发一句“你好 ”消耗数万词元（Token），一个季度花光全年AI预算……大模型虽好 ，但很多用户已招架不住猛增的词元账单。近日，多份大模型评测报告首次新增成本维度
，报告显示不同大模型完成同一任务的成本相差比较高 近20倍 。

　　业内人士认为，近来 大模型的计费过程仍是“黑箱
” ，用户难以预测词元开支、审计词元费用或者评估投入产出。随着词元消耗仍将保持高速增长
，词元成本管理需求旺盛，有望带来新商机
。

　　大模型决胜性价比

　　一直以来 ，国内外各类大模型评测主要关注性能表现。近日
，多份中文大模型评测报告中首次新增成本评测，让用户得以通过定价看清开支 。

　　6月30日 ，中文大模型评测机构SuperClue首次发布“Token成本象限图
”
，该象限维度由任务平均得分和平均每题费用 来定义
。结果显示，不同大模型的平均每题费用 相差近20倍 ，任务平均得分比较高 相差超70%。

　　其中
，智谱GLM5.2（max）在任务得分和平均每题费用 均为比较高 ，领衔“高端质优”象限 。小米集团的MiMo-V2.5-pro则以最低的平均每题费用 和不俗的任务得分 ，领衔“经济适用者 ”象限
。还有其他大模型分布在“超值领航者
”和“溢价探索者”象限。

　　据介绍，SuperClue本次测评了国内7个代表性大语言模型
，测试任务是完成相同的工程问题，其间需驱动模型开展数十轮对话交互 ，逐步完成代码分析 、修改与验证
，最终得出不同模型的性价比、推理耗时
、交互轮数和词元消耗数量 。

　　对于首次评测大模型性价比的缘由，SuperClue创始人徐亮告诉《经济借鉴 报》记者 ，近来 大模型变成了生产力工具
，在关注模型效果的基础上，大众也关心调用词元的消耗情况以及最终完成任务的成本
。

　　不止评测机构 ，一些用户也开始关注大模型的实际使用成本。

　　AI创业者习翔宇近期做了一场测试
，他让多款国内外大模型重构一个静态网站，包含首页、知识图谱页 、文章列表和上百篇文章详情页等内容 。他最后发现 ，Claude跑一轮测试的成本超200元
，而DeepSeek仅花费17.1元，其余大模型开支则在数十元到百余元不等 ，相差悬殊
。

　　多位业内人士告诉记者，很长时间里
，用户往往只关注哪个大模型更强，但随着AI走进千行百业 ，词元开支不断增加
，用户开始日趋关注实际成本。因此，未来针对大模型完成特定任务的成本评测会越来越多 ，以帮助用户更好地挑选合适的大模型 。

　　AI好用而账单难算

　　各类评测开始关注词元成本的背后
，是难以预测的AI开支和难以看懂的大模型账单。记者查阅多家大模型定价资料发现，AI计费过程对于多数用户无异于“黑箱 ”
。

　　例如MiMo-V2.5和DeepSeek的定价都是基于百万词元输入和输出 ，其中输入又分为缓存命中和缓存未命中
，两者费用 相差数十倍乃至上百倍。用户在后台仅能查阅词元消耗数或者调用次数 。另一家大模型企业Kimi的后台里，只显示产品
、模型、项目和API key的消费明细
。

　　不止个人用户看不清楚 ，连企业用户也算不明白。市场调研公司艾瑞询问 调查发现
，从中型公司到年支出过亿元的集团企业，几乎没有一家能在初次沟通时说清AI成本的全貌 。词元消耗以秒为单位增长 ，AI治理却近乎缺位，这一矛盾正在加剧
。

　　对于造成这一问题的缘由
，艾瑞询问 相关负责人认为，词元消耗因为模型差异 、提示词差异 ，相差数十倍乃至上百倍。一个失控的智能体几小时的词元就可能耗尽整月AI预算 。而且词元消耗如何折算成业务产出
，近来 尚无标准
。由于AI供应商多元化，账单天然存在碎片化问题 ，没有一张表能看清全貌。

　　汇正财经执行总经理周荣圣长期关注AI领域
，他告诉记者，企业使用AI相关服务的投入需要可溯源
、可核算 ，才能向股东明确说明资金用途与价值 。但是
，当前大模型计价规则不够透明，一些厂商还将词元计价改为积分（credit）计价模式 ，缺乏可审计性和可解释性
。用户不仅难以明确核算词元成本
，更难以在财务审计中核算其投入产出价值。

　　“近来 确实没有词元成本评估机制或者事后审核机制 。
”询问 机构IDC中国研究总监卢言霞告诉记者，现在市场还处于混战状态 ，技术提供商希望获得更大市场份额和更高收入，整个行业尚未有序发展
，因此还没有到可以评估的阶段。

　　受此影响，词元消费“黑箱”反过来抑制了AI的发展
。在经历了几个月的AI狂飙后 ，随着成本陡增
，不少企业已经对词元开支踩下“刹车 ”。5月底以来，微软开始限制内部Claude Code许可；网约车平台Uber仅用4个月就耗尽了2026全年AI编程工具预算 。不仅仅是国外 ，国内部分互联网巨头也开始为员工的词元开支设限
，将原本不设限的词元“自助餐
”，改为整体限额、团队共享额度
。

　　词元管理正当时

　　随着AI走入千行百业 ，词元消耗仍将保持快速增长。IDC数据显示
，按词元计算中国MaaS（模型即服务）市场规模，2025年同比2024年增长了16倍 ，预计2026年还将同比增长19.6倍 。

　　卢言霞建议
，短期来看，近来 模型选型还是效果第〖One〗 、 性价比第二 ，同时考虑部署模式
、模型参数等因素
。但从长远来看，企业应尽早建立词元成本的评估机制
，避免业务规模扩张后出现成本失控的局面，例如调研清楚不同大模型的计价模式、供应商如何提供有效词元 、输入输出如何控制。企业在建设智能体时 ，也应将词元消耗的可观测性
、可统计性考虑在内 。

　　作为长期评测大模型的AI专家
，徐亮建议，首先是结合场景需求进行针对性选取  ，如对效果要求高可优先选取 GLM.5.2
，如注重性价比则可优先选取 Mimo 2.5或DeepSeek V4
。其次是形成核算管理制度，例如持续记录AI工具的使用场景、词元成本 、效率提升情况等信息 ，并进行周期性评估
，也能有效挖掘高价值场景，并避免低效词元消耗。针对大众重点使用的场景 ，需开展综合评测
，定期发布不同AI工具的效果、成本
、推理效率的对比分析评测，以辅助决策 。

　　在此背景下 ，词元成本管理正成为新兴需求
。近日，艾瑞询问 推出词元成本精益管理服务。艾瑞询问 相关负责人表示
，多数企业尚未建立面向词元消耗的归因与效率评估机制，难以识别低效或重复调用 。同时 ，词元成本优化也没有统一答案
，企业需结合自身场景诊断。

　　对于个人用户而言，符合个人需求更为重要
。习翔宇经过多番评测后发现 ，近来 行业主流评测榜单均以编程、长程任务 、工具调用能力为核心评价维度
，仅对程序员群体有借鉴 价值。非编程类场景的大模型能力难以量化，市场也缺乏针对性的评测维度 ，因此普通用户选取 时应以自身实际使用体验为核心标准
，可以结合自身需求做好横向对比 。

（文章来源：经济借鉴 报）