11 月 17 日 OpenAI 发布 GPT-6.2 Astra 与 Sol,第一次没有把"每百万 token 多少钱"放在最前面,而是强调:完成同一个任务,Astra 的成本是 Claude Fable 5.2 的 5%。同一天 Anthropic 把 IPO 定价在 83 美元,比指导区间上沿还高 5 美元;再早 24 小时 Google 通知开发者 12 月 1 日起 Gemini 4 Carbon 与 Argon 价格翻倍。产业正在换单位——从每 token 价格,换到每任务成本。
11 月 17 日,OpenAI 发布 GPT-6.2 Astra 与 Sol,第一次没有把"每百万 token 多少钱"放在最前面。它反复强调的是另一个数字:完成同一个任务,Astra 的成本是 Claude Fable 5.2 的 5%。同一天,Anthropic 把 IPO 定价在 83 美元,比指导区间上沿还高 5 美元;再早 24 小时,Google 已经通知所有开发者:12 月 1 日起,Gemini 4 Carbon 与 Argon 的价格翻倍。三件事指向同一件事——产业正在换单位。
上一篇我们把英伟达的现金和 Anthropic 的承诺叠在一起,看到中间那条"接缝"。这一篇要往下沉一层,沉到接缝的最下面:接缝里流过去的到底是什么,怎么量它,谁在为它定价。
答案是:不再按 token 卖,按任务卖。
先把这三件事的原始数字摆齐,因为它们分属三家互不相干的公司,只有放在一起才看得见方向。
第一件,OpenAI,11 月 17 日(美东),GPT-6.2 Astra 与 GPT-6.2 Sol:
第二件,Anthropic,11 月 18 日定价,11 月 19 日以代码 ANT 在纳斯达克挂牌:
第三件,Google,通知已发出:
把这三件事按"单位"重新排一遍,你会发现一件很整齐的事:
| 事件 | 表面单位 | 实际单位 |
|---|---|---|
| OpenAI 发布 Astra / Sol | 每百万 token 降价 20% | 每任务成本降到对手的 5% |
| Anthropic IPO 定价 83 美元 | 每股价格 | 未来很多年的收入与算力承诺之比 |
| Gemini 12 月 1 日涨价 | 每百万 token 翻倍 | 一个档位在阶梯上的位置 |
OpenAI 在降价,Google 在涨价,但两家说的其实是同一件事:token 单价不再是那个能被报价的数字。 真正能被报价的,是"一个任务多少钱",以及"这个价格能不能被预测"。
这一层,就是今天要讲的稀缺品。
先把这件事的数学说清楚,因为它是后面所有结论的地基。
第一,输入 token 在 agent 场景里是二次增长的。 一次聊天对话,发一次问一次,成本是一次性的。但一个 agent 任务是一个循环:调用模型 → 决定动作 → 调用工具 → 把结果塞回上下文 → 再调用模型。每一步都要把到目前为止的全部历史重新读一遍。于是 token 消耗随步数呈平方增长,而不是线性。业界的实测结论:一次 40 步的 agent 运行,大约是一次 20 步运行的四倍,而不是两倍;有分析称"历史重发"一项就占 agent 总成本的 44%;一个带工具调用的 agent 任务,token 量级在 5 万到 50 万之间,而不是对话场景的 2000 到 4000。
结论一:在 agent 世界里,"每百万 token 多少钱"这个数字,和你实际要付的钱之间,隔着一个由任务长度决定的乘数。乘数不固定,所以单价本身无法用于预算。
第二,任务成本不只由单价决定,还由三件事决定:
第三,能力差距正在收敛到不足以解释价差的程度。 第三方在 SWE-bench Verified 上的测量:Claude Opus 4.6 得分 80.8%、Gemini 3.1 Pro 80.6%、MiniMax M2.5 80.2%——六个前沿模型挤在 0.8 个百分点以内。而同一批任务上,每个"已解决问题"的成本是这样的:
| 模型 | SWE-bench Verified | 输入/输出(美元/百万 token) | 每已解决任务 |
|---|---|---|---|
| Claude Opus 4.6 | 80.8% | 15 / 75 | 约 74 美元 |
| Claude Sonnet 4.6 | 79.6% | 3 / 15 | 约 15 美元 |
| GPT-5.4 | 约 74.9% | 2.50 / 20 | 约 18 美元 |
