OpenCode 近日正式发布 OpenCode Data Report，开发者现可通过官方页面实时获取大模型调用数据。报告涵盖了 2026 年 4 月 18 日至 6 月 12 日期间的编码代理领域数据，揭示了当前 AI 编码市场的"性能 - 成本"博弈格局。
数据显示，DeepSeek V4 系列凭借极低的推理成本和高缓存命中率占据主导地位，而 Kimi (Moonshot) 和 GLM-5.1 也快速崛起。本文将基于 OpenCode 官方数据，对各大模型的表现、成本及市场趋势进行深度解析。
1. Top Models：模型排名
按令牌使用量（Token Usage）排序，OpenCode 平台上前几名的模型分别是：
- DeepSeek-v4-Flash：31T（占比最高）
- DeepSeek-v4-Pro：18T
- Kimi-K2.6：6.4T
- GLM-5.1：2.4T
- Qwen3.6-Plus：2.3T
DeepSeek V4 系列优势明显，累计约 49T 的使用量。单次会话平均使用的令牌数方面，DeepSeek-Flash 表现突出（约 6.6M tokens）。新发布模型如 Kimi 和 DeepSeek 用户增长迅速，而部分老模型同比增速显著。
2. Session Cost：会话成本分析
会话成本即一次编码交互的平均花费。OpenCode 数据显示，各模型的平均每会话成本差异巨大：
| 模型 | 会话成本 ($) | 估算令牌/会话 |
|---|---|---|
| mimo-v2.5 | $0.0579 | ~5.8M |
| deepseek-v4-flash | $0.0662 | ~6.6M |
| mimo-v2.5-pro | $0.4775 | ~4.8M |
| deepseek-v4-pro | $0.5501 | ~6.9M |
| qwen3.7-plus | $0.6371 | ~7.0M |
| minimax-m3 | $0.7293 | ~7.3M |
| qwen3.6-plus | $0.7597 | ~7.6M |
| kimi-k2.6 | $0.9663 | ~3.6M |
| glm-5.1 | $1.1666 | ~1.4M |
| qwen3.7-max | $1.5882 | ~1.9M |
计算公式：每会话成本 ≈ 输入令牌数×输入价格 + 输出令牌数×输出价格 - 缓存节省。OpenCode 提示基础定价为输入 $1.74/1M、输出 $2.52/1M、缓存令牌 $0.05/1M。在高缓存率条件下，多数输入令牌按 $0.05 而非 $1.74 计费，大幅降低成本。
3. Token Cost：每百万令牌价格
各模型的令牌定价差异明显，决定了规模化使用成本。部分模型的每 1M tokens 价格（美元）如下：
- DeepSeek-v4-Flash：$0.01
- MiMo-v2.5：$0.01
- DeepSeek-v4-Pro：$0.08
- MiniMax-m3：$0.09
- MiMo-v2.5-Pro：$0.10
- Qwen3.7-Plus：$0.18
- Kimi-K2.6：$0.24
- Qwen3.6-Plus：$0.26
- GLM-5.1：$0.41
- Qwen3.7-Max：$0.84
DeepSeek V4 系列和 MiMo-v2.5 拥有极低的定价（$0.01），而 Qwen3.7-Max 高达 $0.84，价格差距高达 80 倍以上。
4. Cache Ratio：缓存命中率
输入令牌缓存命中率是降低成本的关键。数据表明：
- Qwen3.7-Max：98%（榜首）
- DeepSeek-v4-Pro：97%
- DeepSeek-v4-Flash：97%
- MiMo-v2.5-Pro：96%
- MiMo-v2.5：95%
- Qwen3.7-Plus：95%
- MiniMax-m3：94%
- Kimi-K2.6：94%
- GLM-5.1：89%
- Qwen3.6-Plus：88%
整体输入缓存命中率约为 97%，累计缓存令牌 7.0T。命中率最高的是 Qwen3.7-Max 和 DeepSeek 系列。高命中率意味着实际使用成本远低于名义价格。
5. Market Share：模型作者市场份额
按模型作者汇总的令牌市场份额排名前五：
| 排名 | 作者/品牌 | 份额 |
|---|---|---|
| 1 | Zhipu (GLM) | 28.2% |
| 2 | MiniMax | 23.0% |
| 3 | Qwen (阿里) | 22.3% |
| 4 | Moonshot (Kimi) | 21.1% |
| 5 | Xiaomi | 5.5% |
Zhipu 的 GLM 系列占据最多令牌市场（28%），其次是 MiniMax (23%)、阿里 Qwen (22%)、Moonshot Kimi (21%)。尽管 DeepSeek 在单模型上用量巨大，但其作者不在前五榜单中，说明尚未形成庞大的"作者"品牌效应。
6. Geo Breakdown：地理分布
OpenCode 官方列出了各国令牌使用量前 15 名：
- 中国：28T (15%)
- 美国：20T (11%)
- 印度：11T (6%)
- 巴西：8.2T (4%)
- 德国：7.8T (4%)
中国用户使用量最高（占 15%），美国次之（11%）。亚洲地区（中国、印度、日本、印尼、香港、新加坡）和北美占比靠前。
7. 深度分析：为什么是 DeepSeek 和 Qwen？
DeepSeek 系列优势原因
DeepSeek V4-Flash/Pro 在各项指标上表现卓越。其关键优势在于：
- 成本极低：Flash 版价格低至 $0.01/1M。
- 长上下文：提供 1M token 长上下文，有效支持大型会话。
- 集成优化：与 OpenCode 等主流编码代理深度集成。
- 高缓存命中：97% 的命中率意味着大部分请求可以从缓存快速响应。
Qwen3.7-Max 高缓存命中率原因
Qwen3.7-Max 缓存命中率高达 98%，可能原因包括：在 OpenCode 内多作为默认模型使用，用户请求具有高度相似性和可重用性；Qwen 系列强调一致性和稳定性，答复标准化，有利于缓存匹配。
Kimi 与 GLM 市场份额对比
Zhipu (GLM) 的市场份额（28.2%）略高于 Moonshot (Kimi)（21.1%）。GLM-5.1 作为大型通用模型，用户基础更广；Kimi 系列虽为新模型，但增长显著。GLM 目前领先，但 Kimi 增速也快。
8. 策略建议
基于 OpenCode 数据，对从业者的建议：
- 关注低成本高效模型：优先采用 DeepSeek-V4 等低推理费率模型。
- 利用缓存策略：尽可能复用相同上下文输入，或加强模型侧的上下文缓存。
- 关注区域偏好：中国用户倾向于 GLM/Kimi，英语市场可能青睐 Qwen/DeepSeek。
- 跟踪市场动态：模型排名变化迅速，建议定期基准测试新模型。
- 重视模型差异化：结合具体用例需求选择模型，不应单纯以价格为唯一判断。
总体而言，缓存技术与成本控制是当前开源编码代理市场竞争的核心。
