📌 信息分类：数据要素
🗄️ 信息来源：用户推荐
🔗 原文链接：点击访问原文
📅 原文发布时间：2026-07
⏱️ 本站采集时间：2026-07-14 14:15:20
—
Token 不仅仅是模型厂商价格表里的一个单位。进入商业链路后，它会变成价格、路由、账单、供应链和合规问题。
本文接着《什么是 Token》，继续讨论这门生意里谁在卖 token，谁在赚 token 的钱。
Token 为什么能卖钱
Token 并不是一种独立商品。模型厂商出售的，是围绕 token 计量出来的模型调用服务。
你调用一次模型，要按 token 计费；采购一套 AI 系统，供应商会把 token 成本放进报价；用 Agent 跑长任务，后台也在持续消耗 token；你觉得某个中转站便宜，背后往往也是另一套 token 获取方式和价差安排。
Token 只是把算力、显存、带宽、工程系统和模型研发这些成本折算成用户看得懂、供应商算得清的单位，就像电表的”度”。
但 token 又比电表复杂得多：
- 一百万 token 在不同模型里，实际含义并不完全一致
- 不同模型分词器不同，同一句中文切成 token 数量不同
- 输入 token、输出 token、缓存 token 的成本不一样
所以，token 是计费单位，但还不是一个完全标准化的商品单位。
输入 Token 和输出 Token 为什么不是一个价
打开模型厂商的定价页，会看到一个很直接的现象：输入 token 通常比输出 token 便宜很多。
以 OpenAI 官方 API 定价页为例（截至 2026 年 6 月 30 日）：
- GPT-5.5 标准 API：每百万输入 token 5 美元，每百万输出 token 30 美元 → 输出价格是输入价格的 6 倍
- Anthropic Claude Opus 4.8：每百万输入 token 5 美元，每百万输出 token 25 美元
- DeepSeek deepseek-v4-flash：缓存未命中输入 0.14 美元/M，输出 0.28 美元/M
为什么输出更贵？原因不简单是”模型写答案更辛苦”，而是工程负载不同：
- 输入阶段：模型可以一次性读取一批 token，做并行处理，像读材料，可以整段同时送进计算
- 输出阶段：大语言模型通常是自回归生成，一步一步往后生成，每生成一个 token 都要依赖前面内容，显存和内存带宽压力更大
这也解释了一个常见误区：用户觉得”我只问了一句话”，为什么账单不低。因为账单不只看你问了多少，也看模型答了多少。你让模型写一篇长报告，或者连续跑一个 Agent 任务，贵的往往不是输入，而是后续持续输出和多轮调用。
缓存折扣：Token 生意里的第二张价目表
近两年各家模型厂商越来越强调另一种价格：缓存 token。
所谓缓存：如果同一段上下文被反复使用，模型服务商不必每次都按完整成本重新处理，成本可以下降。比如：
- AI 编程助手反复读取同一个代码库
- 企业知识库问答系统反复使用同一批文档
- 法律 Agent 反复读取同一份项目材料
缓存价格对比（例子）：
- OpenAI GPT-5.5：缓存输入 0.5 美元/M → 仅为普通输入价格的 10%
- DeepSeek deepseek-v4-flash：缓存命中 0.0028 美元/M → 仅为缓存未命中价格的很小一部分
对高频调用场景来说，缓存命中率会直接影响成本结构。一个企业如果每天让 AI 读取同一套制度，缓存策略做得好，账单可能下降一大截。
未来采购 AI 服务时，不能只问「每百万 token 多少钱」，还要问：
- 是否支持上下文缓存？
- 缓存怎么计费？
- 命中率能不能在后台看到？
- 缓存数据会不会被用于训练？保存多久？
Token 生意的四层结构
第一层：模型厂商卖基础能力
OpenAI、Anthropic、Google、DeepSeek、阿里云、火山引擎、智谱等厂商，训练模型、维护推理基础设施，通过 API 开放能力，掌握最底层定价权。
定价围绕三件事：能力分层（旗舰/中端/轻量）、成本拆分（输入/输出/缓存分别计费）、用户习惯（API 计费 + 订阅制并行）。
有意思的现象：订阅制对重度用户往往更划算，但平台不可能长期无限补贴，所以很多采取”限量供应”。未来 AI 工具的用量管理将成为重要话题。
第二层：云服务商卖稳定性、合规和企业入口
