文｜Alpha说 Y

看到模型调用降价，我会先追问一句：便宜的是哪一段？

生成一份初稿的账单降了，核对初稿却仍要花时间；每百万Token（模型处理文本的片段）的报价降了，一项任务也可能因为反复重试而花得更多。要判断AI究竟便宜了多少，需要把“调用一次”与“完成一件事”放在不同的账上。

我理解的变化，是部分文字生成、分类、提取和分析任务，正在获得更低成本的执行方式。真正值得关注的，是在同样交付要求下，完成合格工作的总成本能否下降。

01 训练投入、运行成本和服务报价，是三笔账

先看模型怎样被做出来。

训练模型，需要数据处理、计算资源和人员投入，也可能经历反复试验。讨论“训练成本”时，必须先明确范围：说的是某次正式训练所用的计算费用，还是包含前期研究、实验和其他开发工作的投入。

DeepSeek-V3技术报告就明确说明，其按假设租价折算的正式训练计算费用，不包括此前关于架构、算法或数据的研究与对比实验费用。一个披露数字，并不能自动代表模型从研究到上线的全部开支。

模型训练完成后，接收输入、生成回答的运行过程，通常称为推理。模型参数可以反复使用，每次服务仍需要计算、显存、网络和运行维护。能力可以复用，交付服务的容量仍然要付出成本。

推理的单位成本，也需要一个明确的分母。是处理一个Token、一条请求，还是完成一项任务？在怎样的模型、输入长度、并发和响应时间条件下计算？换了分母，数字就未必能直接比较。

API报价则是用户向服务商支付的价格。API可以理解为软件调用模型服务的接口。报价会受技术效率、竞争策略、套餐、优惠和商业安排等因素影响，不能仅凭价格表，反推出供应商的实际成本或利润。

因此，模型调用降价，并不意味着开发这个模型的成本按同样比例下降。一次免费调用，也不意味着背后的运行没有成本。

02 计算能搬多远，要看任务等不等得起

读价格表，先要看清输入和输出。

输入是交给模型的指令、材料及相关上下文；输出是模型生成的内容。两者可能分别计价，缓存输入、不同处理方式也可能使用不同费率。有些服务还对用于内部推理的Token计费。

Token是模型处理文本的片段，不等于固定数量的汉字。不同模型的切分方式也可能不同。比较“每百万Token多少钱”时，需要同时核对模型、输入输出、上下文条件和收费项目。

在这些边界内，有几种常见的降费办法。

一种是缓存。多个请求反复使用相同的长指令或材料前缀时，服务可以复用已经处理过的部分。以Claude的提示缓存为例，命中要求相应内容完全一致，并受最低长度、有效时间等条件限制。在这个服务中，写入缓存需要付费，费率还高于普通输入；如果有效期内复用不足，未必划算。

另一种是批处理。任务可以等待时，把多个请求交给批处理服务，可能取得不同于即时调用的报价。它适合不必立即拿到结果的工作，但要接受相应的完成时限、容量及失败处理条件。把实时服务改成等待交付，改变的不只是价格。

还可以选择更适合任务的小模型。固定格式提取与复杂开放分析，对能力的要求并不相同。如果较小模型已经通过本任务的验证，就有机会降低所需资源和费用。但模型更小，并不保证在每个任务上都更便宜、更可靠。

量化等优化，则通过改变数值表示等方式，减少部分存储或计算负担。能否节省实际费用，要看运行环境是否支持，以及优化之后的质量、速度是否仍然合格。

降费方法需要与任务匹配，报价优惠也不能一律当成底层成本下降。有时减少了重复处理，有时提高了运行效率，有时则只是服务商提供了不同的收费安排。

03 最后还要算，每个合格结果花了多少

即使模型费用已经下降，企业真正支付的账也没有到此结束。

先看一个假设例子。同一项任务，方案A每次调用花0.1元，经过十次调用和修改才得到合格结果，模型调用费共1元；方案B一次花0.4元就通过要求，模型调用费为0.4元。单次便宜的方案，在这项任务里反而付得更多。

这不是两种模型的实际测试成绩，只是说明：比较成本，需要把重试也算进去，把合格结果作为交付单位。

企业还要准备数据、接入业务系统、设置权限和验收规则。有些结果需要人工核对，有些错误会带来返工或业务损失。这些投入的变化，可能比模型调用费的变化更大。

因此，比较两种方案，应使用同一批有代表性的任务，明确质量要求和完成时限，记录调用、重试、人工处理以及系统运行等开销。对于错误后果较大的工作，还要考虑错误率和可能损失，不能只选一次生成最便宜的方案。

这种比较也不要求所有任务都交给同一个模型。简单环节可以使用较轻的处理方式，复杂或无法通过检查的部分再转交更强的模型或人工。但分流、检查和转交同样需要设计，是否划算，要看整条流程的结果。

还有一个值得分开的现象：单位任务成本下降，总账单仍可能上升。因为原先只做一次的工作，现在可能每天做；原先人工只抽查一小部分材料，现在可能让模型处理全部材料。使用量扩大与单位成本下降，可以同时发生。

所以，我更愿意把“AI变便宜”理解为一种可验证的机会：过去不值得投入的工作，现在可能值得尝试；过去只做得起少量的任务，现在可能扩大覆盖。

机会能否变成收益，要看省下的调用费和处理时间，能否在完整工作中保留下来。价格表给出入口，合格工作的交付，才给出答案。