GPT-5.5的标价是每百万token输入5美元、输出30美元,看起来比Claude Opus 4.8的5美元、25美元更贵。但按Artificial Analysis的跑分实测,GPT-5.5完成一次任务的真实花费不到1美元,Opus 4.8却要花掉近两倍。标价更高,账单更低——这不是笔误,是每M token价格这个指标本身出了问题。
标价便宜,账单未必便宜
问题出在两处。
第一处是tokenizer。不同厂商切分文本的方式不一样,同样一段话,GPT-4o切出的token数量比GPT-4老版本能少两成。标价乘的分母不统一,单价自然没法直接比。
第二处更隐蔽:思考token。现在的模型很多都要先"想"再答,这段推理过程往往被折叠隐藏,但照样按输出价计费。任务越复杂,思考token占比越高,标价和实际账单的落差就越大。
| 模型 | 标价(输入/输出,$/1M) | 单任务成本 |
|---|---|---|
| GPT-5.5 xhigh | $5 / $30 | $0.99 |
| Claude Opus 4.8 max | $5 / $25 | $1.78 |
| GLM-5.2 max | $1.40 / $4.40 | ~$0.46 |
| DeepSeek V4 Pro max | $0.435 / $0.87 | ~$0.04–0.05 |
GLM标价只有GPT五分之一左右,单任务成本却没有等比例便宜,说明它更"费token"。DeepSeek V4 Pro反而是这张表里最不讲道理的黑马:标价低,单任务成本更低,效率没打折。
Anthropic说标价没变,用户说账单涨了
最值得细看的一个案例,是Anthropic今年调整tokenizer之后引发的争议。
同样一段文字,新tokenizer切出的token数量比过去多了一到三成多。Anthropic的官方说法是:每token的价格没有变化,变的只是计数方式。技术上说得通——单价确实没动一分钱。
但用户端的体感完全是另一回事。社区里大量反馈显示,同样的用量,实际账单涨了两三成,代码和技术类文本涨幅还更明显。对一个每天调用API的团队来说,"单价没涨"和"账单没涨"根本不是同一句话。
- 风险.企业预算按标价估算,一旦token计数规则调整,实际支出会在无声中偏离预期。
这不是谁说了假话,而是计价维度和体验维度错位。标价管的是"每份多少钱",用户在意的是"这个月总共花了多少"。厂商守住了前者,消费者遭遇的是后者。
谁把话说清楚了
思考token计费不透明,不是所有厂商程度一样。目前能看到的差异大致是:Google在Vertex AI文档里明确写清楚思考token和回复token怎么合并计费,是相对最清楚的一家;OpenAI的推理token也计费,但披露细节不如Google;Anthropic这次的争议核心正是"计数方式变了没提前讲透";DeepSeek则在文档里提醒用户,tokenizer和其他厂商不同,建议自己核实真实用量再下结论。
Google反倒最讲清楚,这多少有点讽刺——大家印象里最擅长营销包装的公司,在这件事上做了最朴素的说明书。
这份对比表本身也有边界
原文那张成本对比表值得参考,但不该照单全收。
型号命名很容易踩坑,同一系列不同版本标价能差出好几倍,拿旧版本价格去对标新款,比价本身就先错了。这份数据只来自一家评测机构的一次跑分,样本单一,GLM、DeepSeek这类"标价低但token效率也低"的结论,还需要更多独立数据源交叉验证才能定论。至于原文里怀疑Claude Sonnet 5是厂商刻意用低标价诱导用户选一个token效率更差的型号——这只是作者的猜测,没有证据支撑,读者看看就好,别当成结论转发。
标价管进货价,账单管总支出,两者本就不是一回事。
该看什么,该做什么
对天天调API的团队,单价比较从一开始就该降级为参考项,真正该盯的是完成一个任务实际花了多少钱。这意味着自己跑一批有代表性的真实任务,记录端到端token消耗,而不是拿厂商官网的标价表做选型依据。厂商会不会跟进Google的做法,把思考token计费写清楚,是接下来最该盯的一个变量——目前只有一家做到了,这本身就说明行业还没到"必须透明"的临界点。
- 结论.比价的终点不是每token多少钱,是完成一件事到底花了多少钱。