惯性聚合 高效追踪和阅读你感兴趣的博客、新闻、科技资讯
阅读原文 在惯性聚合中打开

推荐订阅源

IT之家
IT之家
Recent Announcements
Recent Announcements
OSCHINA 社区最新新闻
OSCHINA 社区最新新闻
The GitHub Blog
The GitHub Blog
MyScale Blog
MyScale Blog
爱范儿
爱范儿
GbyAI
GbyAI
Cyber Security Advisories - MS-ISAC
Cyber Security Advisories - MS-ISAC
美
美团技术团队
Y
Y Combinator Blog
博
博客园 - 叶小钗
Apple Machine Learning Research
Apple Machine Learning Research
Martin Fowler
Martin Fowler
freeCodeCamp Programming Tutorials: Python, JavaScript, Git & More
罗
罗磊的独立博客
M
MIT News - Artificial intelligence
博
博客园 - Franky
V
Visual Studio Blog
I
InfoQ
V
V2EX
Hugging Face - Blog
Hugging Face - Blog
腾
腾讯CDC
博
博客园 - 司徒正美
L
LangChain Blog

程序员

V2EX 看到讨论"跨域"的帖子，那个她好像回来了 codex 今天真的是不稳定呀。 火山方舟 Coding Plan 慎买 刚问了大家 openclaw 和 hermes 在什么机器上面玩，求推荐一个机器 GPT-image-2 生成 AI 图片防伪有感 codex pro 5 小时限制已经严重缩水 逆天 Antigravity 动态 JSON 序列化对强类型语言很难吗？ 自建了 GPT Coding Plan，遇到了定价问题，请教大家 大家都是在什么设备上玩 openclaw 以及 hermes 的呀？ 软考还有一个月就考试了，你们学习了吗？ 大伙用 AI 会考虑在 user scope 的 CLAUDE.md/AGENTS.md 里交代 AI 说中文吗 我发现程序员这个群体很大部分其实挺抠的 最近使用 cc 总会莫名其妙的返工， codex 不会 目前体验最好的远程 vibe 工具 想知道大佬们抓包遇到 ssl pinning 都是咋优雅的 解决的？ 工业软件的大佬们是怎么 vibe coding 的 最近 chrome 是不是有 bug 啊，一搜索就卡住 分布式异步系统在 vibe coding 下的困境 PHP Native AOT 编译器，支持将 PHP 代码编译为可执行文件，运算性能提高 150 倍 没想到 2026 年，还要浪费大量时间在跨域问题上 DeepSeek V4 这周会出吗？ 中转站正式试营 欢迎试用 不掺不假 小米 mimo 升级 v2.5,并且重置了额度 Jenkins， SCM 轮询完全不工作是啥问题啊 赛博斗蛐蛐， AI 模型的简单对比(白嫖版) 使用中转站要擦亮眼睛！不说别的,倍率计算 充值好乱。 买了火山的 Coding Plan 测试得出计费模式 给我的 AI 生成了简历和状态卡, 大家帮忙看下 Ta 能找到啥样的
推荐一下 OpenCode Go Token Plan 5$ 换 60$ DeepSeek/MiMo 额度
skpoo · 2026-05-28 · via 程序员

OpenCode Go 其实是一个 Token Plan ，首月 5 刀，有 60 刀的额度，根据不同的模型计费不同。

按照官网的统计，不同的模型的请求次数不同，可用性比较高的就是 DeepSeek 和 MiMo 这两个模型。

依据 OpenCode Go 的每次请求的用量模型分析，OpenCode Go 的额度比小米官网 6$ 16$ 的套餐额度还要多，唯一不足的是有 5 小时和每周限制。

当前，这是个 Token Plan ，意味着使用高阶的模型，用的会很快，推荐配合 OMO 插件给每个 agent 分配不同的模型，这里有一份参考，根据不同的任务分配不同的模型，可以直接把这篇文章发给你的 OpenCode ，让它给你配置。

