同月发布、同形架构、输出价差 150%：Kimi K3 与 Qwen3.8 的价差，用托管成本解释不通

研究问题：两个规模高度接近的两万亿参数级开放权重模型，输出 token 价格相差一倍半，是哪个机制造成的？此前并列的两个候选（许可证门槛差异、量化与推理框架支持度）哪一个成立？ 完成日期：2026-08-29 边界声明：本文止于产业基本面，不输出估值/买卖/方向/仓位/目标价。价格只作"叙事-现实 gap"的输入证据（evidence ✓ / conclusion ✗）。 证据等级：A=公司一手（可写实）→ E=不可计分仅记录，怎么读证据分级。

---

行话看不懂？点开名词小注

名词小注（看不懂时回查这里）：token（模型处理文本的最小计费单位，约相当于半个汉字或四分之三个英文单词）/ 输入 token（喂给模型的提示词，处理时算力密集）/ 输出 token（模型生成的内容，逐个吐出，受显存带宽限制）/ MoE（混合专家架构，每处理一个 token 只唤醒一小部分参数）/ 激活参数（每个 token 实际用到的参数量，决定单 token 算力与带宽成本；区别于决定显存容量的总参数）/ BF16（每个参数占 2 字节的常规精度）/ FP8（每参数 1 字节）/ MXFP4（每参数约 0.53 字节的四比特格式）/ 量化（把模型权重压到更低精度以省显存和带宽，可能损失质量）/ 量化感知训练（训练时就按目标低精度做，质量损失远小于事后压缩）/ KV cache（推理时缓存的历史键值，随对话变长而增长）/ 线性注意力（用固定大小的状态替代随长度增长的缓存）/ MLA 与 GQA（两种压缩键值缓存的注意力做法）/ day-0 支持（模型发布当天推理软件就能跑）/ T+19（模型权重发布后第 19 天，本库用于控制"新模型爬坡期"的时点口径）/ 列表价（模型方自家平台的官方公开价目）。

一、一句话结论

在两家模型方各自的官方平台上，Kimi K3 的输出价就已经是 Qwen3.8 的 2.5 倍——价差在托管商的成本层解释不通：此前并列的两个候选机制（许可证门槛、量化与框架支持度）都不成立，其中第二个的方向还与观测相反。 ⚠️ 但「所以它出自模型方的定价决定」目前只是当前证据下最站得住的解释、不是已证事实——还有一条成本候选（专家路由通信）本轮没能量化排除，而定价决定这条本身没有任何直接证据支撑。见第五节第 3 条与第八节。

把口径摆平之后，事实是三档单调放大的阶梯：缓存命中的输入贵 20%、普通输入贵 50%、输出贵 150%。而两个候选机制作用的都是第三方托管商的成本或合规负担——模型方不向自己收许可费，也不受"托管商是否支持某种量化格式"的约束，所以它们在自家平台这一侧根本没有作用面。更麻烦的是，逐项去量之后，K3 在每一条可测的服务成本维度上都不比 Qwen3.8 贵。

二、关键物理 bound（决定性论据）

判据是解码一个输出 token 需要从显存读多少字节权重——这是输出价格的成本下界，MoE 模型只需读被激活的那部分。

结论：plausible（方向明确，量级为下界估计）。 在各自的原生格式下，K3 每吐一个 token 要读的权重只有 Qwen3.8 的 0.29 倍；即便压到 FP8，K3 仍只有它的 0.58 倍（⚠️ FP8 那一档是假想路径——未见阿里发布 FP8 权重的一手证据，推理引擎声明支持某精度不等于模型方发布了该精度的权重）。只有当托管商把 Qwen3.8 也压到四比特（而这套权重由第三方 Inferact 提供，不是阿里自产），两者才回到接近 1.1 倍的激活参数比。若输出价由解码成本决定，K3 的输出价应当更低，而不是高出 1.5 倍。