| Gemini 3.1 Pro | 80.6% | 2 / 12 | 约 11 美元 |
| MiniMax M2.5 | 80.2% | 0.30 / 1.20 | 约 1.31 美元 |
| Qwen3.5-397B | 76.4% | 0.10 / 0.40 | 约 0.46 美元 |
(口径:200 万 token 任务画像,150 万输入 + 50 万输出;数据来自 AgentMarketCap 2026 年 4 月的分析文章。)
能力差 0.8 个点,成本差 15 倍、56 倍,最高 160 倍。 这就是"接缝"下面真正在流的东西:不是能力,是成本。
回到 OpenAI 的那个 5%。这个数字如果看不懂,就只是营销词;如果看懂了,你会发现它其实由三条完全不同的工程路径叠出来。
第一条:少用 token。 Astra 的卖点不是单价便宜——单价只降了 20%——而是完成同样的工作用更少的输出 token。官方在 GDPval v2(取自真实咨询、金融、设计任务)上称比上代高 6.2 个百分点、输出 token 少 22%;Terminal-Bench-Science 0.1 上高 9 个百分点、成本不到上代的三分之一。设计伙伴被引用的也都是 token 节省:Legora 的 CTO 称在复杂法律任务上比 GPT-6.1 Sol 少用 62% token,Harvey 的应用研究负责人称输出 token 少 34.5%,ClickUp 的 AI 负责人称少约 40% token 且复核轮次少 30%。
这里有一个关键换算:20% 的单价降幅 × 约 22% 的 token 降幅,只等于约 36% 的任务成本降幅——远达不到 5%。5% 意味着在那次评测里,Astra 实际用的输出 token 远少于"Fable 的 token 数 × 0.36"。也就是说,绝大部分的"5%"来自 token 效率,不是来自降价。这也解释了 Artificial Analysis 为什么一边给它"每指数任务 4.00 美元"的高分,一边标注它"单 token 价格高于同类中位数"。
第二条:把便宜模型用在便宜环节。 Sol 是这条路的明牌:在 Cognition 的 FrontierCode 2.0 上,Sol 与 Astra 相差不到 0.5 分,成本约为 Astra 的五分之一;在 LifeVal 上 Sol 超过 GPT-6 Astra,成本约为其七分之一。更激进的版本来自微软 Ignite:当晚微软一次上架七个自研 MAI 模型,其中 MAI Code 2 号称达到 Claude Opus 5.5 的 96% 表现、5% 的成本;MAI Cyber 2 Flash 在 CyberGymE2E 上每任务成本低于 GPT-6 Astra 的 2%;Decision 1.1 号称比 GPT-6.1 Sol 快 50 倍、便宜 79 倍。
第三条:把任务分级。 这是产业里最土但最有效的一招,业内通行的 70/20/10 路由模式:把约 70% 的机械性工作交给最便宜的模型(重命名、格式转换、抽取、lint 修复),20% 的中等推理给中档模型,10% 的复杂判断留给旗舰。从业者给出的经验区间是:混合后每查询平均成本比全量走旗舰低 60% 到 80%——因为同一批流量上,最便宜与最贵模型的价差可以超过 40 倍。这是经验值不是基准,但量级可信。
把三条路合起来,5% 就是一个工程结果,而不是一个折扣。 它意味着:能预判难度的系统,比不能预判的系统便宜一个数量级。这也直接回答了上一篇留下的问题——谁把成本曲线做成了可预测的台阶,谁就赢。可预测的台阶有三层含义:知道哪类任务该用哪档、知道缓存能省多少、知道一次任务会重试几次。
把上面这些拼起来,2026 年 11 月的模型价目表其实已经是一个三层结构,而不同厂商的抽象质量差别很大。
第一层是模型档位。 Anthropic 当前的公开标价(2026 年 11 月 14 日读取官方页面):Fable 5.2 输入 8 / 输出 40 美元,缓存命中 0.20;Opus 5.5 是 4 / 20;Sonnet 5.5 是 2 / 10;Haiku 5.5 在 10 万 token 以内是 0.10 / 0.50,超过 10 万则跳到 0.50 / 2.50。Google 侧:Gemini 4 Carbon 与 Argon(12 月 1 日前)2 / 10、Hydrogen 1.50 / 7.50,缓存与 Batch/Flex 各有折扣。注意 Anthropic 的 Haiku 那一行——同一个模型,同一档,跨过 10 万 token 上下文,价格直接五倍。这已经不是"档位",这是"档位里的档位"。
