安装一个Skill就烧掉七成额度：大模型计费模式或迎来转折

10月24日凌晨，月之暗面发布了K3．1 Pro——号称全球最大参数规模的开源大模型，拥有3万亿参数的它能在多项评测中逼近海外头部闭源水平。

48小时后，这家公司不得不向用户公开致歉。

致歉的原因很直接：部分K3．1 Pro的订阅会员遭遇了限流和额度异常消耗。有用户安装一个Skill（一种增强Agent能力的扩展模块），就烧掉了当月70％的使用配额；有人启动协作式智能体任务仅一分钟，就把五小时的可用窗口额度全部清空，随后触发了服务器拒绝请求的技术报错。公司承认“问题出在我们”，给出的补偿方案是月度总额25％的用量补偿或重置额度。

这不是一个简单的产品故障。这是一场由技术能力跃升引发的结构性成本危机。当AI模型的参数量和智能体性能双双突破，过去“每月花一笔钱随便用”的包月模式，正在被真实的物理定律击穿。

一份账单上的七成人头

事情始于一群购买了K3．1 Pro订阅的用户，他们发现账面上的使用速度越来越慢。

Kimi的免费额度相对宽裕，但对付费用户而言，限额就是硬约束。一位199元档位的用户分享了他的经历：他尝试安装一个用于增强Agent能力的Skill——这在AI产品中类似于给智能手机装一个APP。结果，仅这一次操作就消耗了他5小时限额的70％。

更极端的个案是一位用户在启动Agent Swarm（一组协作式智能体任务）时，仅仅用了一分钟，就把原本五小时的可用额度全部清空，随后触发了HTTP 429报错——这是服务器拒绝请求的技术信号，意味着他已经用完了当月份额。

这些个案是否代表普遍体验？尚无法给出定论。有用户反映整体感受仍是“额度焦虑”但严重程度因人而异；也有用户表示正常使用普通对话完全没有问题，只有频繁调用Agent功能才会出现异常消耗。但无论如何，这些个案集中到了一个关键问题上：为什么AI产品的价格不断下调、单Token成本持续走低，用户实际使用的综合感受却反而变贵了？

3万亿参数的代价

答案藏在架构里。

K3．1 Pro的3万亿参数规模，代表了当前开源领域的顶配。参数越多，模型的推理能力和逻辑链条就越长，处理复杂任务的准确率越高。但这种能力跃升有一个物理前提：每次推理都需要调用更多的计算资源。

普通的文字对话，用户输入一个问题，模型生成一段回答。这个过程中涉及的计算量相对有限。而Agent的任务要复杂得多——它需要自主拆解任务、多次调取工具、反复与外部系统交互、甚至与其他智能体协作。每一次中间步骤都产生新的Token消耗。

这就是问题的核心：Agent的单次任务Token消耗量，是普通对话的10到100倍。

中国信通院的行业研究报告同样显示了这个量级——智能体的单次任务消耗可达普通应用的10至100倍。其原因是Agent执行任务时会产生大量中间过程：分析网页内容、执行代码、检索数据库、与多个API对接。每一个步骤都会生成Token，模型在完成任务后还需要回传最终结果，整个过程token消耗是累加的。

以一位用户的实测为例，他在测试中使用K3．1 Pro编写一段自动化流程代码，短短几个对话轮次后，Agent自发进行了数十次工具调用和代码调试，累计消耗的Token相当于几百轮普通问答。这不是bug，而是当前架构下的必然。

换句话讲，3万亿参数的强大不是免费的午餐。它在给用户提供更聪明的同时，也在成倍放大服务器的电力开销和冷却成本。

为什么以前没这么明显？

这就要回到AI产品的商业化路径上。

前两年，几乎所有国产大模型都在打一场“低价甚至免费”的战争。百度的文心一言、阿里的通义千问、智谱的ChatGLM、月之暗面的Kimi，无一例外地通过包月订阅吸引用户。当时的定价策略是“流量优先”——先让用户用起来，再慢慢想办法赚钱。

这种策略在产品形态是“对话助手”的时候行得通。你问一句话，它答一句话，Token消耗不高，一家公司的服务器扛得住几千几万个并发用户。但如果产品形态升级到“Agent”——让它自动帮你做完整的任务而不是简单问答——单个用户的消耗会立刻指数级膨胀。

一位不愿具名的AI行业观察者指出，这正是目前困扰所有AI公司的结构性矛盾：如果坚持包月无上限模式，企业将被高昂算力成本拖垮；如果按量收费，用户又会觉得体验倒退。

OpenAI在GPT－4o推出时就采用了基础订阅加超额按量计费的模式；Google的云AI服务也采取了分层计费策略。但在国内，由于市场竞争极为激烈，很少有公司敢率先改变“无限包月”的承诺。

包月模式的终结与重构

K3．1 Pro的这次致歉事件，很可能成为国内AI产品计费模式的一个分水岭。

过去我们理解的AI订阅，是一种“Netflix模式”——每月固定费用，想用多少就用多少。但现在的情况是，AI的使用深度不再是一个统一的概念。普通用户可能每天只需要几次简短对话，而开发者可能需要让Agent执行复杂的自动化流程。这两种用户对算力的消耗不在同一个维度。

所以未来更可能的方向是“基础包月加高阶按量”的分层计费体系：包月覆盖日常对话需求，而高成本的Agent任务则按照实际消耗的Token或任务次数单独计费。这种方式在海外已形成共识，但国内市场何时跟进、如何过渡，仍是悬而未决的问题。

从商业角度看，这不仅是计费方式的调整，更是一种思维的转变——从“流量思维”转向“精细化经营”。流量思维的核心是先圈人再变现，精细化的核心是根据用户真实价值分层定价。

对于月之暗面而言，K3．1 Pro的技术实力已经证明，现在的挑战是如何把这个实力变成可持续的商业闭环。一次48小时后的致歉，或许正是这家公司从技术驱动走向商业成熟的一次成人礼。

而对于用户来说，这场变革不会来得很慢。下一个问题是：当你在购买一份AI订阅时，到底是在为“无限的想象力”付费，还是在为“有限的带宽”买单？

这个问题的答案，将决定未来一年国内AI产品市场的格局。

后续关注三个观察指标

第一，月之暗面是否会公布具体的阶梯计费方案。目前的补偿方案只是止损动作，真正的转折点在于后续的计费标准。如果公布“基础包月加超额按量”的新模式，将是行业风向标。

第二，其他国内AI公司是否跟进类似调整。如果多家头部平台同步采取分层计费策略，说明这不是个别企业的选择，而是整个行业对算力成本压力的集体回应。

第三，Agent生态的参与方态度。AI产品的升级离不开开发者和应用方的配合。如果Agent生态能在计费模式转变前完成自我调节和成本优化，整个行业的转型压力会大幅降低。