Kimi K2.7 Code 定价：$0.95 的编程专用模型，卡位卡得很鸡贼
月之暗面 6 月上线的 K2.7 Code 官方定价是每百万 input $0.95、output $4、缓存命中 $0.19。这个价位刚好卡在 GLM-4.5 和海外旗舰之间，缓存两折的定价套路也值得说道。这篇算清楚它到底便宜在哪。
Kimi K2.7 Code 是月之暗面这个月刚推的编程专用模型，官方定价：每百万 token，input $0.95、output $4、缓存命中 $0.19。一句话定位——比 GLM-4.5 贵一截，比海外旗舰便宜一个量级，价格卡位卡得相当精确。
放进价格带里看
| 模型 | input / 百万 | output / 百万 | 缓存命中 |
|---|---|---|---|
| GLM-4.5 | $0.6 | $2.2 | $0.11 |
| Kimi K2.7 Code | $0.95 | $4 | $0.19 |
| GPT-5.5 | $5 | $30 | $0.5 |
国产编程模型的价格带正在成型：GLM-4.5 守住 1 美元以下的底价，K2.7 Code 往上贴了 50%，但和 GPT-5.5 这类旗舰比还是差着五倍。这个身位的意思很直白——「比底价模型好一点，价格没敢跟旗舰看齐」。
值不值这 50% 的差价，取决于它在你的活上是不是真比 GLM-4.5 强。这种事别看评测，跑你自己的仓库试一周才算数。
为什么厂商都开始单独出「编程模型」
K2.7 Code 不是孤例，编程专用 SKU 正在变成国产标配动作。逻辑不难猜：编程是目前 token 消耗最大、付费意愿最强的场景，而且编程流量的形态很特殊——上下文长、重复前缀多（也就是缓存命中率天然高）、对输出长度要求反而不高。为这种流量单独调一个模型、单独定一套价，比拿通用旗舰硬扛更划算。
对用户的含义是：以后比价不能只比「同厂旗舰」，要把各家的编程 SKU 单独拉一列出来比。
谁适合从哪边换过来
从 GLM-4.5 往上换的人：你是觉得便宜模型能力不够用了，多花 50% 买提升，试错成本很低，值得跑一轮。
从海外旗舰往下换的人：先冷静。你要放弃的不只是纸面能力，还有一折缓存——重度工作流里这部分很要命，下面细说。
缓存两折：国产模型的统一套路
一个有意思的观察：K2.7 Code 的缓存命中价是 input 的 20%（$0.19 / $0.95），GLM-4.5 也是 18% 左右——国产模型不约而同把缓存定在两折。而 Anthropic 和 OpenAI 的缓存都是一折（10%）。
别小看这一倍的差距。AI 编程的 input 大头走缓存（重度工具命中率 90% 以上），缓存单价差一倍，等额工作量下缓存部分的账单就差一倍。也就是说国产模型的「便宜」，在高缓存命中的场景里会缩水——纸面 input 价差五倍，实际账单差距往往没那么大。缓存 token 到底怎么计费，缓存 input 是怎么算钱的里有完整拆解。
怎么判断该不该换
换便宜模型省不省钱，从来不是看单价表，是看你自己的消耗结构：output 占比高的场景（K2.7 Code 的 output 是 GLM-4.5 的 1.8 倍价）和缓存命中率低的场景，结论会完全相反。
先用 Vibe Usage 看清自己现在的消耗结构——input/output 比例、缓存命中率——再拿上面的表算一遍，十分钟的事。凭感觉换模型，大概率省了个寂寞；这笔账我们见过太多人算反了。换完之后继续在同一个面板里盯新模型的实际账单，对比才有效。