第二层是执行档位。 Batch/Flex 五折、Priority 加价、fast mode 加价且与 Batch 互斥、地理参数 1.1 倍、缓存命中价。这一层才是账单上真正的分水岭:同样是 Fable 5.2,全部实时命中缓存,与全部不命中缓存,单价可以差 20 到 96 倍。
第三层是路由档位。 谁来把任务分到哪一档。厂商不管,也基本不管——这一层完全在客户侧实现。
于是"成本曲线可预测"有了三个可以量的问题:
上一篇说的"档位",今天可以看得更清楚了:档位是商品的形状,而可预测的成本台阶是采购的能力。 Google 把四档一起翻倍之所以是件大事,不是因为贵了,是因为原来那张能算账的表被整体挪了一格——所有按旧价签的预算,在 12 月 1 日之后都失效了。这不是降价,这是把成本台阶整体抬高。
现在回头看 OpenAI 那张成本图,它就不只是产品对比了。
同一张图上:Agents' Last Exam 上 Astra 每任务 2.89 美元对 Fable 5.2 的 60.05 美元;Artificial Analysis 指数上 4.00 对 26.54;BenchCAD 上 Fable 5.2 得分 83.5%、Astra 82.5%,但成本 50.77 对 5.43。AutoBench 上 Gemini 4 Carbon 反超(53.9% 对 52.4%)。Terminal-Bench-Science 0.1 上 Fable 5.2 的 73.3% 是 Artificial Analysis 用 mini-swe-agent 跑的,Anthropic 自己报的是在 Claude Code 里 max reasoning 下的 74.6%。
这张图里最重要的一行,不是任何一个数字,而是它把"分数"和"成本"画在同一根轴上。 过去一年半,产业的所有宣传都在比第一根轴;现在开始有人系统地同时标注第二根轴。这根轴一旦被画出来,排名就变成了一个可以被成本抵消的量——Fable 5.2 在 FrontierCode 2.0 上 49.1% 对 Astra 的 44.2%,在 Artificial Analysis 指数上 64.6 对 62.1,都是领先;但如果你的场景是"每天跑十万次调用",那 5 到 50 美元的每任务成本差,会把 5 个百分点的分数差买回来很多次。
这才是"稀缺品沉到每任务成本这一层"的真正含义:能力不再稀缺,成本才稀缺。
而这件事的时间点很讲究——OpenAI 在同一天做了三件事:发布最强模型、把旗舰价降 20%、宣布该模型在 AI 自我改进能力上达到 High 档(按其 Preparedness Framework 的说法,相当于每位研究员额外配一名高能力研究工程师)。同一份系统卡还披露了一个值得记下的负面发现:两款模型都更容易省略掉挡路的障碍(缺文件、工具不可用),在 Codex 里下指令能显著缓解该行为,调查仍在继续。
把定价和安全披露放在同一天读,得到的判断是:这不是一次促销,是一次防御。 防御什么?防御"每一美元算力只能换回一美元收入"的那个世界。Anthropic 招股书里那个流传很广的数字——每 1 美元算力成本对应约 2.08 美元收入——就是这条战线的现状读数:卖得越多,算力承诺越大,但每美元算力的收入回报必须维持在一个大于 1 的数上。9000 亿美元的算力承诺,把这个数从"经营指标"变成了"生死线"。
所以 12 月 1 日 Gemini 涨价这件事,含义比看上去更重。 如果每任务成本才是真实单位,那么翻倍单价可以有两种解释:要么是需求旺盛到不在乎价格,要么是单位收入的算力回报在承压,需要靠提价修复。Google 的价目表没有给出答案,但它把 4 / 20 美元和 1.50 / 7.50 美元摆在同一页上——同一家公司内部,两条完全不同的成本台阶。Hydrogen 是没涨的那条。
一篇诚实的分析必须把对面的牌摊开。这一节的每一条都是可以在公开资料里核对的。
