从参数竞赛到词元经济学：大模型行业为何开始重算每项任务的成本

模型能力还在继续提升，但大模型行业正在重新面对一个比基准分数更现实的问题：完成一项任务，究竟要花多少钱？对AI创业者、模型采购方和产业研究者而言，模型价格表上的每百万词元单价，已经不足以解释真实支出。一次看似简单的回答，可能伴随多轮推理、上下文重复、工具调用、错误重试和长时间运行，最终形成远高于用户直觉的任务账单。

参数竞赛正在转向成本竞赛

过去一段时间，大模型竞争常常围绕参数规模、上下文长度、基准测试成绩和模型能力展开。模型能否写出更好的代码、解决更复杂的数学问题、处理更长的文档，构成了行业关注的核心指标。企业采购模型时，也倾向于先问“哪个模型最强”，再讨论如何接入。

但模型进入智能体、AI编程和企业工作流之后，单次问答已经不再是主要的使用单位。模型可能需要读取大量资料，拆分任务，调用外部工具，检查中间结果，再根据反馈重新生成内容。用户看到的是一个任务完成，系统后台消耗的却可能是多轮输入、输出和推理过程。

这改变了大模型商业化的评价方式。模型能力依然重要，但“完成任务的总成本”开始成为同等重要的变量。一个模型即使在某项测试中领先，如果需要更多轮调用、更长上下文或更高比例的人工纠错，放到真实业务里未必更划算。相反，能力达到任务要求、调用链路更短、输出更稳定的模型，可能拥有更高的商业价值。

从资料中出现的行业变化看，企业正在从“代币最大化”转向效率导向。模型访问权限不再只是全员开放的工具配置，而逐渐被视为需要分配的预算资源。考核指标也不再停留在席位数量、模型基准评分或调用总量，而是转向每项任务的成本，以及每一美元投入带来的实际产出。

Gemini案例折射出的采购逻辑变化

Gemini相关案例之所以具有代表性，不只是因为它属于市场关注度较高的模型，更因为这类模型已经被放进复杂的企业任务中比较。采购方真正关心的，往往不是模型在宣传材料中的单项能力，而是它能否在特定工作流中稳定完成目标。

例如，在代码生成、资料整理、企业知识问答或智能体执行任务时，采购方需要观察的不只是最终答案是否正确，还要看模型为了得到答案经历了多少轮交互，输入上下文是否被重复计算，输出是否出现大量无效内容，工具调用失败后是否会触发重试，以及人工是否还需要进行大幅修改。

这也是Gemini案例能够带来的重要启示：模型比较必须从“回答质量”扩展为“任务闭环质量”。同一个问题，如果模型一次完成，和模型反复规划、调用、修正后完成，用户界面上可能看不出明显差异，但后台资源消耗已经完全不同。对于需要持续运行的智能体而言，差别会进一步放大。

企业采购模型时，不能只把Gemini或其他模型放在统一的价格表中横向比较。更合理的做法，是先建立任务样本，再记录每项任务的输入词元、输出词元、调用轮次、失败重试、工具使用和人工介入情况。只有把这些因素放回实际业务，才能知道某个模型的低单价是否真的转化为低成本。

为什么词元会成为新的成本单位

词元是大模型处理文本信息的基本单位。模型提供商通常按照输入词元和输出词元计费，不同类型的模型、不同阶段的处理内容以及不同的服务方式，可能对应不同的价格结构。

在简单对话中，用户容易把费用理解为“一次提问对应一次回答”。但在智能体场景里，真实计费单位正在从“一次对话”变成“一个任务”。资料中提到，有用户在联调过程中进行了数十次调用，消耗超过千万词元，而最终产生的文字不到两千字。这个例子说明，最终输出的文字量并不能代表实际成本，后台的上下文传递、推理过程和重复调用才是账单的重要来源。

长程任务会让这一问题更加明显。当机器端AI持续执行数小时，词元消耗会快速积累。它可能不断读取状态、生成下一步计划、调用工具、分析返回结果，再把此前的信息带入新的上下文。对普通用户来说，这些过程并不总是可见；对企业而言，它们却会直接影响毛利率、预算上限和服务定价。

因此，词元并不是简单的“字数计数器”。它更像是数据、模型能力和算力共同作用后形成的一种计量单位。相关资料将词元视为连接数据、模型和算力的价值传导环节，并指出，词元消耗在一定程度上反映了相应的算力与电力使用。这个判断并不意味着词元可以完全等同于智能价值，但它确实为企业记录AI服务消耗提供了较清晰的入口。

低单价不等于低任务成本

大模型价格下降，可能降低单次调用的门槛，却不一定带来整体账单下降。原因在于，低价格往往会刺激更高频的调用，也会让企业把模型放入更多流程。模型越便宜，业务部门越可能增加自动化步骤；调用次数上升后，最终支出仍可能快速增长。

资料中有文章以“均价下降、账单上升”的反差描述这一变化，并提到OpenRouter的周度词元消耗从2.1万亿增长至24.5万亿。无论具体平台的业务结构如何，这个现象至少说明，单价与总量必须分开观察。企业不能因为每百万词元的报价下降，就直接判断AI预算会同步减少。

同时，输入词元和输出词元的作用也不同。输入部分可能包含长文档、历史对话、代码库、规则和工具返回结果；输出部分则可能包含解释、计划、代码、结构化数据或多轮推理内容。一个任务即使输出不长，只要需要反复携带大段上下文，输入成本也可能持续增加。

