真正引发开发者讨论的不是分数本身，而是分数与成本的组合。

三档推理，三种性价比

DeepSeek 向 ARC Prize 提交了三个推理强度变体，分别是 Max（最高）、High（较高）和 Low（较低）。用户可以自行决定单次回答投入多少算力，这一选择会直接反映在每道题的花费上。三档的验证成绩如下：

• 最高档 Max：ARC-AGI-1 得分 89.0%，ARC-AGI-2 得分 61.4%
• 较高档 High：ARC-AGI-1 得分 87.0%，ARC-AGI-2 得分 56.0%
• 较低档 Low：ARC-AGI-1 得分 84.0%，ARC-AGI-2 得分 46.0%

在 ARC-AGI-1 上，最高档与最低档之间只差 5 个百分点；但到了 ARC-AGI-2，两档差距拉开到 15.4 个百分点。这说明第二代基准对模型“想多久”这件事远比第一代敏感——同一个模型少思考一会儿，成绩就会明显滑落。

ARC Prize 尚未公布该模型在 ARC-AGI-3 上的成绩。

ARC-AGI 到底在考什么

ARC-AGI（抽象与推理语料库）由研究者弗朗索瓦·肖莱（François Chollet）设计，考察方向与常见的知识问答、代码生成类基准完全不同。每道题给出几组彩色网格的“输入—输出”示例，模型需要自行推断出其中的变换规则，再把规则套用到一个全新的输入上。

这类题目无法靠背诵互联网语料蒙混过关，考的是面对陌生问题时的泛化能力。ARC-AGI-2 在第一代基础上刻意提高了门槛：加入需要多条规则叠加才能解出的任务，同时剔除了大模型已经学会套路化应对的题型。因此 61.4% 这个数字的含金量，明显高于同一模型在第一代上的 89.0%。

评测采用半私有测试集，题目不对外公开，以避免答案被写进训练数据。本次公布的逐题明细覆盖 ARC-AGI-1 公开集的 400 道题与 ARC-AGI-2 公开集的 120 道题，逐条标注了三个档位各自的通过与失败情况。

成本这一栏，为什么比分数更受关注

ARC Prize 的验证流程把资源消耗视为衡量指标的一部分，所以结果页会把每题成本与得分并列展示。放在整个榜单的成本—分数坐标里，V4 Flash 的位置相当靠左上：分数进入第一梯队，横轴上的花费却低了一到两个数量级。

有开发者在技术社区讨论中指出，V4 Flash 最高档在这张图上的位置已经压过同为开放权重路线的 Kimi K3，与部分闭源前沿模型的得分区间接近，成本却只是后者的零头。需要说明的是，这类对比来自社区解读，并非 ARC Prize 的官方结论。

同样需要提醒的是，0.02 美元和 0.04 美元只对应本次评测中的单道基准题目，不能直接换算成实际业务开销。真实应用里的智能体往往要反复调用工具、维持超长上下文、产出大段文本，累计花费会远高于一道基准题。

开放权重阵营的位置在变化

过去两年，抽象推理长期被视为闭源前沿模型的专属优势区。测试时计算（让模型在回答前多想一会儿）的思路虽然把成绩推了上去，但高档位的单题成本一度停留在数美元量级，规模化使用并不现实。

DeepSeek 由梁文锋创办，总部位于杭州。此次 V4 Flash 0731 以开放权重形态拿到经第三方验证的成绩，意味着开发者既可以调用其接口，也可以自行部署后按需调节推理强度，在延迟、预算和准确率之间做取舍——这种灵活度，正是把推理能力塞进智能体流水线时最实际的考量。

来源：ARC Prize 基金会 ARC-AGI 验证结果页

问题出在“token”这个计量单位

用户向大模型提问、让它写代码或自动执行流程时，这段提示词会被拆成一个个被称为 token 的数学块交给模型处理，模型的回答同样以 token 的形式产出，再还原成文字、代码或指令。

麻烦在于，这个过程并不可预测。提示词的细微差别会带来不同的回答，同一段提示词两次运行结果也未必一致，换个模型答案又不一样。而在智能体系统里，多个 AI 智能体协同决策与执行，token 消耗量和不确定性还会进一步叠加。

身份管理公司 Saviynt 正在把智能体能力接入自家服务，公司高管 Simon Gooch 的说法很直白：“想把客户绑定在一套未来 12 个月、两年、三年的成本模型上，说实话根本讲不通，因为我们自己也不知道。”

单价暴跌，用量暴涨

高盛的分析显示，近年来单个 token 及其对应额度的价格已大幅下滑，但企业和个人消耗的 token 数量却在飞速膨胀。该行预测，随着各方转向使用 AI 智能体，2026 年到 2030 年间 token 消耗量将增长 24 倍，达到每月 120 千万亿个（1.2×10¹⁷）。

