近日，国内大模型赛道的竞争重心正从“参数规模”转向“资源可获得性”。DeepSeek、阿里通义千问、月之暗面Kimi、智谱GLM系列、字节豆包等厂商在API定价、开源权重、上下文长度和工具调用能力上密集动作，开发者面对的选择题也从“哪家能力强”变成“哪家资源组合最划算”。对栏目【资源】而言，这一轮变化值得逐项拆解。
先看价格与调用成本。DeepSeek此前以极具攻击性的API定价搅动市场，其V3与R1系列通过MoE架构和推理优化把每百万tokens的输入输出成本压到较低区间，吸引了大量中小团队做批量数据处理和Agent试验。阿里通义千问则依托阿里云百炼平台提供多规格模型，从轻量的Qwen-Turbo到旗舰Qwen-Max形成梯度，企业可按任务复杂度分层调用，避免“大炮打蚊子”。字节豆包借助火山引擎的算力调度，在长文本摘要、内容审核等场景给出组合套餐。对开发者来说，真正的成本不是单价，而是“单价×重试率×上下文膨胀系数”，结构化输出不稳定导致的重复调用往往才是账单大头。
开源权重是另一条资源线。智谱GLM系列持续开放部分模型权重，配合其MaaS平台形成“开源引流+云端变现”的路径；通义千问开源了从0.5B到72B的多尺寸模型，覆盖端侧、边缘和服务器部署，Qwen2.5系列在代码与多语言任务上的表现让不少团队选择自建推理。DeepSeek开源模型则在社区形成微调生态，Hugging Face上基于其权重衍生的量化版本、领域微调版本更新频繁。需要提醒的是，开源不等于免费：私有化部署要算上GPU折旧、推理框架调优人力、安全对齐和维护成本，7B级模型单卡可跑，但要做高并发生产服务，显存与吞吐规划仍是门槛。
上下文与工具调用正在成为“隐形资源”。Kimi以长上下文见长，适合合同审阅、论文研读、多文档比对等场景，但其资源消耗随输入长度线性上升，批量任务需做好分块与缓存。智谱GLM-4系列强化了函数调用与Agent编排能力，配合其开放平台的结构化输出，可减少后端解析成本。通义千问在视觉理解与文档解析上提供多模态接口，豆包则在语音交互和实时性上做优化。选型时建议按“任务类型—上下文需求—是否需要工具链—是否可私有化”四步过滤，而不是单纯比跑分。
给开发者的实操建议：第一，建立小规模评测集，用真实业务样本对比首token延迟、输出稳定性与JSON合规率；第二，优先选择支持批量推理折扣和缓存命中计费的产品，长文档场景尤其明显；第三，对数据敏感业务评估开源权重的私有化路径，把微调与推理框架（如vLLM、SGLang）纳入成本模型；第四，保留多供应商抽象层，避免被单一API锁定。资源战的下半场，赢家往往不是模型最强的那家，而是能把单位任务成本压到最低、把工程细节做扎实的团队。
标签：大模型,API定价,开源权重,开发者选型