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）