问题是，多数使用者对自己烧掉了多少 token 只有模糊的概念，往往要等到额度用尽或月底账单送达才反应过来。报道援引消息称，连微软都已收紧工程师对部分第三方编程工具的使用；而优步在今年早些时候，把一整年的 AI 编程 token 预算在几个月内就消耗殆尽。

伦敦政治经济学院数字创新与信息系统副教授 Will Venters 认为，企业在内部试验或落地 AI 时最容易踩坑，因为员工会不知不觉把额度耗光。“大家发现这个成本真的很难管……它的产出是非确定的，所以价值也是非确定的。”

各方的应对办法

工程软件公司 smartR AI 创始人 Oliver King-Smith 观察到，规模较小的组织“可以躲在雷达下，用固定费用的个人账户，我敢肯定大厂并不乐意”。但他判断这条路走不长：“大厂在这些账户上是在亏钱的。”一旦平台开始面临股东的盈利压力，“他们就会收紧”。

英国财务软件公司 iplicit 首席财务官 Rob Steele 则强调提示词要写得更精确。他打了个比方：“你总不会一句交代都没有，就打发家里人去采购一周的东西吧？”

Venters 补充说，当 AI 被嵌入一款要面向成千上万用户推广的产品时，局面会更难控制——管理者可能才意识到，除了核心的软件开发，测试、安全乃至护栏机制同样都要消耗 token。他还提到一个容易被忽视的对比：多雇几个 AI 智能体只需点一下按钮，而扩充人类团队则要经过编制和招聘的层层讨论。

不过 Venters 也提醒，成本不可预测未必等于亏，企业可能确实从中获得了更高的价值。“这跟计算器不一样，”他说，“你喂给它的越多，它就越贵，但结果也可能越好。”

卖方同样一头雾水

企业还得把这些成本转嫁给自己的客户，而这一步同样没有答案。软件公司 Sumo Logic 产品营销高级总监 Bill Peterson 说得直接：“没人真正搞明白。”该公司正在预览基于智能体的新安全服务，如何收费仍在与企业客户商讨中。“我们内部还在开一些‘有意思’的会。”他略带调侃地表示。

可选方案包括全线涨价、按结果付费，或按“事件包”打包销售。但只要底层大模型厂商调整自己的定价策略，这些结构随时可能被推翻。“一旦进入浮动定价，价格每隔几个月就变一次，”Peterson 说，“客户不喜欢这样，没人是这么做预算的。”

来源：BBC News

最近在 Hacker News 上被讨论的 CostPerPrompt 就是冲着这件事去的。它是一个免费的网页工具，收录了 232 个以上模型的实时价格，并且自动刷新，同时提供一整套按真实业务场景设计的成本计算器。

先看一张价格表，差距比想象中大

这套工具最直观的价值，是把各家模型的单价放在同一张表里。以每百万 tokens 计算的输入 / 输出价格为例（数据更新于 2026 年 8 月 2 日）：

• OpenAI GPT-5.6 Sol：5.00 美元 / 30.00 美元，上下文 110 万
• OpenAI GPT-5.4：2.50 美元 / 15.00 美元
• Anthropic Claude Fable 5：10.00 美元 / 50.00 美元
• Anthropic Claude Sonnet 5：2.00 美元 / 10.00 美元
• 谷歌 Gemini 3.1 Pro Preview：2.00 美元 / 12.00 美元
• xAI Grok 4.5：2.00 美元 / 6.00 美元，上下文 50 万
• 月之暗面 Kimi K3：3.00 美元 / 15.00 美元
• 深度求索 DeepSeek V4 Pro：0.435 美元 / 0.87 美元
• 深度求索 DeepSeek V4 Flash 0731：0.09 美元 / 0.18 美元
• 智谱 GLM 5.2：0.4186 美元 / 1.32 美元

把两端放在一起对比：Claude Fable 5 的输出单价是 50 美元，DeepSeek V4 Flash 0731 是 0.18 美元，相差约 277 倍。输入端的差距同样悬殊，10 美元对 0.09 美元，约 111 倍。国产模型在这张表里的位置相当扎眼——DeepSeek 与 GLM 的定价比第一梯队旗舰低了一到两个数量级。

为什么大部分成本估算都是错的

该工具在说明中给出了一个关键判断：多数”这功能要花多少钱”的文章，估算结果通常偏离真实值两到三倍，原因是漏掉了两项折扣。

第一项是提示词缓存（prompt caching）。聊天类应用每轮对话都要把历史记录重新发一遍，这部分重复输入可以享受最高 90% 的折扣。第二项是批量处理（batch），只要业务能接受延迟出结果，整体费用可以省下约一半。这两项不计入，账就算不准。