⚠️ 一段被撤回的交叉核对（记在这里，因为它比结论更值得记住）：本文初稿在此写有一段自我检验——「4.8 TB ÷ 每节点约 2.3 TB ⇒ 需两节点，与 vLLM 官方门槛逐条吻合」。那段算术是错的：2 × 2.3 TB = 4.6 TB < 4.8 TB，BF16 权重根本装不进两节点，正确推导是三节点起；而且它用的每卡容量常数在本库只有较弱的来源等级，比被它"验证"的对象还弱。更要命的是存在一个严丝合缝的替代读法：官方原文的主句只与四比特版对举、没说另一档是 BF16，若指 FP8（约 2.4 TB，略超单节点）则"至少两节点"恰好成立。故本文只主张方向——同一模型的部署地板随权重精度在单节点与多节点之间切换，而激活参数全程不变，所以决定地板的是总参乘每参字节，不是激活参数。这条不需要任何节点数就成立。

三条限制必须写明：其一，高批量服务时权重读取会被整批请求摊薄，上表给的是低批量下的比值下界，不是总成本比；其二，未计入 MoE 的专家路由通信（K3 有 896 个专家、每 token 唤醒 16 个，Qwen3.8 是 512 选 11），而研究机构口径恰恰认为绑定约束就在这里；其三，两者键值缓存的逐字节比较本轮做不了——K3 的注意力压缩维度官方未披露。所以这段证明的是"原生权重格式构不成 K3 更贵的理由"，不是"K3 的解码总成本一定更低"。

三、分段详解：四刀砍下去，两个候选机制各断在哪里

第一刀：价差在两家自家平台上就已经存在

这是判别的关键一刀，因为两个候选机制都作用于第三方。

Moonshot 的 Kimi 开放平台官方价目页给出 K3 为输入每百万 token 3.00 美元、输出 15.00 美元，缓存命中的输入 0.30 美元；其人民币页同一模型为 20 元 / 100 元，缓存命中 2 元。阿里云百炼（Model Studio）的官方模型页给出 Qwen3.8-2.4T-A95B 新加坡区为输入 2.00 美元、输出 6.00 美元，缓存输入 0.25 美元；北京区更低，12 元 / 36 元。两家都不按上下文长度分档，都是百万 token 上下文。

两份价目各自内部自洽（K3 的输入输出比在两个币种下都是 1:5，Qwen3.8 在两个区都是 1:3）。本库此前自取的端点读数与之一致，但那不构成独立印证——两次读数里模型方自家端点都在其中，那就是同一张价目表经第三方渠道的转述；其余端点的一致则是锚定行为（见第四节）。于是：

这个阶梯形状本身就在排除许可证机制：许可费或合规成本是每 token 无差别的固定加价，它会等比抬高三档，抬不出一条随解码密集度单调放大的斜坡。

第二刀：两份许可证的义务种类相同，豁免路径反而对 K3 更宽

本库此前记录过两者的门槛额度差异（K3 为 2000 万美元、Qwen3.8 为 5000 万美元，后者宽 2.5 倍），但没记"超过门槛之后要做什么"。回原文补上这一层，结论翻转：

• Kimi K3 License 原文要求越线的被许可方"必须在商业使用前与 Moonshot AI 另订协议"（must enter into a separate agreement）；
• Qwen3.8-Max License 原文要求"须在商业使用前从 Qwen 另取一份许可"（shall obtain a separate license）。

义务种类是同一种——都不是署名了事，都得回去谈。真正不对称的是豁免：K3 额外豁免"经 Moonshot 官方产品或认证推理伙伴访问"的使用，等于给第三方托管商留了一条合规通道；Qwen3.8 只豁免"不向任何第三方提供"的内部使用，即对外提供托管服务的公司一旦越过 5000 万美元门槛，原文里找不到免除路径。