如果只是日常的问题，可以把默认模型切换到 DeepSeek Flash 来节省额度。

Model 每 5 小时请求数 每周请求数 每月请求数 每月总 token （百万）
GLM-5.1 880 2,150 4,300 227
GLM-5 1,150 2,880 5,750 303
Kimi K2.6 1,150 2,880 5,750 322
Kimi K2.5 1,850 4,630 9,250 518
MiMo-V2.5 30,100 75,200 150,400 10,922
MiMo-V2.5-Pro 3,250 8,150 16,300 1,419
MiniMax M2.7 3,400 8,500 17,000 942
MiniMax M2.5 6,300 15,900 31,800 1,762
Qwen3.7 Max 950 2,390 4,770 317
Qwen3.6 Plus 3,300 8,200 16,300 940
Qwen3.5 Plus 10,200 25,200 50,500 2,401
DeepSeek V4 Pro 3,450 8,550 17,150 1,424
DeepSeek V4 Flash 31,650 79,050 158,150 10,923

如果你想订阅 OpenCode Go ，可以使用这个 aff ，你我各获得 5$ 的模型额度: https://opencode.ai/go?ref=YXERPYHZ9Z

如果要续订 OpenCode Go ，需要重新注册一个 Github 账号来使用首月优惠，可以使用同一个支付宝账号。

分析对比

对比 MiMo Token Plan （ Lite $6 、Standard $16 ）与 OpenCode Go （$5 首月 / $10 次月起）的预估请求次数，使用 DeepSeek V4 Flash 生成。

模型说明

OpenCode Go 提供了多个模型，本次对比覆盖以下场景：

场景 OpenCode Go MiMo Token Plan
同模型对比 MiMo-V2.5 / MiMo-V2.5-Pro MiMo-V2.5 / MiMo-V2.5-Pro
跨模型参考 DeepSeek V4 Flash / DeepSeek V4 Pro MiMo-V2.5 / MiMo-V2.5-Pro

同模型对比是最直接的——同一个模型在两个平台上的使用成本差异。

结论

同模型对比（ MiMo 模型 × 两个平台）

OpenCode Go 全面胜出。 同一个 MiMo 模型，OpenCode Go 的预估请求数和每美元效率都显著高于 MiMo Token Plan 。

MiMo-V2.5

方案 价格 每月请求数 每美元效率
MiMo Lite $6 | 14,386 次 | 2,398 次/$
MiMo Standard $16 | 38,596 次 | 2,412 次/$
OpenCode Go 首月 $5** | **150,400 次** | **30,080 次/$
OpenCode Go 次月 $10/月 | 150,400 次 | 15,040 次/$

OpenCode Go 首月每美元效率是 MiMo Lite 的 12.5 倍，次月是 6.3 倍。

MiMo-V2.5-Pro

方案 价格 每月请求数 每美元效率
MiMo Lite $6 | 6,457 次 | 1,076 次/$
MiMo Standard $16 | 17,323 次 | 1,083 次/$
OpenCode Go 首月 $5** | **16,300 次** | **3,260 次/$
OpenCode Go 次月 $10/月 | 16,300 次 | 1,630 次/$

OpenCode Go 首月每美元效率是 MiMo Lite 的 3 倍，次月是 1.5 倍。

跨模型参考（ OpenCode Go DeepSeek vs MiMo Token Plan MiMo ）

如果不在意具体模型，只关心"哪个方案量更大"：

方案 模型 价格 请求数
OpenCode Go 首月 DeepSeek V4 Flash $5 158,150 次
OpenCode Go 首月 MiMo-V2.5 $5 150,400 次
MiMo Standard MiMo-V2.5 $16 38,596 次
OpenCode Go 首月 MiMo-V2.5-Pro $5 16,300 次
OpenCode Go 首月 DeepSeek V4 Pro $5 17,150 次
MiMo Standard MiMo-V2.5-Pro $16 17,323 次
MiMo Lite MiMo-V2.5 $6 14,386 次
MiMo Lite MiMo-V2.5-Pro $6 6,457 次

