铃阅时讯
❌

普通视图

当 AI 产品卷向同质化,支付成为最后的增长杠杆

2026年5月27日 14:02

原创 StartupBoy 2026-05-27 14:02 四川

用户愿意付钱只是0到1,但从"付了钱"到"收到钱"之间,还有一条被大多数AI公司忽略的商业化暗线

本文由投资实习所 x Payinsider 联合出品,Payinsider 是一家专注于全球支付基础设施的平台,帮助出海企业优化支付成功率与变现效率。

过去一年,写作、翻译、客服、代码、知识管理、工作流自动化……大量垂直场景被 AI 重新做了一遍。不只是有人用,而是有人付费、有人续费、有人形成订阅习惯。

AI 应用的商业化,已经不是「刚刚起步」的阶段了。在很多垂直场景里,头部效应已经形成——先发者的产品开始拉开差距,后来者的窗口期在收窄。

当竞争进入这个阶段,大家在产品、获客、定价上能做的差异化越来越小。一个过去很少被放到牌桌上讨论的变量,正在浮出水面:支付。

问题不止停留在「能不能收到钱」,而是到了「同样 100 个愿意付费的用户,你最终能把多少笔交易变成真金白银到账」的阶段。

数字上的差异,可能直接决定了两家产品之间的 LTV 差距、续费率差距,甚至是融资叙事里的营收质量差距。

我和 Payinsider 一起做了个选题,他们每天在全球支付链路里帮出海企业解决真实的收款问题。我们发现,很多 AI 团队在产品和增长上已经非常成熟,但在支付这个环节上,认知和投入都还没有跟上。

这篇文章,主要从投资和商业化的角度看支付为什么重要,从支付基础设施的角度看 AI 公司的全球化变现还有哪些空间。

01 AI 公司的订阅支付复杂度,比所有人预想的都来得早

和传统游戏公司、电商公司不同,AI 产品有一个非常独特的特征:它们从 Day 1 就是全球化的。

一个做 AI 写作助手的团队,产品上线第一天,用户可能就分布在北美、欧洲、东南亚、拉美。传统公司可能花三五年才会碰到的多币种结算、本地支付方式接入、跨境收单合规等问题,AI公司在非常早期就被迫面对。

但大多数早期 AI 团队,支付架构的投入远远落后于产品和增长。很多团队的做法是接一个 Stripe,或者用一个全球支付服务商先用着,等规模上来再说。

问题是,当规模真正上来的时候,支付链路上积累的损耗已经不是小数字了。

Payinsider 在服务出海客户的过程中反复看到一个现象:一家产品做得很好的 AI 公司,北美市场的支付成功率可以到90% 以上,但同一套支付放到拉美或东南亚,成功率会变低。

这种差距和产品本身无关,而是支付链路本身没有为这些市场做过适配。

对于一次性交易的公司来说,一次支付失败损失的是这一笔订单本身。对于订阅模式的公司来说首次订阅(first subscription payment)失败,损失的是:首次订阅收入 + 未来整个消费者生命周期内可预期的 recurring revenue。

02 每一笔「没收到的钱」,都是花出去的获客成本

增长团队通常关心的是漏斗前半段——怎么获客、怎么激活、怎么让用户点下订阅按钮。

但很少有人认真算过:用户点完「Subscribe」之后,有多少笔交易其实没有成功?

支付失败不是一个笼统的结果,它发生在链路的不同位置,对应的原因和解法完全不同:

一、用户还没走到付款那一步,就流失了。页面上只有信用卡选项,但用户习惯用本地钱包;结账页没有本地化,币种、语言都不对;移动端输入体验差,表单太长——这些看起来是产品问题,但本质上是支付体验问题。用户不是不想付,是付不了。

二、交易发起了,但没有到达发卡行。支付网关超时、通道异常、路由配置有误——这一层的问题往往隐藏在技术日志里,错误码只能告诉你「出了问题」,但很少能告诉你「为什么」。

