Opus 5.5泄露定价更低！Qwen4、Kimi K3.1等国产大模型集中来袭

AI大模型的更新节奏进入了新一轮密集期。据B站科技UP主的最新汇总，Anthropic的Opus 5.5正处于密集测试中，最快本周二亮相；话说回来，来自中国的StepFun、MiniMax、阿里巴巴、Moonshot AI等实验室也在同一时间窗口筹备各自的旗舰模型。这波集中发布不仅意味着性能竞赛升级，更透露出一个明确的行业信号——降本增效正成为新一代模型的核心叙事。

Opus 5.5：性能对标GPT-6 Astra，定价却更低

根据泄露信息，Anthropic已放弃此前的Opus 5.5.2 EAP版本，转而密集测试全新的Opus 5.5检查点，代号「Cloud Wafer EAP」。这一版本以星标符号出现在内部代办清单中，传闻发布时间定于周二。

最令人关注的是定价策略。泄露的价格显示，Opus 5.5每百万输入token约4美元、输出20美元、缓存读取0.2美元。如果这一价格属实，且性能真能匹敌传闻中的GPT-6 Astra级别，那么Opus 5.5的性价比将极具杀伤力。这也印证了Anthropic当前的战略重心——不再一味追求上下文窗口扩容，而是聚焦提效降本。据爆料，最新检查点的上下文窗口反而略有缩减，降幅虽不大，却是一个耐人寻味的方向调整。

在能力演示上，爆料显示Opus 5.5能在3D环境中较为精准地变换和展示物体，比如生成宝马M5的3D模型（尽管车轮等细节仍有瑕疵），还能用SVG生成完整的多场景模拟。相比5.5.2版本，这个新检查点整体表现更强。不过需要注意，以上均为泄露与传闻信息，官方尚未正式确认，读者应保持审慎。

Token定价是当前大模型API计费的通行标准。Token是模型处理文本的基本单位，英文约每4个字符折合1个token，中文通常每字对应1-2个token。"输入token"指发送给模型的提示词与上下文，"输出token"指模型生成的回复，两者通常分开计价且输出价格更高，原因在于输出需要逐token自回归生成，算力消耗更大。"缓存读取"（cache read）则是近年兴起的优化机制：对于重复出现的长提示词前缀（如系统提示或长文档），提供商将其KV缓存保留一段时间，后续请求命中缓存时仅按极低的缓存读取价格计费，从而大幅降低多轮对话或批量处理的成本。Opus 5.5泄露的0.2美元/百万token缓存读取价格，约为输入价格的1/20，对高频调用的企业用户而言降本效果显著。

StepFun Step5 Preview：6000亿参数MoE，成本降65%

国产阵营中，StepFun率先推出了下一代旗舰Step5预览版，主打智能体、软件开发与专业知识领域，并特别强调其在金融场景的能力。

从架构看，Step5 Preview是一款6000亿参数的MoE（混合专家）模型，但激活参数仅270亿，兼顾了规模与推理效率。它支持视觉数据处理，并配备了百万级token的上下文窗口。StepFun官方图表称其对标GLM-5.3与Qwen（QNK3）同级模型，而每项任务成本约降低65%。

真正值得期待的是开源计划。StepFun表示将在10月15日发布开源权重。不过6000亿参数的体量也带来现实门槛——即便经过量化，本地运行几乎不可能，普通用户仍需依赖强大硬件或云端。开源之后，社区能挖掘出多少潜力，将是后续观察的重点。

MoE（Mixture of Experts，混合专家）是一种稀疏激活的神经网络架构。与传统"稠密"模型在每次推理时激活全部参数不同，MoE将模型拆分为多个"专家"子网络，每次推理只由门控路由器（gating router）选择其中少数几个专家参与计算。这意味着一个拥有6000亿总参数的MoE模型，实际每次前向传播只需调用270亿参数的计算量，推理成本与一个270亿参数的稠密模型相当，却能在训练阶段积累远超后者的知识容量。这一设计的代价是更复杂的训练稳定性挑战和更高的显存占用——所有专家的权重必须同时加载到内存中。正是这个原因，6000亿参数的Step5 Preview即便提供开源权重，普通消费级GPU也无法运行：仅权重本身以FP16存储就需约1.2TB显存，量化后仍需数百GB，远超单卡乃至多卡消费级配置上限。