计价规则本身并不复杂：所有主流厂商都按 token 计费，1 个 token 大致相当于四分之三个英文单词，输入和输出分开定价，输出通常比输入贵 3 到 5 倍。一个标注 5 美元 / 25 美元的模型，意味着每发送一百万 tokens 花 5 美元，每生成一百万 tokens 花 25 美元。

六个计算器，覆盖六种花钱方式

CostPerPrompt 没有停留在报价表层面，而是按业务形态拆成了多个计算器：

• API 成本计算器：任意工作负载在全部 232 个模型上横向对比，并计入缓存与批量折扣。
• 聊天机器人成本：模拟真实对话，考虑历史记录不断增长、上下文重复发送、缓存命中等因素。
• 智能体成本：多步循环、工具调用的结构描述、失败重试都会计入——该工具明确指出，智能体的实际开销通常是直觉估算的 10 到 30 倍。
• RAG 成本：把索引、检索、生成三段分开计价，其结论是嵌入向量那部分其实便宜到可以忽略。
• 语音 AI 成本：语音识别、大模型、语音合成三段账单合并计算，可按分钟、按通话、按月查看。
• GPU 租用价格：覆盖 H100、A100、RTX 4090 在 10 家供应商处的报价，同一块芯片的价差可以达到 5 倍。

此外还有图像 API 价格页（单张 0.003 美元到 0.17 美元，分三档市场）以及一个完全在浏览器本地运行的 token 计数器，粘贴文本即可看到 token 数与各模型对应费用，内容不会上传。

对什么人有用

这类工具的价值不在于替人做决策，而在于把”到底贵在哪一步”摊开。对于正在做技术选型的团队，它至少能回答三个常见问题：同一个任务换个模型能省多少；把智能体的重试次数从三次降到一次值不值；以及自建 GPU 与调 API 之间的分界线大致在哪里。

需要提醒的是，各家厂商的价格调整相当频繁，任何第三方汇总页面都只能作为参考起点，真正要签合同或做预算，仍应以厂商官方定价页为准。

来源：CostPerPrompt（costperprompt.com），经 Hacker News「Show HN」板块发布

据《卫报》看到的内部备忘录，Atlassian 本月为研发团队的员工推出了”AI 钱包”，每人每月上限在 500 至 2000 美元之间，可用于包括 Claude Code 在内的四款 AI 产品。当花费接近上限时，员工会收到提醒；额度用尽后，AI 工具将暂停使用。员工可以申请追加预算，知情人士称目前公司并未拒绝过任何追加请求。

“Tokenmaxxing” 正在推高企业 AI 账单

Atlassian 的举动，与硅谷一度流行的”tokenmaxxing”形成鲜明对比。这个词指鼓励员工尽可能多地使用 AI，一些公司甚至用排行榜来炫耀谁的 AI 用量最高。

代价是真实的。据报道，Uber 在四个月内就烧光了全年 AI 预算；亚马逊也已要求员工不要为使用而使用 AI。token 是 AI 响应的基本计费单位，OpenAI 称一个 token 约等于四个字符，而美国《独立宣言》全文约为 1695 个 token。即便模型单价持续下降，企业实际支出仍在快速上涨，因为 AI 代理会自主生成大量子任务和提示词。

Atlassian 发言人表示，公司正转型为”AI 优先企业”，AI 工具预算按角色设定，”AI 钱包”实际上还提高了员工可支配的额度。但显然，核心目的不是省钱本身，而是让花钱变得可见、可管理。

80% 的高管担心”用得多”被误当成”干得多”

一项由搜索 AI 公司 Elastic 委托、PureProfile 在 6 月开展的调查访问了 500 名澳大利亚企业高管，其中 80% 担心高频 AI 使用被误解为生产力提升。32% 的受访者表示，由于成本压力，公司已经暂停、取消或缩减了 AI 部署。

Gartner 副总裁分析师阿伦·钱德拉塞卡兰认为，”钱包”是一种简单有效的激励手段，能促使员工把 AI 用在真正值得的地方。他指出，AI 代理是成本激增的主要推手：”这些系统会自主生成任务、派生子代理、自己写提示词并发起模型请求。虽然模型价格三年来一直在降，但代理发送给模型的 token 总量正在显著增加。”

企业正在尝试多种降本手段：对简单任务使用更小的模型、采用可本地部署的开源或开放权重模型、以及像 Atlassian 这样直接给预算设上限。

从”无限量”到”有天花板”

Atlassian 的限额策略，某种程度上标志着企业 AI 应用进入第二阶段。第一阶段是探索和尝鲜，预算模糊、用量无上限；第二阶段则要回答一个更现实的问题：这些 token 到底换来了什么价值？