这会迫使企业重新设计上下文管理方式。哪些信息必须每轮保留，哪些内容可以压缩，哪些结果应该缓存，哪些任务应当拆分，哪些步骤需要使用能力更强的模型，哪些步骤则可以交给成本更低的模型，都会成为系统设计的一部分。模型选型不再只是采购部门的决策，而是产品、工程、财务和业务共同参与的成本管理问题。

从模型排行榜转向任务账本

对模型采购方来说，最重要的变化是建立任务账本，而不是继续依赖单一排行榜。排行榜能够帮助企业了解模型的能力边界，却无法替代业务环境中的成本测算。企业需要把真实任务拆解成可观察的执行链路，记录一次任务从开始到结束的全部资源消耗。

这套账本至少应当回答几个问题：一次任务平均调用多少轮；输入和输出词元分别是多少；工具调用失败后会不会自动重试；模型生成的内容有多少需要人工修改；任务耗时是否影响服务承诺；当并发量上升时，成本是否出现异常增长。只有得到这些答案，采购方才有能力比较不同模型的真实性价比。

对于AI创业者而言，任务成本还决定产品能否形成稳定商业模式。一个面向消费者的应用，可以承受偶尔的高成本体验，但很难长期承担不可预测的后台支出。一个面向企业的智能体产品，若无法解释每项任务的成本来源，也很难让客户放心扩大使用范围。

这意味着创业公司需要同时管理两条曲线：一条是模型能力曲线，另一条是单位任务成本曲线。能力提升可能带来更高的客户价值，但如果任务链路变得过长，毛利率就会受到侵蚀。相反，适度压缩任务步骤、减少无效上下文和降低重复调用，有时比单纯更换模型更能改善经济性。

开源模型获得新的竞争窗口

当行业从能力竞赛转向任务成本竞赛，开源模型的机会也会增加。资料中提到，一旦模型能力越过特定任务的使用门槛，不同模型之间的商业价值可能趋于接近。对于企业来说，模型不必在所有指标上领先，只要能够稳定完成目标，并在成本、部署和可控性方面更适合业务，就有机会进入采购范围。

当然，开源模型并不意味着没有成本。企业仍然需要承担部署、运维、算力、调优、监控和安全管理等支出。把API账单换成自建基础设施，并不会自动消除成本，只是改变了成本结构。采购方需要比较的是完整的任务成本，而不是某一个单独的价格项目。

闭源前沿模型则需要寻找效率市场之外的价值空间。资料提到，部分闭源实验室正从代码等效率型任务，延伸到金融、科学等专业领域。这种路线变化反映出一个现实：如果模型只在通用效率任务上竞争，价格、开源替代和企业预算约束都会带来压力；如果模型能够进入高价值、强专业和高风险决策场景，客户可能更看重可靠性、专业能力和结果价值。

计费透明度成为行业基础设施

词元经济学的前提，是企业能够看清词元究竟花在哪里。现实中，模型调用往往跨越多个服务层：应用调用模型，模型调用工具，工具返回内容后再次触发模型，平台还可能进行日志记录、缓存和安全检查。如果缺乏统一、清晰的账单，企业很难判断成本究竟来自模型本身，还是来自工作流设计。

因此，行业需要更透明的计费规则和更细的可观测能力。采购方不仅需要知道每百万词元的价格，还需要知道输入、输出、缓存、推理、工具调用和失败重试是否分别计费。对于长时间运行的智能体，还应当能够查看某项任务的成本变化，而不是等到月底才面对一张无法拆解的总账单。

这也是词元从技术概念变成产业计量单位后必须面对的问题。若词元被视为智能服务的价值标尺，计量口径就不能长期模糊。不同模型对词元的切分方式、不同平台对上下文的计算方式，以及不同任务对词元的实际使用效率，都需要在商业合同和产品界面中得到更清晰的说明。

对产业研究者来说，未来观察大模型市场，也不能只看模型数量、参数规模或调用总量。更值得关注的，是任务成本是否下降、单位成本对应的有效产出是否提高、企业是否能够控制预算，以及模型能力是否真正转化为可持续收入。

AI商业化进入精细核算阶段

大模型行业并没有离开能力竞赛，只是能力竞赛的评价方式正在发生变化。过去，企业可能先采购最强模型，再围绕模型能力寻找使用场景；现在，越来越多的企业会先定义任务，再反向决定模型、调用方式和预算上限。

这并不意味着所有任务都应当使用最低价模型。对于高风险、高复杂度和高价值任务，使用更强模型可能是合理的；对于重复性强、容错空间较大的流程，成本更低的模型可能更合适。关键在于，选择必须建立在任务结果和总成本之上，而不是建立在单一品牌、单项榜单或宣传参数之上。

从参数竞赛走向词元经济学，实质上是大模型行业从技术供给逻辑转向企业经营逻辑。模型能力决定“能不能做”，词元消耗决定“做一次要付出什么代价”，任务价值则决定“这笔代价是否值得”。这三者能否形成清晰的对应关系，将影响AI应用能否从试用阶段进入规模化部署。

【软盟观察】

大模型行业正在经历一次不太显眼、却十分关键的估值重心变化。过去市场更容易被参数规模、基准分数和模型排名吸引，如今企业开始追问每项任务的真实账单。词元成为计量单位，并不代表词元本身就是价值；真正有意义的是，企业能否把词元消耗与任务结果、人工节省、业务收入和风险控制联系起来。对创业者而言，降低无效调用、缩短任务链路和建立成本可观测性，可能与提升模型能力同样重要。对采购方而言，模型选择不应停留在单价比较，而应放回真实工作流中核算。未来的竞争，或许不是谁消耗更多词元，而是谁能用更可控的词元成本，稳定完成更有价值的任务。