位置：输入2美元/百万token，输出6美元/百万token，综合价格8美元/百万token，只比GPT-5.6 Luna版本贵一点点。但需要注意的是，Grok官方表示，Grok 4.5单个任务消耗的token仅为同级领先模型的一半。

综合来看，如果要说性价比最高，GPT-5.6 Luna应该是最有竞争力的选择：价格接近低价档，但编码、终端任务、长上下文的能力明显更强，1.05M的上下文窗口也是很大优势。其次就是Meta的Muse Spark 1.1，价格最低，在法律、税务、医疗、工具调用、电脑操作、多模态图表上的表现都很抢眼，在Agent和专用工具任务上的性价比最高。

至于Grok-4.5，如果单纯按“每百万token单价”来算，它不算最便宜；但如果按“完成一个代码或工程任务所需的总token数、步骤数和速度”来算，它很可能成为编码场景下性价比最高的模型。

而GPT-5.6 Sol和GPT-5.6 Terra，从定位上看，它们更像是纯性能玩家的选择，价格几乎不构成决策因素。

2. 越过山丘才发现中国模型在等候？

无论如何，“性价比”已经成了模型竞争中最核心的衡量标准。OpenAI的CEO Sam Altman在GPT-4.5发布后也专门提到，已经听到了企业对成本的担忧。但这句话的背景其实很有意思：在过去几个月里，大量美国公司正在抛弃OpenAI和Anthropic，转而使用DeepSeek、智谱、千问等更具性价比的中国模型。

OpenRouter（一个让开发者能够访问多种AI模型的平台）的数据显示：2025年上半年，中国模型在该平台上消耗的token占比只有4.5%；过去12个月的平均占比也只有11%。但从今年2月份以来，中国AI模型的token消耗占比每周都保持在30%以上，最高时达到了46%。

美国公司集体拥抱中国模型，关键原因就是性价比。在能力上，中国AI模型和OpenAI、Anthropic相比或许还有一些差距，但关键是价格只有Anthropic或OpenAI同类模型的10%到40%。美国一家AI公司的创始人直接在X上分享说，他6月初就把公司100%的流量从Anthropic切换到了DeepSeek V4；这个决策直接为公司节省了数百万美元，而且在许多使用场景下，实际性能反而是提升的。

在这次几家头部模型陆续发布后，美国专业的模型评测机构Artificial Analysis也做了一组测评，把中美主流模型都纳入进来，评测它们完成跨行业真实任务的能力，以及每项任务对应的平均成本。在这个框架下，能力越强、价格越低的模型越有优势，对应的区间是左上角的第二象限。有意思的是，在这个象限中，除了Grok-4.5，其他基本上都是中国模型——比如DeepSeek V4 Pro、小米的MiMo-V2.5 pro、MiniMax-M3。（GPT-5.6系列和Muse Spark 1.1暂时还未被纳入。）

在这一轮美国头部厂商集中发布新模型之前，中国AI模型正是靠着性价比优势，逐渐叩开了美国市场的大门。这次美国模型的密集发布，某种程度上更像是头部厂商重新稳住阵脚、抢回话语权的动作。

但市场竞争从来不是线性的，也不是一次模型发布就能决定最终胜负的。中国模型已经证明了这一点：性价比不是一个只在本土市场成立的优势，它同样可以转化为全球开发者的真实选择和市场份额。

所以接下来，模型厂商比拼的不会只是榜单上高出几个百分点，也不会只是每百万Token便宜几美元。谁能用更低的总成本、更稳定地完成更多真实任务，谁才能真正胜出。模型调用的价格、任务所需的Token数、执行速度、成功率以及工具和生态能力，都将被放在同一张账单上计算。

这意味着，大模型的竞争正在进入一个更加残酷、也更为务实的阶段：性能领先不再等同于商业领先，价格便宜也不会成为永久壁垒。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：OpenAI、Grok、Meta三大模型性价比对比要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题