综合建议

  • ** 首选 OpenCode Go 首月 $5 ** — 无论用哪个 MiMo 模型，OpenCode Go 都更便宜，首月 $5 性价比极高
  • 次月 $10 仍优于 MiMo — MiMo-V2.5 快 6.3 倍，MiMo-V2.5-Pro 快 1.5 倍
  • 需要 MiMo 多模态能力（ TTS 、Omni 等）→ MiMo Token Plan ，OpenCode Go 没有这些模型

1. 定价与额度

方案 价格 每月可用额度
MiMo Lite $6/月 4,100,000,000 Credits （ 4.1B ）
MiMo Standard $16/月 11,000,000,000 Credits （ 11B ）
OpenCode Go 首月 **$5** | $60 使用上限¹
OpenCode Go 次月起 **$10/月** | $60 使用上限¹

¹ OpenCode Go 每月限制为 $60 等值额度，不同模型按单价折算请求次数。

2. MiMo Token Plan Credit 消耗标准

来源： https://platform.xiaomimimo.com/docs/zh-CN/price/tokenplan/subscription

模型 输入（缓存命中）/token 输入（未命中缓存）/token 输出 /token
MiMo-V2.5 2 Credits 100 Credits 200 Credits
MiMo-V2.5-Pro 2.5 Credits 300 Credits 600 Credits

3. OpenCode Go 各模型月度请求数

来源： https://opencode.ai/docs/zh-cn/go/

模型 每月请求数（$60 上限内）
MiMo-V2.5 150,400 次
MiMo-V2.5-Pro 16,300 次
DeepSeek V4 Flash 158,150 次
DeepSeek V4 Pro 17,150 次

4. MiMo 单次请求 Credit 消耗计算

token 分布数据来自 OpenCode Go 典型请求模式统计，代入 MiMo 每 token 定价。

4.1 MiMo-V2.5

类型 Token 数 单价 小计
输入（缓存命中） 71,500 × 2 Credits = 143,000 Credits
输入（未命中缓存） 830 × 100 Credits = 83,000 Credits
输出 295 × 200 Credits = 59,000 Credits
单次合计 285,000 Credits

4.2 MiMo-V2.5-Pro

类型 Token 数 单价 小计
输入（缓存命中） 86,000 × 2.5 Credits = 215,000 Credits
输入（未命中缓存） 790 × 300 Credits = 237,000 Credits
输出 305 × 600 Credits = 183,000 Credits
单次合计 635,000 Credits

5. MiMo 各套餐预计请求数

5.1 MiMo Lite （$6 / 4.1B Credits ）

模型 计算式 约可请求次数
MiMo-V2.5 4,100,000,000 ÷ 285,000 ≈ 14,386 次
MiMo-V2.5-Pro 4,100,000,000 ÷ 635,000 ≈ 6,457 次

5.2 MiMo Standard （$16 / 11B Credits ）

模型 计算式 约可请求次数
MiMo-V2.5 11,000,000,000 ÷ 285,000 ≈ 38,596 次
MiMo-V2.5-Pro 11,000,000,000 ÷ 635,000 ≈ 17,323 次

6. 汇总对比

6.1 同模型：MiMo-V2.5

方案 价格 请求次数 每美元效率
MiMo Lite **$6** | 14,386 次 | 2,398 次/$
MiMo Standard **$16** | 38,596 次 | 2,412 次/$
OpenCode Go 首月 $5** | **150,400 次** | **30,080 次/$
OpenCode Go 次月 $10/月** | **150,400 次** | **15,040 次/$

6.2 同模型：MiMo-V2.5-Pro

方案 价格 请求次数 每美元效率
MiMo Lite **$6** | 6,457 次 | 1,076 次/$
MiMo Standard **$16** | 17,323 次 | 1,083 次/$
OpenCode Go 首月 $5** | **16,300 次** | **3,260 次/$
OpenCode Go 次月 $10/月** | **16,300 次** | **1,630 次/$

计算日期：2026-05-28

数据来源：OpenCode Go 文档、MiMo Token Plan 定价页

此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。