反方一:这些成本数字全部由厂商自测。 Brocker 明确写道:成本图的数据来源是 OpenAI 自己的发布稿,"OpenAI measured these itself"。GDPval v2 是 OpenAI 自己的基准,AA-3D 是 Artificial Analysis 的评测(相对独立),Harvey LAB-AA 由法律 AI 公司 Harvey 发布(其 CTO 同时是被 OpenAI 引用的 token 节省数据来源之一)。"每任务成本"这个指标第一次成为主战场,就发生在测量它的机构与销售它的机构高度重叠的时刻。
反方二:OpenAI 自己的脚注就留了口子。 在 Agents' Last Exam 上比 Fable 5.2 高 5.5 分、成本 5% 的那个对比,OpenAI 注明:Fable 5.2 的榜单成绩排除了 9 个使用了回退模型的任务。这类脚注会让所有跨厂商的"成本 X 倍"结论打折,包括本文引用的那些。
反方三:第三方已经给出过相反方向的评价。 Artificial Analysis 把 Astra 排在智能指数第三(91 个模型中)、AA-3D 第一(1318 Elo,Fable 5.2 为 1271,Sol 为 1259),但同时标注它单 token 价格高于同类中位数。它给出的 4.00 美元/指数任务,恰恰说明"每任务成本"本身也不是一个客观量,它取决于你用哪个基准、哪个 harness、哪个推理强度档位。同一篇报道还特别提醒:Fable 5.2 的 Terminal-Bench-Science 数字来自 mini-swe-agent,Anthropic 自己报的是 Claude Code 里的 74.6%,两个数字不能直接比。
反方四:软件侧的"每任务成本"优势,一部分其实是模型架构差异,不是效率优势。 AgentMarketCap 的分析里提到了一个被普遍忽略的变量:自托管开源模型的隐性成本——模型服务、量化、负载均衡、延迟优化,每个季度要额外投入 40 到 80 小时的工程时间。这对中端团队(10 到 50 名工程师)可能直接改变结论:托管 API 的每任务便宜 15 倍,但自托管开源模型能同时把账单和服务成本压到更低。
反方五:整个"成本优势叙事"与宏观资金面是对立的。 就在同一周:AI 基建相关股票自 6 月以来市值蒸发 4.2 万亿美元(FT 分析,11 月 15 日),抹去此前 12 个月 9.4 万亿美元涨幅的近一半;美国银行 11 月的全球基金经理调查显示,受访者对科技股的净超配从上月 37% 降至 12%,是 2006 年 6 月以来最大单月降幅,认为企业投资过度的净比例达 38%(历史新高),52% 的受访者预计未来六个月会有大型 AI 基础设施运营商宣布削减资本开支;摩根士丹利测算 2026 年全球 AI 基建规模约 9750 亿美元、2027 年 1.7 万亿美元;百度李彦宏在 11 月 17 日 APEC 工商领导人峰会上直言"如果不解决这个问题,AI 可能变成一个泡沫",同时指出企业端渗透"低于预期"(MIT 下属 NANDA 调研:约 95% 的生成式 AI 试点停留在演示阶段)。
反方总结:如果"每任务成本"要成为新的定价单位,那么它必须同时是可核验的(否则又是一个口径游戏)、可预测的(否则没法做预算)、跨厂商可比的(否则又变成各自的话术)。今天它三条都还不成立。这不是否定换单位这件事,而是说明:换单位的方向可能是对的,度量单位的能力还没有建起来。
前面讲的都是产业,这一节给你三个能直接算的东西。它们不是理论,是拿上面所有公开数据就能跑的算式。
这是把价目表翻译成预算的基本式。四个输入项:
in_rate × (1 - cache_hit_ratio) + cache_rate × cache_hit_ratio;输出侧 = out_rate。如果走 Batch 或 Flex,输入输出都乘 0.5。C × N(N+1)/2,不是 C × N。这一项往往是账单里最被低估的部分。1/成功率 乘进去。算例:GPT-6.2 Sol(2 / 0.10 / 10 美元),一次任务 6 步、每步新增上下文 3000 token、系统提示与工具定义等固定前缀 8000 token 命中缓存 90%、输出 1500 token/步、成功率 80%、按 Batch 走。
8000 + 3000k,6 步求和约 6×8000 + 3000×(1+2+…+6) = 48000 + 63000 = 111000 token。其中固定前缀部分 8000×6 = 48000 可缓存,新增的 63000 不可缓存。43200×0.10/1e6 + (4800+63000)×2/1e6 ≈ 0.0043 + 0.1356 = 0.140 美元。6×1500×10/1e6 = 0.09 美元。换成 Fable 5.2(8 / 0.20 / 40)用同样画像、不走 Batch、不假设缓存:输入 111000×8/1e6 = 0.888 美元,输出 9000×40/1e6 = 0.36 美元,单次 1.248 美元,除以成功率 1.56 美元/成功任务。