Atlassian 今年年初曾表示，AI 是公司裁员 1600 人的部分原因。如今它用”AI 钱包”把成本责任压到每个研发团队身上。这一做法会不会被其他公司效仿，取决于两个指标：员工是否因为额度而减少无效使用，以及 AI 带来的实际产出是否因此变得更清晰。

对中国企业而言，这一幕同样值得留意。随着豆包、Kimi、通义千问等模型在企业场景的渗透率提升，如何计量、分摊和控制 AI 支出，很可能很快从”后台技术问题”变成”前台管理问题”。

来源：The Guardian（https://www.theguardian.com/technology/2026/jul/30/atlassian-tightens-tracking-of-staff-ai-use-as-other-technology-firms-encourage-tokenmaxxing）

这一细节出自《金融时报》援引的一份亚马逊内部演示材料。多份内部报告显示，AI 正在让这家公司在多个项目上出现超支，而 180 万美元还只是其中单个项目的数字。

“以前不值钱的错误，现在贵得吓人”

按照内部材料的说法，这类失误过去”便宜到可以忽略不计”，但 AI 模型让它们变得”代价高到灾难性”，尤其是在部署 AI 智能体之后，token 消耗量急剧攀升。

目前已知最大的一笔来自一次失败的 Claude Sonnet 部署，原本用于匹配作者信息与商品列表，最终花掉 180 万美元。除此之外，内部还浮现出另外两笔超支：一个财务审计工具项目额外产生了 54.1 万美元成本——这一点颇具讽刺意味；一套用于缩短物流网络配送时间的系统，额外支出 13.4 万美元。

从数量级上感受一下这笔钱的分量：Claude Sonnet 的公开定价约为每百万输入 token 3 美元、每百万输出 token 15 美元。仅按输入价格粗略折算，180 万美元大致对应约 6000 亿 token 的消耗量。作为参照，同一模型上一次典型的开发者编程任务，成本通常远低于 5 美元。

亚马逊的回应：不要以偏概全

针对这些数字，亚马逊在内部演示中回应称：”和任何新技术一样，我们也在实验、学习并改进使用方式，包括如何提升成本效率。”

公司还表示：”挑出一些孤立的小例子——那些团队正在相互学习的场景——并把它们描绘成常态，并不能反映亚马逊各团队使用 AI 的真实情况。”

从比例上说，这个辩解有其道理。亚马逊最新一季营收超过 1810 亿美元，这些超支的 AI 费用甚至占不到其一个月收入的 0.1%。

真正的问题在治理，不在模型

这并不是 AI 第一次在亚马逊的工作流里制造麻烦。今年早些时候，AWS 曾报告多起由 AI 编程机器人失误引发的服务中断，公司的应对方式是限制 AI 智能体的权限，而不再让它们与所绑定的资深工程师享有同等权限。

更值得注意的是激励机制层面的问题。亚马逊内部曾维护一份排行榜，展示哪些员工使用 AI 最多。在 AI 成本不断膨胀之后，公司重新审视了这一政策并取消了排行榜。这套机制催生出一个被称为”tokenmaxxing”（刷 token 量）的现象——员工为了在排行榜上排名靠前，让 AI 智能体去执行毫无意义的任务。

不少科技公司都在推动员工多用 AI，理由是能提升生产力。但优步（Uber）首席技术官表示，这类政策与能否成功交付产品之间并没有关联。

问题的根源在于计费模式的转变。随着智能体接管更多工作、AI 供应商从订阅制转向按 token 计费，成本迅速膨胀，一些企业在几周内就用光了全年预算。传统软件里那些只值几分钱的失误——低效的循环、设计糟糕的工作流、失控的批处理任务——一旦交给大模型按 token 逐步执行，就会变成毁灭性的开支。

对亚马逊、微软这样的巨头而言，这也许还不是燃眉之急；但对绝大多数其他公司来说，这样的成本结构难以持续。

这起事件给所有在内部部署 AI 智能体的企业留下了一份相当明确的反面教材：为每条工作流指定明确的费用责任人，给智能体设置硬性熔断开关，并把自主 AI 系统当作正式的生产负载来对待，而不是当成边缘实验。

一张 180 万美元的账单，挂在一个从未上线的项目上——这说明跳过治理环节的代价，已经不再是假设性问题。

来源：Tom’s Hardware（https://www.tomshardware.com/tech-industry/artificial-intelligence/amazon-accidentally-spent-usd1-8-million-using-claude-for-menial-coding-task-went-860-percent-over-budget-catastrophically-expensive-coding-blunders-discovered-in-internal-amazon-ai-usage-metrics）、《金融时报》