企业不一定直接找模型厂商，很多时候通过 Azure、阿里云百炼、火山方舟、Google Cloud 等平台调用。
这一层卖的不只有模型能力，还有统一账号、账单、权限管理、日志、SLA、区域部署、数据驻留、企业合同、发票、本地技术支持。对企业来说，这些往往比”每百万 token 便宜几毛钱”更重要。
结论：token 可能只是入口，云才是生意。
第三层：聚合平台卖路由和统一接口
典型代表 OpenRouter，把多个模型接到同一个接口，开发者不用分别对接每一家，可以做模型切换、成本比较、路由管理。
赚的是接口统一、模型选择、路由策略和账单管理的钱。
风险：当企业通过聚合平台调用多个模型，需要关心请求到底去了哪个模型、数据经过哪些供应商、日志留在哪里、失败时是否自动切换，这已经进入供应链管理。
第四层：中转站卖访问能力和信息差
用户不直接调用官方 API，发给中转站，中转站再通过自己的账号/渠道调用，最后返回结果。
存在原因：解决访问限制、支付困难、账号门槛、发票需求、企业采购不便、海外模型偏好等痛点。
风险提示：价格低到不符合常识时，需要追问：
- 模型来源是否合法？
- 是否真的调用了声称的模型？
- 请求和响应日志是否会被保存或转售？
- token 用量能否被独立核验？
便宜本身不是问题。真正的问题是，便宜背后可能不是效率，而是风险转嫁。
图：Token 生意的四层流转｜数熵制图
Token 生意里的几种常见套利
- 订阅制套利：用户买固定价格订阅，用自动化工具跑满额度，利用订阅价远低于 API 等价成本套利
- 地区和渠道套利：利用国内外模型价格差、支付条件差，转卖获利
- 模型替换套利：用户以为买的是高级模型，后台实际调用更便宜模型
- 计量口径套利：虚报 token 数量，用户无法独立核验
- 数据套利：用户把高质量业务数据交给服务，服务商攒下训练数据，这是另一层收入
这些套利不一定都违法，但对企业用户来说，调用链条越长，风险越大。
企业采购：真正买的不是 Token，而是可验证的服务
从企业采购角度看，token 价格当然重要，但不能只看价格。企业真正需要买的，是可验证的模型服务。重点看五件事：
- 模型身份能不能核验：供应商应当说明实际调用的模型名称、版本、供应商和切换规则，不能只写”支持 ChatGPT/Claude”实际随意替换
- 计费口径能不能复核：输入/输出/缓存/重试/工具调用/失败请求是否计费，应当说清楚，最好提供调用明细和用量日志
- 数据流向能不能说清：请求内容是否被保存，保存多久，是否用于训练，是否向第三方提供，合同里要写清楚
- 服务责任能不能追溯：模型错误、调用失败、数据泄露、服务中断，责任谁承担，赔偿上限多少，有没有安全事件通知义务
- 价格变动能不能管理：合同里需要约定价格调整通知、替代模型选择、服务降级处理和终止权
Token 价格会越来越便宜吗？
很多人直觉上认为，token 一定会越来越便宜。这个判断大体没错，但不完整：
- ✅ 模型推理成本确实在下降：更高效架构、更便宜国产模型、更成熟缓存批量调用，都会拉低单位 token 价格
- ⚠️ 但用户消耗 token 的方式也在变化：过去聊天一轮一问一答；现在 Agent 连续读取文件、调用工具、改代码、跑测试、自我修正，一个任务拆成几十上百次调用
因此，未来真正重要的不是 token 单价，而是 token 效率。同一个任务，能不能用更少 token 完成；能不能命中缓存；能不能避免无效上下文；能不能选择合适模型；能不能减少 Agent 无意义循环。
AI 服务的成本控制，正在从「买便宜 token」变成「管理 token 使用效率」。
结语
Token 的生意，看起来是模型厂商的价格表，实际是一条完整的 AI 服务供应链：
- 模型厂商卖基础能力
- 云服务商卖企业入口
- 聚合平台卖统一接口
- 中转站卖访问能力和信息差
- 企业用户在这些链条里购买模型能力、承担数据风险，并最终为账单负责
所以，讨论 token，不能只停在”多少钱一百万”。更应该问的是：
这个 token 是谁计的，谁卖的，谁路由的，谁保存了请求，谁能解释账单，出了问题谁负责。
当计量单位进入商业世界，它就会变成价格、合同、供应链和合规问题。这就是词元经济。
免责声明：本文仅为人工智能服务商业模式与合规风险的一般性讨论，不构成任何法律意见或投资建议。文中价格信息以相关厂商公开页面为基础，具体价格、模型名称和计费规则可能随时调整，实际使用应以服务商最新公示及合同约定为准。
—
🔗 阅读原文