也就是说，如果许可证真在影响托管，它的方向应该是让 Qwen3.8 更难被第三方承接，而不是 K3。

第三刀：推理软件支持是对称的，权重占地还是 Qwen3.8 大得多

这一半可以直接查证。Kimi K3 在 2026-07-27 同日拿到 vLLM 与 SGLang 两个主流推理引擎的 day-0 支持，SGLang 一侧由 Moonshot 与 NVIDIA 团队协作完成；Qwen3.8 在 2026-08-12 拿到 vLLM 的 day-0 支持，官方说法是"复用 Qwen 3.5 架构，无需架构改动"。两个模型、两个引擎，四格全绿。

硬件门槛一侧，vLLM 官方文档逐字写的是 Qwen3.8「至少两个 B300 / MI355X 节点，四比特量化版单节点」（该门槛对应哪一档精度原文未定，见第二节的撤回说明）；K3 的原生 MXFP4 在 16 张 GB300 上就能服务。⚠️ 这两个数字不可以拿来比——16 张是 vLLM 的实测配置、不是 K3 的最小配置（16 张恰好也是两个节点）。可比的是权重占地：1.49 TB 对 4.8 TB。可以确定的是同一个模型的地板随权重精度跳档而激活参数不变，方向与"K3 更难服务"相反。而且 Qwen3.8 的四比特权重是第三方 Inferact 做的，不是模型方自产、也没有量化感知训练背书；K3 的 MXFP4 是模型方全程量化感知训练出来的。在"托管商拿到手的东西好不好服务"这个问题上，K3 的状况更好而不是更差。

第四刀：两个模型的架构长得几乎一样，所以差的不是"代际"

拿到 Qwen3.8 官方模型卡之后可以做同口径对照：

线性层与全注意力层的配比几乎逐层一致，上下文与激活参数量级也接近。主要差异集中在原生权重精度、全注意力层的缓存机制、专家数，以及模态。

模态这一条是本轮找到的唯一"部分成立"的解释：K3 卖的是多模态模型，Qwen3.8 这一款官方模态是纯文本，产品品类不同，价格里含一块能力差价。但它救不了整体——多模态抬高的是输入侧的处理成本，而观测到的价差恰恰在输出侧最大，方向对不上。

四、区间判断（会怎样、多少、多久）

• 同口径价差的幅度：输出 150%（国际美元口径）到 178%（境内本币口径），输入 50% 到 67%。A 级，两家官方价目页直接读出，非估算。
• 原来记录的 133% 是口径混用的产物：那个数字拿的是 K3 在第三方平台上最便宜的那个端点（14.00 美元）去比 Qwen3.8 的列表价（6.00 美元）。方向没错，幅度低估了。
• 第三方托管商的报价基本是模型方列表价的复读：K3 在发布后第 19 天的 13 个端点里有 9 个逐字等于 Moonshot 列表价，Qwen3.8 在发布后第 8 天的 7 个端点里有 5 个（含阿里自家）逐字等于阿里列表价。K3 侧那次读数为 A 级，Qwen3.8 侧那次为 B 级——本节凡涉及 Qwen3.8 端点的条目都只到 B 级。
• 只有 K3 一侧出现了低于列表价的折让：K3 那边 13 个端点里偏离列表价的有四个——三个低于（最低打了 93 折），一个高于（同一家托管商 Morph 的第二个端点，属分档报价，它另有一个常规端点在最低价）；Qwen3.8 那边偏离的两个都高于（最高加价 25%），一个低于列表价的都没有。⚠️ 本文初稿在这条上写错过：原稿说"K3 侧偏离全部向下、Qwen3.8 侧全部向上，方向相反"，漏采了那个高档端点，而 9+3=12 对不上 13 这个自检本该当场逮到。更正后剩下的是较弱的单侧事实（只有 K3 侧有折让），不是原来那个对称的强对照。并且它还受一个已知混淆污染——两次读数处在不同的生命周期阶段（第 19 天对第 8 天），Qwen3.8 那边可能只是还没到出现折让的时候。该对比的判定点见第五节第 1 条。
• 价格与量化档不相关：K3 那边最便宜的两家，一家用四比特、另一家用 BF16——而 BF16 是最费显存带宽的档；同样用四比特的第三家却停在列表价。服务成本高低解释不了托管商之间的报价差。
• 研究机构口径（C/D 级，待验证，不进结论链）：有第三方实测称在 B300 上自建服务 K3 的输入成本约为每百万 token 0.17 美元，而模型方平台的混合报价约 0.74 美元。若属实，平台价与实测服务成本相差近一个数量级。⚠️ 该折算含一个假设的 GPU 租价，属含假设的估算，本库未复现，此处仅作背景。

