这周大概是多模态 API 用户今年最纠结的一周。
周三，Artificial Analysis 更新智能分：GLM-5.3 和 Kimi K3 双双拿到 60 分，正面打平，离榜首 GPT-5.6 Sol 只差 1 分。知乎几乎同一时间，Kimi K3 的 API 定价在社区炸了锅——输入 20 元/百万 token，输出 100 元，缓存命中 1 元，比上一代整整翻了 5 倍。知乎高盛表示，这标志中国模型正式从价格战迈向定价权争夺，而硬币另一面，智谱单日暴跌 28%、MiniMax 跌 16%。微博
然后周五，DeepSeek 上线 V4-Flash-Vision-Exp，它家第一个多模态 API 模型。价格和 V4-Flash 完全一样：输入高峰 3 元/百万 token，低谷 1.5 元，一张图最多只算 384 个 token。知乎1000 张图的输入成本，高峰期 1.15 元，低谷不到 6 毛。36氪分数在收敛，价格在劈叉。如果你正好要用模型"看图"——截图 Agent、图片打标、单据识别、多模态问答——这周的选型题其实就三笔账。
第一笔账：图量大、图便宜，DeepSeek 的账怎么算
先看一组对比。第三方横评 TokenMix 用同一张 1024×1024 的图测了各家视觉 API 的 token 消耗：Claude Sonnet 4.6 吃 1334 个 token，1000 张图约 4 美元（折合人民币近 29 元）；GPT-5.4 Vision 765 个，1.9 美元；Gemini 3.1 Pro 258 个，0.5 美元。36氪DeepSeek 这边给了个封顶值：每张图最多 384 token。
最贵档和它差了 25 倍，挪到低谷时段差 50 倍。
这个设计意图很直白：大图进模型前会被等比缩到约 800×800 像素量级，单请求最多塞 600 张图，Files API 同步开放且不收费——同一张图传一次，之后用 file_id 引用。知乎它瞄准的就是 Screenshot Agent 这类场景：一条 Agent 轨迹几十上百张截图，每张图几千 token 的话，成本直接爆炸。
效果上，加了视觉的 V4-Flash-Vision-Exp 在 DeepSWE 上从 54.4 涨到 59.3，Terminal Bench 82.7 涨到 83.9，七项 Agent 评测六项超过纯文本的 V4-Flash-0731，官方放出的视觉 Agent 基准和 Opus-4.8 打成了 2 胜 2 负。知乎更关键的是文本能力没塌——很多 VLM 加视觉编码器后文本会掉，这个没掉。
但丑话说前面：384 token 封顶 + 800×800 缩放，意味着它不是为"高精度看图"做的。社区目前的共识是"多模态 Agent 能力第一梯队候选，通用视觉待验证"。知乎你要拿它做细粒度 OCR、识别大图里的小字细节，先自己测，别直接信。
一句话：图量大、容错高、靠截图驱动的场景，这笔账 DeepSeek 赢麻了。
第二笔账：要看图还得想得深，K3 的账怎么算
60 分的三个模型里，只有 Kimi K3 带原生视觉——它是总参数 2.8 万亿、激活 1040 亿的开放权重 MoE，视觉部分是 MoonViT-V2 编码器加轻量投影层，原生多模态，不是后挂的眼睛。知乎而 60 分的 GLM-5.3 到现在还不支持多模态，社区原话叫"硬伤"，它是基于 GLM-5.2 基座的后训练模型，纯文本。知乎所以如果你的任务是"看懂一张图，然后基于图做深度推理"，账本就只剩 K3 一个选手。但 K3 这笔账有三个地方必须先看清楚：
第一，贵，而且是明牌贵。国内平台输入 20 元/百万 token、输出 100 元/百万 token。有开发者在社区吐槽：两步的需求花了 25 块，还返工了一次。知乎高盛算出的 API 定价高达每百万 token 2.3 美元，创中国模型定价新高。微博
第二，图片计费目前是笔糊涂账。截至本文，K3 官方没有公开图片到 token 的换算规则，也没有单独的视觉计价档——它按输入价计费，但一张图到底吃多少 token，没人给出过确切数字。也就是说，在跑小样本实测之前，你根本算不清"一张图多少钱"。这对按预算立项的团队是个真实的坑。
第三，慢。K3 的生成速度大约 38 token/秒，是 GLM-5.3（85 token/秒）的一半不到，延迟也更高。知乎社区的评价很一致——k3 最强，也最慢，给个活干半天。知乎它的定位是长文档精读、深度推理，不是实时交互。
一句话：质量优先、单图深挖、能接受慢和贵的场景，K3 是 60 分档唯一能看图的选择；批量跑图，别碰。
第三笔账：等等党的账，这周恰好有三个信号
不急着上线的话，这周冒出来的三个信号值得放进观察清单：
其一，GLM 的"眼睛"可能在路上。OpenCode 预告下周推匿名模型 OxAlpha，社区已经在组团猜身份：有人做了 11 次分词器探测，OxAlpha 全部和 GLM 匹配，从错误码、Tokenizer 指纹到 CoT 指纹，都像是 GLM 5.3 的多模态变体。知乎推测归推测，但如果成真，60 分档就补齐第二双眼睛，而且是 GLM 系的价格体系——输入 0.68 美元/百万，比 K3 便宜，速度还快一倍多。知乎
其二，DeepSeek 的视觉模型还挂着 “Exp” 实验后缀。架构细节没公开，正式版什么时候来、384 token 的封顶会不会放开，都是变量。现在接入可以，但生产级依赖建议留个切换预案。
其三，K3 的 60 分本身还有一层争议。本周有论文声称破解了前沿模型的加密思维数据，Kimi K3 和 GLM-5.2 是否蒸馏过前沿模型成了社区追问的话题。知乎这事没有定论，但如果你把业务押在单一模型上，这类争议本身就是一条"别 all in"的理由。
最后，三个避坑提醒
别指望 GLM-5.3 看图。60 分归 60 分，它是纯文本，多模态需求直接排除，别等 API 报错了才发现。
别拿 V4-Flash-Vision-Exp 干精细识别。384 token 封顶 + 800×800 缩放是成本优势的来源，也是精度上限的来源，图纸、票据、小字密集的场景先实测。
接 K3 跑图之前，先用 10 张真实业务图测 token 消耗。图片计价不透明的模型，预算要按实测走，别按官网走。
分数趋同的时代，模型之间的差距正在从"谁更聪明"变成"谁看一张图更便宜、看得更清"。这三笔账算完，你的选型基本就有答案了。
