LLM API价格周报：中美模型价差5.2倍，AI融资超150笔

AI基础设施数据平台TANDIU发布了首期周度数据笔记，覆盖10月13日至19日这一周。这份笔记的价值不在于新闻本身，而在于它展示了一种"为AI而建"的数据发布方式——每一条数据都有JSON接口、有来源链接、有验证日期，还能通过一个无需API密钥的MCP服务器直接调用。

对于需要做模型选型、成本核算或融资追踪的开发者和分析师来说，这种结构化程度值得关注。

LLM API价格：平静的一周

这一周没有任何厂商调整官方标价。TANDIU的token市场页面追踪了来自美国、中国及其他地区厂商的69个模型。价格变动唯一的来源是汇率——人民币计价的中国模型会因为美元兑人民币汇率波动而在美元数字上产生微小变化（10月15日USD/CNY为6.6992，10月19日为6.6898）。

中美模型价差约5.2倍

按每百万token的混合均价计算：美国模型为¥56.48，中国模型为¥10.79，两者相差约5.2倍。这个数字提供了一个粗略的成本坐标系，但具体到单个模型对，差异可能大得多。

价格光谱的两端

从最便宜到最贵的跨度相当惊人：

• 腾讯混元A13B是最便宜的选项，输入¥0.50、输出¥2.00每百万token
• DeepSeek^广告 V4.1 Flash 定价为输入$0.30、输出$1.20
• Google Gemini 4 Argon 是输入$2.00、输出$10.00
• Anthropic Claude Opus 5.5 为输入$4.00、输出$20.00
• OpenAI GPT-5.5 Pro / GPT-5.4 Pro 站在最顶端，输入$30.00、输出$180.00

DeepSeek V4.1 Flash这个周末在X上获得了大量讨论。按标价计算，其输入token成本约为Claude Opus 5.5的1/13，输出token约为1/17。这种量级的价差足以让不少团队重新审视自己的模型路由策略——把简单任务交给廉价模型、复杂推理留给高端模型，已经成为一种务实的选择。

AI融资：一周超过150笔记录

TANDIU的融资追踪器按融资轮次记录，金额、估值和投资方仅按来源报道的原样呈现，并附上原文链接。10月13日至19日这一周，记录超过150笔。几个值得注意的案例：

• Ramp：18.5亿美元G轮，估值600亿美元（据路透社等）
• ICON：2亿美元D轮
• 算苗科技（AI芯片）：一年内Pre-A2轮和A轮合计近20亿元人民币（据财新）

数据的一个细节值得称道：像"近20亿元"这样的约数在数据库里保持约数状态，不会被四舍五入成精确数字。对于做融资分析的人来说，这种克制比虚假的精确更有价值。

为Agent设计的数据接口

TANDIU的核心主张是：AI agent不应该去抓取为人构建的网页。它提供了几个直接可用的入口：

• https://www.tandiu.cn/data/latest.json：当日LLM API价格，每行附带来源URL和验证日期
• https://www.tandiu.cn/data/ai_funding.json：融资轮次及来源链接
• https://www.tandiu.cn/data/gpu_prices.json：GPU价格与云租赁费率
• https://www.tandiu.cn/llms.txt：面向爬虫和LLM的索引
• https://www.tandiu.cn/mcp：远程MCP服务器，无需认证、无需API密钥

命令行快速验证的方式很直接：

curl -s https://www.tandiu.cn/data/latest.json | jq '.summary'

本周的一个更新是，TANDIU的MCP服务器已被收录进 awesome-remote-mcp-servers 列表。无密钥的MCP服务器在当下仍属少数派——大多数MCP实现要么需要本地部署，要么需要配置认证。这种设计降低了agent接入的门槛，但也意味着数据提供方需要承担公开访问带来的负载压力。

MCP（Model Context Protocol） 是由 Anthropic 提出并开源的协议，旨在为 AI 模型与外部工具、数据源之间提供标准化的通信方式。它定义了模型如何发现工具、调用工具以及获取上下文数据。传统上，AI 应用要接入外部数据，往往需要为每个数据源单独编写适配代码；MCP 则通过统一的客户端-服务器架构，让模型可以动态发现并使用工具，极大降低了集成成本。远程 MCP 服务器允许客户端通过 HTTP 等方式连接，无需本地部署，而免认证的设计则进一步简化了接入流程，适用于公开数据场景。

llms.txt 是一种针对大型语言模型优化的网站索引文件格式，类似于面向搜索引擎的 sitemap.xml，但专为 LLM 抓取和解析设计。它通常位于网站根目录，以纯文本列出网站的关键页面、数据接口和资源链接，并附有简短说明，帮助模型快速理解站点结构。对于数据平台而言，提供 llms.txt 可以引导 AI 代理高效获取所需内容，避免爬取无关页面，同时减少服务器负载。这一做法正逐渐成为 AI 友好型网站的标准配置。

数据方法论的透明化

本周笔记刻意没有包含GPU租赁价格。TANDIU解释说，站点正在将周度变化数据切换到基于中位数的方法，等满一周的数据到位后再发布。这种"宁可缺席也不凑数"的做法，在数据产品里并不多见。

另一个值得留意的点是汇率处理：中国模型的美元价格仅随汇率浮动，而非厂商调价。把这两类变动区分开来，才能避免把汇率噪声误读为定价策略变化。

对于依赖LLM API做成本规划的团队，这类周度数据的真正用处不在于看单周涨跌，而在于建立一个可追溯的价格基线。当某个厂商突然调价时，你有历史数据可以对比；当汇率波动时，你知道哪些"变化"其实不是变化。

中位数统计方法 是指将一组数据按大小排序后取中间值作为代表，与平均值相比，它对极端值（异常高或异常低的价格）不敏感，更能反映典型水平。在 GPU 租赁价格这类波动较大的数据中，少数极高或极低的报价可能拉偏平均值，而中位数能提供更稳健的周度变化趋势。TANDIU 将周度变化数据切换至中位数方法，意味着其价格指数将更贴近市场主流成交水平，减少异常报价的干扰。不过，中位数方法需要足够的数据量才能稳定，因此等到满一周数据到位再发布是合理的做法。

汇率噪声与定价策略的区分 在跨国模型成本比较中至关重要。由于中国模型以人民币计价，折算成美元时会随 USD/CNY 汇率波动，这种波动并非厂商调整价格，而是换算结果的变化。若将汇率波动误读为定价变化，可能导致错误的成本趋势判断。TANDIU 明确区分两类变动：厂商调价是主动行为，汇率浮动是被动结果。对于成本规划者，应关注以本币计价的官方标价，并在跨币种比较时使用同一时点的汇率，或直接跟踪本币价格，以避免汇率噪声干扰决策。