五、最能推翻结论的 3 个条件（监控触发器）

1. 2026-08-31 的同阶段复测出现低于阿里列表价的第三方端点。 那将说明"只有 K3 侧存在低于列表价的折让"不是结构性差异，而是爬坡期的暂时现象，第四节那条单侧观测随之作废。这是本轮留下的唯一一个零成本、当日可判的判定点——它对应本库队列里那条跨厂商对照的判定条目。
2. 任一方大幅调价，使阶梯形状变平。 若三档的差距变成等比（比如都变成 +50%），那就说明确实存在一笔按 token 均摊的固定成本，许可证机制需要重新考虑。阿里云在同系列的轻量模型上有过下调先例。
3. 取到两者专家路由通信带宽的可比实测。 本轮唯一没能排除的成本候选是 MoE 的专家路由——K3 的 896 个专家意味着更多的通信目的地。若实测显示这一项足以吃掉权重带宽上的全部优势，那么"成本解释不了价差"这个结论就要收回。

六、我不会信的叙事（及为什么）

❌ "中国开源模型便宜，是因为不要研发费"——把研发费和服务成本混为一谈。研发是与收入无关的固定支出，服务是与调用量直接挂钩的变动成本；本轮的价差发生在输出这一档，那是纯粹的服务侧，跟研发摊销没有关系。

❌ "贵的那个是因为模型更大、更难跑"——两者激活参数只差 9.7%，架构逐层配比几乎一样。而按原生权重格式算，贵的那个每吐一个 token 反而少读七成的字节，权重占地也只有对方的三分之一。

❌ "线性注意力消灭了缓存，所以省内存"——两个模型都是约 69 层线性 + 约 23 层全注意力的混合结构，全注意力层的缓存仍随对话变长而增长。本库此前已在架构层面否掉过这个说法，本轮的跨厂商对照让它再一次不成立：真正的大头是权重常驻容量（1.5 TB 到 4.8 TB 这个量级），缓存节省相对它是二阶小量。

❌ "OpenRouter 上的价格反映了托管商的成本竞争"——13 个端点里 9 个、7 个端点里 5 个逐字复读模型方列表价，且报价与量化档不相关。那张表主要在传播模型方的定价决定，不是在测量服务成本。 这条对本库自己的取数纪律也有约束：跨模型比价格时，比的其实是两家的定价策略。

传播摘要

同一个月里发布的两个中国开放权重旗舰模型，参数规模只差不到一成、架构几乎逐层对应，但生成内容的价格差了一倍半。把两家官方价目表摆在一起看，这个差距在各自的自营平台上就已经存在，因此它不可能来自"外面的托管商成本不同"——常被提起的两个解释（授权条款更严、模型格式更难跑）经原文和算术逐条检验都不成立，其中第二个的方向甚至是反的：便宜的那个模型每生成一个字要读的数据反而多出两三倍。

那价差从哪来？本文没能回答。剩下两条候选都还没有证据：一条仍是成本侧的（这类模型把任务拆给大量「专家」子模块，来回搬运的通信开销本文量不出来），另一条是两家的生意不同——一家靠卖模型调用挣钱，另一家是云厂商、模型是带动云消费的配菜。后一条听起来顺，但本文一条支撑它的证据都没有，写在这里只是为了不让它被当成已经查实的结论。

一个附带的观察对读技术榜单的人有用：模型聚合平台上列出的各家报价，大多是逐字复读模型方的官方价目，且报价高低与各家用什么精度跑模型毫无关系。那张价目表主要反映的是模型方的定价决定，不是任何人的真实服务成本。