三、交易到达了发卡行,但被拒绝了。余额不足、卡片过期这些原因比较明确。但还有一大类拒绝和交易的路径有关:同一笔交易走不同的收单通道、不同的MCC编码、不同的地区路径,发卡行给出的判断可能完全不一样。对于AI工具和订阅服务来说,交易类型标记、首笔与续费的识别方式,都可能触发风控。

这三层损耗叠加起来,就是你支付后台显示的那个成功率数字。它可能是76%,也可能是90%。但这个数字本身不能告诉你问题在哪、该怎么修。

这也是 Payinsider 做支付诊断时的核心逻辑——不是看一个总成功率,而是把损耗拆到每一层,定位到具体的市场、支付方式、失败原因码,然后才能给出有针对性的优化方案。

03 对于订阅模式来说,支付不是一个功能模块,是一套经常性收入的商业化基础设施(global monetization infrastructure)

大多数团队想到「优化支付」,第一反应是多接几个支付方式,或者换一个支付服务商。这不能说错,但它只是一个点状动作,不是系统性解法。

真正的支付优化,起点是诊断:是哪个市场的成功率低?是哪种支付方式在流失?失败集中在哪一层?哪些失败有重试空间,哪些是硬拒绝?

只有问题被定义到这个颗粒度,后面的动作才有意义。

更重要的是,支付的指标不是孤立存在的——它会乘进 LTV、影响订阅留存率、决定营销投放的真实 ROI。一个支付成功率差 5~20 个点的产品,和竞品之间的营收差距会随着用户规模放大而指数级拉开。

这也是为什么我们认为,未来 AI 和 SaaS 公司真正需要的,不只是支付处理(payment processing),而是一整套全球变现基础设施(global monetization infrastructure for recurring revenue)。

它应该包括全球收单能力、本地支付方式覆盖、智能路由和重试机制、非自愿流失(involuntary churn)、订阅恢复(subscription recovery)、合规与风控适配,以及续费整个生命周期的 recurring revenue,等等。这些能力组合在一起,才构成一个能支撑全球化变现的基础设施最终实现全链路收入增长。

04 当前全球支付基础设施格局

事实上,全球支付基础设施赛道已经形成了明确的头部格局。很多 AI 和 SaaS 创业者的支付世界,可能是从 Stripe 开始的,但 Stripe 只是全球支付基础设施中的一层。

Stripe 在 2024 年处理了超过 1.4 万亿美元的交易额,Adyen 处理了约 1.35 万亿美元,而与 Global Payments 合并后的 Worldpay 年交易处理规模已达到约 4 万亿美元级别。紧随其后的 Checkout.com 在 2025 年处理量突破 3000 亿美元,同比增长 64%。与此同时,还有像 Fiserv(First Data),JP Morgan,以及 dLocal、EBANX、Xendit、PayU 等深耕区域市场的玩家,共同构成了今天复杂的全球支付网络。

但这些玩家之间的竞争,从来不只是「谁接的支付方式更多」。

Stripe 以极致的开发者体验(Developer Experience)和快速集成能力见长,成为大量 AI 与 SaaS 公司 Day 1 的默认选择,尤其适合快速验证 PMF 和全球启动。

Adyen 的优势则不仅在于其欧洲本地收单能力,更重要的是其长期深耕零售(Retail)与 O2O 场景,通过统一的支付基础设施真正打通线上与线下体验——从 POS、会员、库存到支付数据形成无缝连接,逐渐成为大型零售品牌的默认支付基础设施 Operating System。

Checkout.com 则在高性能收单之外,也在中东等高增长市场建立了较强的本地 acquiring 能力,在 MENA 地区的大型数字商户中拥有较深积累。

而Worldpay 这样的全球支付基础设施公司,则更深地嵌入全球银行体系、收单网络与资金清算体系之中。凭借长期服务 enterprise 商户与复杂支付场景的积累,Worldpay 不仅拥有庞大的全球支付基础设施能力,也正在积极探索 AI-native commerce 的下一代支付形态,包括稳定币支付(Stablecoin Settlement)以及与 OpenAI 共同探索 Agentic Commerce 等方向。