MiniMax M3.1与M3 Pro：从规模转向可靠性

MiniMax M3.1的发布也已临近。据B站UP主观察，MiniMax代码仓库中一次秘密提交的测试文件里出现了M3.1的踪迹，虽未确认具体日期，但明确暗示新一代模型正在收尾。结合业内消息，这款模型可能在本月底或下月初推出。

在此前的业绩会上，MiniMax CEO曾提到M3.1、M3 Pro和H3.1等多款模型已接近完成。值得玩味的是，M3.1的设计思路并非单纯扩大规模，而是聚焦让实际任务处理更可靠——官方强调优化了稳定性、推理质量、效率以及智能体泛化能力。相比之下，M3 Pro则走的是规模路线，据称拥有近3万亿参数，配合重大架构升级，提升了预训练规模、训练效率和超长跨度任务表现。这种「稳定版+旗舰版」的双线布局，反映出厂商在实用性与性能上下限之间的权衡。

阿里Qwen4与图像模型：云栖大会集中亮相

阿里巴巴正准备Qwen4（QN4）系列，最早可能在即将召开的云栖大会（Aspara/Apsara大会）上亮相。这符合历史惯例——通义2.0、Qwen2.5、Qwen3等重磅版本此前都借助该活动首发。

本届大会专设主题「Qwen迈向智能体时代的演进」，阿里承诺展示在编程与办公任务上大幅提升的旗舰大模型，以及全能型模型和实时多语言翻译模型。除此之外，还将带来世界模型Happy Oyster 2的预览，以及ASR、TTS、实时音频等多款模型。

其中最引人注目的是新发布的图像模型Qwen Image 2.1——一款仅70亿参数的开源权重模型，同时支持生成与编辑。尽管体量极轻，测试用户评价称其基本与主流模型持平，Midjourney方面也表示它能与更复杂的模型竞争。该模型支持最多10张参考图、高精度编辑，甚至原生支持RGBA透明度，可直接生成透明背景图像。这种规模下的能力密度，使其成为个人也能自行运行的强大工具。

RGBA透明度支持在图像生成模型中属于相对罕见的原生能力。传统图像生成模型输出的是RGB三通道图像，背景去除需要依赖独立的抠图模型（如Rembg、SAM等）二次处理，往往在边缘细节上产生误差。原生RGBA输出意味着模型在生成阶段即同步预测每个像素的透明度（Alpha通道），可直接输出带透明背景的PNG图像，省去后处理步骤，对电商素材、UI设计、游戏资产等需要叠层合成的工作流尤为实用。Qwen Image 2.1以仅70亿参数实现这一能力，并支持最多10张参考图的条件生成，体现出当前小模型在垂直能力上的快速追赶态势——通过针对性的训练数据和任务设计，参数量不再是决定特定场景能力上限的唯一变量。

Kimi K3.1：一串数字暗藏玄机

最后，Moonshot AI的Kimi K3.1也已临近。Kimi官方账号意外发布了一长串未加解释的数字，社区很快发现：去掉「3.1」后，这些数字与圆周率完全吻合——这被普遍解读为对Kimi K3.1的隐晦预告。官方目前尚未正式确认，但从营销动作看，发布已进入倒计时。

结语：降本与开源，成为新一轮竞赛主线

这一波集中发布勾勒出清晰的行业趋势。一方面，Anthropic的Opus 5.5以「更强性能+更低定价」示范了闭源厂商的降本方向；另一方面，StepFun、MiniMax、阿里、Moonshot等中国实验室则密集推进开源权重与MoE架构，在参数效率、任务可靠性和成本控制上持续发力。

从6000亿参数的Step5到仅70亿参数却能打的Qwen Image 2.1，模型竞争已不再是简单的参数堆砌，而是转向「同等能力下谁更便宜、谁更实用、谁更开放」。需要提醒的是，本文多数信息来自泄露与社区推测，具体发布时间和规格仍以各家官方公告为准。