Kimi K2.7 Code、DeepSeek V4.1 Flash、GPT-5.6 Luna：便宜五分之一的前提，没人写在价格页上

2.5K 0

网上现在有个说法传得很广：开源编码模型已经把闭源的性价比优势吃干净了，Kimi K2.7 Code 单价只有头部闭源模型的五分之一，剩下的只是习惯问题。这个说法有个前提从来没人提——它成立的条件是你的上下文塞得进 256K，而且缓存命中率足够高。这两条有一条不满足，账就翻过来了。

今天正好是个验证这件事的日子。DeepSeek V4 Pro 从今天起停止独立服务，请求全部改道到 9 月 10 日上线的 V4.1 Flash。一批原本按 Pro 的价格和上下文规划过流水线的团队，被迫在这周重新算一遍账。顺手把 Kimi K2.7 Code 和 GPT-5.6 Luna 也拉进来比，是很自然的动作。

三张价目表，先把货币统一

这三家的定价不在一个计价体系里，直接摆数字会误导人。

Kimi K2.7 Code 按美元计，每百万 token 输入 0.95 美元、输出 4.00 美元，缓存命中输入降到 0.19 美元。模型 ID 是 kimi-k2.7-code，6 月 12 日上的 Hugging Face。

GPT-5.6 Luna 是这三个里明面上最便宜的：输入 0.20 美元、输出 1.20 美元，缓存输入 0.02 美元。官方说缓存能把重复上下文的输入成本砍掉九成。

DeepSeek V4.1 Flash 报的是人民币，而且分时段。9 月 10 日 12:00 生效的价格是：空闲时段缓存命中 0.02 元、未命中 1 元、输出 4 元；高峰时段全部翻倍。按 7.1 的汇率折算，空闲时段输出约合 0.56 美元每百万 token，高峰时段约 1.13 美元。

折完之后排序是这样的：输出侧 DeepSeek 最便宜，哪怕在高峰时段也比 GPT-5.6 Luna 略低一点点；Kimi 的输出价是 DeepSeek 空闲价的七倍多。输入侧三家咬得很紧，缓存命中之后 DeepSeek 和 Luna 都到了 0.02 这个数量级，Kimi 的 0.19 高出一个档。

分时段计价这件事在国内 API 里越来越常见，但它对跨境团队是个隐性成本。DeepSeek 的空闲时段按北京时间划，团队在欧美时区作业的话，正好整天踩在高峰价上。这条没写在价格页的显眼位置。

256K 这个数字卡住的是谁

上下文窗口这一栏差得离谱。

V4.1 Flash 支持 100 万 token 上下文、38.4 万 token 输出。GPT-5.6 Luna 是 110 万上下文、单次最多输出 12.8 万。Kimi K2.7 Code 只有 256K。

256K 在日常编码里够用。一个中等规模的仓库，加上依赖声明和几个相关模块，塞进 256K 没什么压力。真正会撞墙的是两类活：一类是整库重构，要模型同时看到几十个文件的调用关系；另一类是长会话的 Agent 任务，跑到第三四十轮时历史消息本身就把窗口占满了。

撞墙之后的处理方式决定了成本。你得做上下文裁剪或者分段摘要，这一层工程量不小，而且每做一次摘要就丢一次信息，模型改错的概率上升。把这部分人力成本折进去，五分之一的单价优势能剩下多少，得看具体项目。

V4.1 Flash 的 100 万上下文有个架构上的来路值得说明。它是 552B 的 MoE，用了一套 Causal-Encoder-Decoder 结构，输入和输出不对称：输入侧只激活 8B 参数，输出侧激活 16B。配合新的 KV Cache 设计，跟上一代比对 HBM 的需求降到四分之一、对 SSD 的需求降到八分之一。长上下文真正贵的地方在显存，不在算力，这个改动是冲着那里去的。

顺带说，这一代还加了原生的多模态视觉理解，可以直接吃图。对写前端的人来说，把设计稿丢进去这条路打通了。

各自的短板

K2.7 Code 最被认可的改进是它不再”想太多”。K2.6 那一代有明显的过度推理问题，反复自我验证、来回纠错，思考 token 烧得很凶。K2.7 把思考 token 用量压低了大约三成，输出也更果断。幻觉率从 K2.6 的 65% 降到 39%。

39% 还是很高。

它的另一个短板在成品质感。多份实测提到同一个现象：K2.7 生成的前端页面干净规整，但规整得过头，看着像模板，要人工再调一轮才有设计感。综合能力上，它也没有追平 Claude Opus 4.8 或者 GPT-5.5 这一档。

GPT-5.6 Luna 的问题是定位。它在编码索引上拿到 71.4%，截至 9 月 10 日在编码类目排到第 9。这个成绩配上 0.20 美元的输入价确实划算，但第 9 名的意思就是前面还有八个。它适合承接量大、单个任务不难的活，真碰上需要深度推理的重构，换模型是更省事的选择。

OpenAI 自己也在收缩这条产品线。上个月宣布 GPT-5.3-Codex-Spark 下周退役，从发布到下线只活了七个月。那是每秒 1200 token 的极速型号，也是 OpenAI 第一个不跑在英伟达上的模型。官方给的理由是用量往下掉。便宜档的模型迭代和退役都快，把模型 ID 写死在流水线里的团队每隔几个月就要被迫迁移一次。

V4.1 Flash 的短板不在模型本身，在部署侧。SemiAnalysis 的实测给了一组很扎眼的数字：CUDA 的 vLLM 支持 V4.1 Flash 两天之后 AMD 才发出自己的镜像，功能没问题，但每美元性能比 H200 差最多 14.8 倍，比 B200 和 B300 差最多 42 倍。想自己托管开源权重的团队，卡的选择基本被锁死了。

跑分这次帮不上忙

比较这三个模型时最容易走的捷径是看榜，而这次榜单帮不上忙。

Moonshot 公布 K2.7 Code 成绩时，用的是 Kimi Code Bench v2（比 K2.6 提升 21.8%）、Program Bench（提升 11.0%）和 MLS Bench Lite（提升 31.5%）。这三个基准都只能和自家上一代比。业界通用的 SWE-bench Verified、SWE-bench Pro 和 Terminal-Bench，官方结果里一个都没有。

官方倒是给了一个 SWE-bench Pro 的厂商自报数字，声称领先 GPT-5.4（xhigh 档）和 Claude Opus 4.6（max effort 档）。厂商自报的对比里，对手的推理档位是自己挑的，这种数字参考价值有限。

所以只能自己跑。可行的办法是从自己项目的历史里挑二十个已经解决掉的 issue，把改动前的代码快照和 issue 原始描述一起喂给三个模型，让它们各出一版 patch，然后人工逐条核对：改对了几个、改错了几个、有几个是看起来对但引入了新的回归。二十个样本不算多，但足够把三家在你这个代码库上的真实差距拉出来，比照着别人的榜单选型可靠得多。这件事一个人做大概要两天，摊到后面几个月的 API 支出上，回本很快。