与此同时,在拉美、东南亚、中东、非洲等新兴市场,本地支付生态的复杂性往往更高。像 dLocal、EBANX、Xendit 这样的区域型玩家,经过多年时间建立本地收单、银行合作、支付方式覆盖以及合规能力,逐渐形成了各自市场的基础设施优势。

真正考验一家全球支付公司的,从来不只是技术接口,而是它是否拥有长期建设出来的各个国家和地区的本地金融基础设施能力——包括金融牌照、本地收单、银行网络、清算能力、风险控制、合规体系,以及对不同国家消费者支付行为的理解。

而这些能力,往往需要 5 到 10 年,甚至更久的时间才能真正建立。

对于正在搭建全球支付架构的 AI 和 SaaS 公司来说,理解这个格局,不是为了选边站,而是为了理解一件事:支付基础设施的深度,正在成为全球化变现效率的底层变量。

而这恰恰是 Payinsider 在做的事情:帮助出海企业在这个复杂格局中,搭建适合自身业务的支付架构,而不是简单地「接入一个支付服务商」就结束。

“当 AI 产品同质化严重,支付可以成为差异化竞争优势”

AI 用两三年的时间,走完了互联网时代十年的路。

产品快速迭代、用户快速迁移、竞争格局快速固化。当获客成本越来越高、产品功能越来越同质化的时候,能在变现环节多收回哪怕几个百分点,就是实打实的竞争壁垒。

支付优化不是一个「锦上添花」的事,它是商业化效率的底层。同样的流量、同样的付费意愿,谁的支付链路转化率更高,谁的单位经济模型就更健康,谁就有更多的资源投入下一轮增长。

我们看到越来越多的 AI 团队开始把支付链路当成一套独立的商业化基础设施来运营,而不只是一个后台功能。这个趋势值得被更多创始人和投资人关注。

后续还会围绕 AI 时代的定价模式变化、Agentic Payment、Stablecoin、按效果计费等 AI 基础设施方向,持续做更多洞察和分析。

阅读原文

跳转微信打开

我们如何用 A2UI + Vue,让大模型长出“可交互界面”

2026年5月27日 12:00

原创 大前端 2026-05-27 12:00 上海

本文围绕一个核心问题展开:如何让AI助手从“输出文字”进化到“生成界面”?

导读

本文围绕一个核心问题展开:如何让AI助手从“输出文字”进化到“生成界面”?我们基于Google A2UI协议,自研了Vue渲染器和 Agent 完整工具链,形成了一套完整的生成式UI体系。文章将详细阐述Runtime Schema装配、双重校验机制、SSE双通道输出、Wrapper组件扩展等关键设计,为构建标准化、可复用的AI交互界面提供参考。

引言

在 B 站商业广告业务中,我们开发了统一的 AI 助手框架,创建不同业务的知识库,以 markdown 渲染的形式输出内容,实现了不同业务中 AI 助手的快速应用。

但是,随着时间的推移和 AI 在业务中的快速应用,当大模型的能力从“聊天”走向“办事”时,如何让 AI 稳定、可靠地生成真正的“可交互界面”,提高信息传达和交互的效率,成为越来越多公司和业务关注的方向,从而带来了大模型生成 UI 的发展趋势。

关于这一点,我们内部的 AI 助手框架已经支持在 Markdown 中通过自定义语法嵌入组件,例如 ::: ProductCard :::,具有直观、轻量的特点,能在对话流中快速引入可交互元素。但在多业务、复杂任务的规模化落地中,它的局限性逐渐显现,例如前端、后端、Agent 耦合严重,需要 Agent 严格配合前端的特定格式来填充内容。这种方案的本质是 Agent 按前端预定义的模板填充数据,而非让 Agent 自主描述 UI 结构,不符合生成式 UI 的核心思想。

如何快速和我们的 AI 助手框架结合,形成完整的生成式 UI 体系?