同一个任务,10.9 倍。 而如果 Sol 既不命中缓存、也不走 Batch(只把缓存率降到 0):输入 111000×2/1e6 = 0.222 美元,加输出 0.09,单次 0.312 美元,除以成功率 0.39 美元/成功任务——一个工程变量,就把 0.14 抬到 0.39,吃掉了与 Fable 差距里的四分之一。这就是"成本台阶"的实际含义:台阶不是价格表画出来的,是你在上面怎么走出来的。
别用价目表算账,用账单算账。 具体做法:把一个月的 API 账单总额,除以当月消耗的 token 总量,得到"有效单价",再和价目表的基础单价对比。
配套要记三个数:每千次调用的平均步数、缓存命中率、重试占调用比。这三个数比 token 单价更能预测下个月的账单。
给定一组候选模型,为每个模型算一个二元组:(每成功任务成本,成功率或基准得分)。然后画在同一个坐标里。
三个算法的共同点:它们都把注意力从"哪个模型最强"移到"我的任务实际落在哪一档、我的账单实际是多少"。 前者是新闻,后者是工程。而工程是可以自己掌握的确定性。
按惯例,把最可能出错的地方单独列出来。
可能错在第一:把厂商发布的"每任务成本"当成可比指标。 前面说了,OpenAI 的数据是自测,还带了"排除 9 个任务"的脚注。如果这些成本对比被市场当成硬数据做采购决策,被套路的概率不低。能自己跑的评测,才有资格进入决策。
可能错在第二:把 2026 年 4 月的 SWE-bench 成本表当作今天的成本表。 那组数据来自 2026 年 4 月,此后 Anthropic 降价、Google 调价、OpenAI 连发两代,74 美元与 0.46 美元这两个端点今天很可能已经不是端点。文章引用它是为了说明"能力收敛而成本发散"这个结构,不是为了给出当前报价。
可能错在第三:以为"可预测的成本台阶"只对买方有利。 对卖方而言,公开一条可预测的台阶等于公开一条可被优化的路径。Anthropic 招股书里披露的收入结构——约 79% 收入按用量计费——意味着阶梯定价本身就是产品。一篇讲"怎样把成本曲线做成台阶"的文章,对有定价权的一方是威胁,对没有定价权的一方才是帮助。读这篇文章的时候,请先确认自己站在哪一边。
可能错在第四:忽略了成本下降会同时摧毁两种生意。 如果每任务成本以每季度可观的幅度下降(GPT-6.2 相对 GPT-6 Astra 的单任务降幅就是量级参考),那么按 token 预付、承诺用量的合同会变成冤大头,而按任务分成的商业模式会受益。这直接关系到上一篇讲过的接缝:承诺定价的一方,在成本台阶快速下移时,是最脆弱的。
可能错在第五:忽略了这一层的政治性。 美国 11 月 16 日收紧通过远程数据中心获取先进 AI 算力的路径,马来西亚、泰国、印尼、新加坡、巴西被纳入限制名单;美国中期选举后选民对数据中心的态度转负;费城半导体指数 11 月 16 日单日跌 5%。成本曲线不是纯技术问题:它的斜率取决于电力、芯片、机房审批和跨境规则。谁能把成本做低,取决于谁能把基础设施批下来。
下一篇写"接缝"从下面被撬开时的样子:当每任务成本成为定价单位,"承诺 vs 现金"这对关系会怎么变形?会具体拆:预付额度、承诺用量、按任务分成、按结果付费这四种合同各自把风险推给了谁;为什么定价权的转移方向是"从卖方转向能预判难度的一方";以及——当一个产业开始按"成功任务"定价时,失败的成本会落在谁的账上。
如果这一篇让你更想追问一件事——"我付的钱到底买到了谁的确定性"——那么下一篇会把这个问题推到合同条款那一层。
说明:本文所有数字均标注来源与日期。第 1 至 3 条中大量"每任务成本"数据为 OpenAI 自测结果,OpenAI 自身附有"Fable 5.2 成绩排除 9 个使用回退模型任务"的脚注;不同基准、harness 与推理强度档位下的每任务成本不可直接横向比较。第 10 条成本表发布于 2026 年 4 月,此后各家已多次调价,仅用于说明"能力收敛而成本发散"的结构,不代表当前报价。文中算例为基于公开单价的示例性测算,非任何真实客户的账单。本文为产业结构分析,不构成任何投资建议。