token-pricing

作者反思了 AI 模型每 token 的价格大幅下降，但实际成本保持平稳，因为更便宜的模型会被更频繁地重新运行。他们认为，重要的是每完成步骤的成本，而不是每百万 token 的成本。

一篇解析文章，分析 AI 模型用于编程的实际成本，通过 token 定价、缓存分布和订阅数学来比较 DeepSeek Flash 和 OpenAI 的 Luna。

一个生产团队将其QA智能体从GPT-5.3-codex迁移到MiniMax M3，发现虽然新模型每个任务使用更多token，但由于其更低的每token价格，中位成本降低了55%。文章还强调了推理提供商选择以及隐藏推理token对有效定价的影响。

Benedict Evans分析了当前AI token定价的不稳定性，指出随着基础设施投资激增以及软件开发等使用场景推动需求，存在供给紧张和不确定的未来。他认为基础模型可能会成为低利润的通用商品提供商。

Palantir CEO Alex Karp批评了OpenAI和Anthropic等商业AI实验室的API令牌定价模式，认为其回报率极低，并且随着企业寻求对数据和计算的控制，开源权重模型正在胜出。

文章分析了向基于代币的AI定价模式的转变，这种模式比固定费用模式昂贵得多，并且给企业带来了成本不可预测性，与早期云定价的挑战相类似。

Exponential View 的一份报告显示，生成式AI经济在过去12个月内产生了1100亿美元的真实收入，年化运行率超过1750亿美元。报告强调了其增长速度比移动或互联网的普及速度更快，价格弹性需求（即代币价格下降推动使用量增加），以及企业AI部署仍处于早期阶段。

一位开发者分享了导致AI账单超出预期的隐性成本变量，包括推理模型的思维链token、多模态每张图片费用、函数调用系统token，并询问社区是如何提前预测成本的。

Kimi K2.6与Claude Opus 4.7的每Token成本与每任务成本对比，显示尽管每Token更便宜，但Kimi消耗更多Token，因此每任务节省的费用不那么显著。