在探索这个问题的过程中,我们发现这不是一个单纯的前端渲染问题,而是一个涉及大模型生成、协议标准、后端校验、前端渲染、多业务治理的系统工程。基于此,本文将完整拆解我们的实践路径。

一、B站商业广告的 AI 助手框架

在展开生成式UI的方案之前,有必要先回顾一下我们的起点。

1.1 统一 AI 助手框架

在B站商业广告业务中,我们面对的是多个差异化的业务场景:

  • 广告投放助手:帮助广告主理解投放数据、优化投放策略

  • 产品帮助助手:介绍广告产品功能、引导操作流程

  • 数据分析助手:生成广告数据报表、提供洞察分析

为了快速响应各业务场景的AI需求,我们构建了统一的 AI 助手框架:

  • 统一前端框架:标准化的对话接口、视觉样式,业务方只需实现对应的接口,并按需实现自定义功能

  • Markdown 渲染:前端统一支持Markdown格式输出,快速实现内容呈现

1.2 从“可读”到“可交互”的需求演进

随着业务深入,纯文本/Markdown的局限性开始显现:

场景一:广告投放诊断

  • 用户问:“帮我看看最近三天某计划的投放效果?”

  • AI返回一段文字描述:“曝光量xx,点击率xx%,消耗xx元,建议优化素材...”

  • 用户需要:一个包含关键指标卡片、趋势图表

场景二:意图识别

  • 用户问:“我要下单,目标是xxx...”

  • AI返回:“您提供的缺少xxx参数...请您补充参数重新告知我下单。”

  • 用户需要:一个结构化表单,可以直接在对话中修改并重新提交

这些场景的共同需求是:从“告诉用户怎么做”升级为“让用户在对话中直接完成操作”,这就引出了生成式UI的核心命题。

我们固然可以使用模板填充的方式:

    ::: ProductCard {"name":"手机","id":1}
    :::

    这种方案可以快速实现大部分简单场景——前端预定义好各类卡片组件,Agent按约定格式输出,前端匹配渲染。

    它的优势很明显:

    • 实现简单,短期内快速上线

    • 卡片样式可控,符合设计规范

    • 适合场景固定、UI形态稳定的业务

    但随着场景复杂化,其局限性也逐渐暴露:

    本质问题:模板填充方案让Agent扮演的是“填表员”角色,而非“设计师”角色,Agent无法根据上下文动态决定UI形态。

    二、生成式 UI 的思路

    2.1 为什么选择 A2UI

    在协议选型上,我们调研了多种方案,最终选择 Google 的 A2UI 协议,原因如下:

    • 标准化:大厂提出,业界规范,有社区支持,避免自研协议的技术债务

    • 声明式:JSON Schema 描述UI,天然适合大模型生成

    • 可增量:支持 dataModelUpdate / surfaceUpdate,实现细粒度更新

    • 框架无关:同一份 UI 描述可在 Vue / React / 小程序等多端渲染

    • 安全可控:组件基于组件库白名单,Agent 自由选择,客户端负责渲染

    2.2 整体架构

    三、后端 + Agent 设计

    3.1 请求入参设置

    每个业务请求需要携带能力边界声明:

    3.2 Runtime Schema 装配

    根据业务标识和白名单,动态装配该业务可用的组件和动作集合。

    装配流程举例:

    这样设计的价值在于,一是能力隔离,不同业务在统一协议下安全、独立地演进;二是动态扩展,新增业务只需要补充组件包,不改核心逻辑;三是输出可控,白名单机制限制了模型输出的边界。

    3.3 双重校验机制

    尽管我们通过能力隔离,已经生成了安全的 Prompt,但是由于模型输出可能不稳定,因此针对大模型产出的 A2UI JSON,必须经过严格校验才可放行。我们设计了双层校验机制:

    第一层:结构校验

    • 消息类型是否合法,符合 A2UI 协议结构(beginRendering / surfaceUpdate / dataModelUpdate)

    • 组件类型是否在白名单

    • 组件属性是否完整

    • 动作名称是否在白名单

    第二层:过渡校验

    Surface 是 A2UI 中一个独立的 UI 实例载体,每个 Surface 有唯一的 surfaceId,代表一个独立的界面区域,具备从“未创建”→“已创建”→“可交互”的状态转换。我们需要确保这个过程合法有序,避免出现更新不存在的界面、重复初始化等异常。为此,我们维护了每个 Surface 的状态机:

    校验规则:

    • 不能更新未创建的 Surface

    • 对于同一个 Surface,不能重复产出 beginRendering

    • 更新时 SurfaceId 必须匹配当前会话

    3.4 SSE 双通道输出

    传统方案中,前端需要从文本流中正则匹配和解析JSON,链路脆弱。我们将文本流和结构化数据分离,两条通道独立传输,互不影响。若 a2ui_message 通道出现数据丢失,前端可依据 message_stream 中的文本内容降级展示,或通过 finish 事件中的完整消息进行重试补发,确保 UI 渲染的可靠性。

    四、前端通用渲染器 SDK

    4.1 整体结构

    我们基于 Google 官方开源的 A2UI 协议、React 渲染器等,自研实现了 Vue 渲染器,以 npm 包的形式交付,业务方安装即可使用:

    4.2 消息处理器

    我们实现了消息处理器,为同一个 Surface 的每条 A2UI JSON 消息生成唯一签名。已处理过的消息会被识别并跳过,不再重复执行,保证逻辑的幂等性。另外,由于网络传输延迟、历史会话回放等场景,消息可能出现乱序或倒序到达,我们也设计了相应的处理机制。极端情况下,有极小概率会出现个别消息丢失,但仅会导致 Surface 的 UI 状态短暂不一致(比如,没有回显已经填写过的字段),不会引发严重渲染问题。

    消息处理器链路如下:

    4.3 DataModel 设计

    统一状态存储,支持 path 级别读写和数据绑定:

      DataModel结构示例:
      {
        "/form/name": "张三",
        "/form/email": "zhang@example.com",
        "/cart/items": [{"id": 1, "name": "商品A"}],
        "/ui/loading": false
      }

      组件通过path引用数据,任一数据变化,所有绑定组件自动更新。

      4.4 Wrapper 组件体系

      业务方新增自定义组件时,只需遵循统一规范,无需理解渲染器内部逻辑。

      接入流程:

      • 编写业务组件(普通Vue组件)

      • 使用 SDK 提供的 Wrapper 组合函数包装

      • 注册到组件映射表(组件类型名 → 业务组件)

      • Agent 即可使用

      Wrapper提供的能力:

      • 自动解析 node 中的属性

      • 自动绑定 DataModel 数据(通过 path 引用)

      • 自动构建动作回调函数

      • 统一处理 loading、error 等通用状态

      4.5 动作闭环

      组件提交的 action,分为前端处理和后端处理,业务方可自定义 action 处理方法,SDK 提供的默认有以下2类:

      前端处理的事件比较简单。对于后端处理的事件,会经历以下流程:

      • 用户交互触发动作

      • 动作冒泡到业务层

      • 业务层通过HTTP接口回传后端

      • 后端返回dataModelUpdate或surfaceUpdate

      • 前端执行增量刷新(原位更新)

      这样,我们便实现了从 Agent 到前端 SDK 的、可复用的完整链路。

      五、与现有框架的集成

      我们并非将现有业务中已经实现的 AI 助手推倒重来,而是进行了扩展。Agent 返回的 finish 事件中,包含了 SDK 提供的标准组件 A2UIMessage.vue,业务方可直接将其作为模板组件使用:

        ::: a2ui-message {"message": [...]}
        :::

        业务方的接入成本也非常小,只需要三步:

        • 前端实现业务组件,并接入 SDK

        • 前端注册组件包

        • 业务方后端或者业务方 Agent 调用接口,生成 A2UI 消息

        至此,我们完整阐述说明了 A2UI 实践的完整框架和流程。可以看到,它具备以下价值:

        对业务方:

        • 无需关心UI实现,聚焦业务逻辑

        • 新场景接入周期从天级缩短到小时级

        对 Agent:

        • 从“记忆数据格式”转向“理解UI描述语言”

        • 具备真正的“界面生成”能力

        对整体架构:

        • 前后端解耦,协议标准化

        • 多业务可复用同一套基础设施

        六、DEMO 示例

        我们已经实现了完整的可复用工具链,以下是一些 demo,展示了从用户输入 Prompt 到产出组件的过程。实际使用中,由业务方的后端或者 Agent 调用 A2UI 的 Agent 服务获取真实的 A2UI JSON,再交给业务方的前端渲染。

        注意:以下为简化示例,实际 JSON 结构以 A2UI 协议为准。

        6.1 图表示例

        • 用户在对话框中输入:“我想查看最近12个月某5个车企(化名)的销量变化趋势图”

        • Agent 生成 A2UI JSON:

          {
            "sessionId": "session-xxx",
            "messages": [
              { "createSurface": { "surfaceId": "surface-xxx" } },
              {
                "updateComponents": {
                  "surfaceId": "surface-xxx",
                  "components": [
                    { "id": "root", "component": "Card", "child": "chart-container" },
                    {
                      "id": "sales-chart",
                      "component": "Charts",
                      "type": "line",
                      "title": "近12个月车企销量趋势",
                      "options": {
                        "xAxis": { "data": ["1月", "2月", ...] },
                        "series": [
                          { "name": "车企A", "data": [12500, 13200, ...] },
                          { "name": "车企B", "data": [10200, 10800, ...] },
                          ...
                        ]
                      }
                    }
                  ]
                }
              }
            ]
          }

          • 渲染结果:

          6.2 表单示例

          • 用户在对话框中输入:“生成一个用户报名信息的填写表单”

          • Agent 生成 A2UI JSON:

            {
              "sessionId": "session-xxx",
              "messages": [
                { "createSurface": { "surfaceId": "surface-xxx", "root": "root" } },
                { "updateDataModel": { "surfaceId": "surface-xxx", "value": { "userName": "", "userEmail": "", "userPhone": "" } } },
                {
                  "updateComponents": {
                    "surfaceId": "surface-xxx",
                    "components": [
                      { "id": "root", "component": "Card", "child": "form-column" },
                      { "id": "form-column", "component": "Column", "children": ["title-text", "name-field", "email-field", "phone-field", "submit-btn"] },
                      { "id": "title-text", "component": "Text", "text": "用户报名信息填写" },
                      { "id": "name-field", "component": "TextField", "label": "姓名", "placeholder": "请输入姓名" },
                      { "id": "email-field", "component": "TextField", "label": "邮箱", "placeholder": "请输入邮箱" },
                      { "id": "phone-field", "component": "TextField", "label": "手机号", "placeholder": "请输入手机号" },
                      { "id": "submit-btn", "component": "Button", "text": "提交报名", "action": { "name": "marketing.submitLead" } }
                    ]
                  }
                }
              ]
            }

            • 渲染结果:

            • 用户填写并点击提交后,前端将表单数据回传至后端:

              // 发送消息示例:后端读取注释中的数据作为结果
              用户提交了数据<!-- {"action":"marketing.submitLead","data":{"userName":"小明","userEmail":"aaa@bbb.com","userPhone":"12345612345"}} -->

              • 后端处理完成后,再次调用 A2UI 服务,返回更新界面的指令:

                {
                  "sessionId": "session-xxx",
                  "messages": [
                    { "updateDataModel": { "surfaceId": "surface-xxx", "value": {} } },
                    {
                      "updateComponents": {
                        "surfaceId": "surface-xxx",
                        "components": [
                          { "id": "success-icon", "component": "Text", "text": "✓" },
                          { "id": "title-text", "component": "Text", "text": "报名成功" },
                          { "id": "message-text", "component": "Text", "text": "感谢您的报名,我们会尽快与您联系。" },
                          { "id": "form-column", "component": "Column", "children": ["success-icon", "title-text", "message-text"] }
                        ]
                      }
                    }
                  ]
                }

                • 前端接收消息,并处理 UI 更新:

                七、总结

                目前,我们的 A2UI 方案已在部分业务中接入,正在快速迭代中。由于 A2UI 协议仍处于早期阶段,大模型能力也在持续演进,尚无法支持全部复杂组件的自主生成。因此,我们目前采用 A2UI 实现通用交互、业务自行实现复杂组件的混合模式。

                但可以预见,随着协议和大模型能力的成熟,生成式 UI 必将释放更强大的能力和更丰富的应用场景。接下来,我们将继续探索 A2UI 在移动端、小程序等架构上的应用,期待在不远的未来做出更优质的成果。

                -End-

                作者丨Nie

                跳转微信打开

                MiMo-V2.5 系列调价公告丨 百万亿 Token 创造者激励计划收官

                2026年5月27日 00:15

                原创 小米大模型 2026-05-27 00:15 北京

                API 价格最高降 99%,不区分输入长度

                过往几个月,我们通过 MiMo Orbit、百万亿 Token 创造者激励计划等活动,让更多人有机会体验 MiMo ,并解决真实的问题——这是 MiMo 在规模化应用道路上的第一步。

                而现在,随着底层技术的不断精进,我们终于可以做一件更彻底的事——对整个模型价格体系进行一次永久性翻新。

                本次公告核心速览:

                • MiMo-V2.5 系列 API 永久降价

                • Token Plan 计费体系优化,用量提升至原来的 5-8 倍

                • 百万亿 Token 创造者激励计划圆满收官

                • 当前有效 Token Plan 用户额度全量重置

                生效时间:北京时间 2026 年 5月 27日 0 点

                 MiMo-V2.5系列API永久降价

                相比原始 API 定价,新定价最高降幅可达 99%,且不再区分上下文窗口长度。

                本次调价于北京时间 5 月 27 日 0:00 正式生效,全球同步调整,诚邀各位开发者接入体验。

                 TokenPlan 计费体系优化

                • 加量不加价,用量提升至原5-8倍,为您解锁更充沛的生产力

                  • 示例:在Agent或Code场景下,可用 Token数量为:

                • 计费规则调整,更加清晰易懂,所见即所得。

                 百万亿 Token创造者激励计划圆满收官

                「百万亿 Token 创造者激励计划」自 4 月 28 日上线以来,受到全球用户的热情追捧和广泛关注,截至北京时间 5 月 26 日 16:08,100T Tokens 已全部提前发放完毕,活动提前收官、圆满结束,感谢广大开发者的踊跃参与! 

                注:Apache 软件基金会成员专属福利活动长期有效、可继续申请,不受本次收官影响。

                 惊喜:现有 TokenPlan 用户额度全量重置

                无论当前套餐用量如何,所有已订阅 Token Plan 且当前仍在有效期的用户(包括参与百万亿 Token 创造者激励计划并获得 Token Plan 的用户,涵盖 Apache 软件基金会专属福利用户)的 Credits 额度将于北京时间 5 月 27 日 0:00 全量重置,并按新计费规则执行。

                One More Thing:针对 Token Plan 已过期的历史付费用户,我们也同样准备了惊喜好礼,将在未来一周宣布,请保持关注。

                 推理技术优化说明

                本次价格调整背后,离不开小米技术团队在推理系统上的持续优化。

                我们基于 SGLang HiCache 完整支持 SWA(Sliding Window Attention),将 KV Cache 在 GPU 显存、CPU 内存、SSD 等多级存储之间的数据搬运量降低至优化前的近 1/7,并将可缓存 token 数量提升至优化前的近 5 倍,显著提升了缓存命中率和推理效率。

                同时,我们通过优化专家并行方案、输入长度分桶策略等,进一步提升了集群输入吞吐能力,从而在保障服务质量的前提下持续降低单位 token 服务成本。

                后续我们将发布更加详细的推理优化技术 Blog,敬请期待。

                 结语

                技术的价值,最终要体现在被使用的广度上。

                依靠技术的持续创新,我们希望通过提供兼具低成本与顶尖能力的模型服务,撬动真实、持续、规模化的推理需求,推动完整 AI 基础设施链条的建设。

                让更多的人能用到更好的模型——这是 MiMo 不变的使命。

                跳转微信打开

                ❌