大模型厂商正在重新定义客户为什么愿意为模型付溢价。据微信公众号「窄播AI」作者撰文观察，OpenAI今年7月做出一组看似矛盾的价格调整：一边把GPT-5.6 Luna的API输入和输出价格下调80%，中档模型Terra降价20%；另一边则为GPT-5.6 Sol推出Fast Mode，号称输出速度最高可达标准模式的2.5倍，价格也是标准模式的两倍。同一种模型能力，因交付速度不同被卖出了两个价格。

到10月初，OpenAI在为期28天的连续发布中，又把优化订阅默认速度列为首个重要更新，将GPT-6 Astra和GPT-6.1 Sol的速度提升约50%，并强调这两个模型在完成任务所需Token数量上相当高效。

这些动作背后的问题逐渐清晰：当Token单价持续走低，模型厂商还能靠什么获得溢价？OpenAI首席财务官Sarah Friar给出了一个更明确的概念——每美元有效智能（Useful Intelligence per Dollar）。按她的解释，企业不应只看每百万Token的价格，还要计算一项任务是否完成、花费多少时间、失败后需要重复调用多少次，以及需要多少人工监督。这是OpenAI希望提供给客户的一套比较大模型价格的新尺度。

Token曾是最方便的大模型计量单位。厂商按输入和输出分别报价，客户可以迅速比较不同模型调用一百万Token的成本，过去几年的大模型价格战也主要表现为每百万Token价格的不断下降。但Token的局限在于只能计算模型处理了多少信息，无法说明它完成了多少工作。一个单价较高的模型，如果能减少推理轮次、降低错误率，任务成本可能反而更低；一个看起来便宜的模型，若需要反复调用、检查和修改，账单也可能更高。

这种差别在Agent出现后更加明显。Agent可以长时间运行，不断调用模型、携带上下文、使用工具，并在失败后重新规划，客户购买的不再只是一次回答，而是一段持续执行的过程。企业支出管理公司Ramp的数据呈现了这种错位：2026年3月至9月，其美国企业样本中的每百万Token有效价格从1.15美元降至0.68美元，下降41%；但Ramp客户的月度Token支出在2025年6月至2026年6月增长了20倍。两组数据的统计区间和样本口径虽不完全相同，却指向同一现实：单位价格下降，并不会自动带来总账单下降。

这意味着，仅仅证明模型更强，已不足以说服客户，也难以解决大模型厂商的商业化问题。一方面，性能提升只有转化成客户愿意付费的结果，才能支撑持续的训练和推理投入；另一方面，价格降低会释放更多需求，Agent又进一步放大调用量。企业开始更重视算账，既希望用更强的模型提高效率，又需要防止越来越多的调用突破预算。Ramp的9月数据显示，其前1%企业客户的人均AI支出在8月环比下降约9.7%。中信证券也在一份研报中指出，模型能力进展与应用落地之间存在脱节，产业关注点将逐渐转向推理和货币化。OpenAI在此背景下提出「每美元有效智能」，本质上是要为Token之外的溢价寻找论证依据，把大模型变成按工作价值定价的生产工具。

文章认为，模型厂商正在Token计费基础上，把模型能力、交付时间和预算确定性分别定价出售。第一种可单独计费的价值是完成复杂任务的能力：OpenAI用Astra、Sol、Luna覆盖不同复杂度的任务，Anthropic则以高端模型承接编程、复杂推理和长时间运行的Agent工作，两家在介绍新模型时都开始强调完成同一任务所需的Token、重复调用次数和时间，而不只是输入和输出牌价。但高端模型的性能溢价并未转化为同等规模的采用，一些企业把Sonnet、Terra等标准模型设为公司默认选项，只允许在更少、更高价值的任务中使用前沿模型。在使用Ramp的Token管理产品的企业中，Fable 5在7月只占Anthropic Token用量的约6%，却占约11.4%的支出。

第二种可单独计费的价值是交付时间和资源优先级。OpenAI提供Fast和Ultrafast，Google把推理服务分成Standard、Priority、Flex和Batch，需要低延迟和稳定吞吐的请求要支付更高价格，能够等待或接受资源被抢占的任务则可获得折扣。DeepSeek也将非高峰价格设为高峰价格的一半，鼓励客户把可延迟的任务转移到空闲时段。模型能力没有改变，处理时间和资源优先级却形成了新的价格，这套逻辑与云计算越来越接近。

预算确定性由此成为第三种可单独计费的价值。OpenAI、Anthropic以及MiniMax、智谱、阿里云都在推出更细的订阅和Token套餐。对个人开发者与Coding Agent用户来说，固定月费比随调用量波动的API账单更容易接受；对厂商而言，订阅也能增加用户黏性和收入可预测性。但订阅本质上是把按量计价藏进了额度设计里，当厂商把Token包装成订阅，真正的价格便从公开价目表转移到额度、限流和模型分配规则中。SemiAnalysis购买并测试了OpenAI、Anthropic、MiniMax、智谱等厂商的不同订阅档，分别测量输入、输出、缓存读写对额度的消耗，结果显示同样的月费因使用模型不同，按Token折算出的价值与厂商利润可以相差数倍。

文章还指出，厂商希望把价格比较单位从Token转向结果，并不代表客户会接受由厂商单方面定义的结果评测标准。企业正在建立自己的判断方式：把便宜的标准模型设为默认，为高端模型设置调用权限，通过缓存减少重复计算，再用成本平台寻找异常支出，并越来越多地尝试模型路由，根据任务难度、响应时间和成本在不同模型之间自动选择。接受「按结果比价」，最后未必导向最昂贵的模型，大部分任务只需要「足够好」的智能。Factory CEO Matan Grinberg曾表示，很多工作并不需要Anthropic最昂贵的模型，其客户也不愿完全绑定OpenAI、Anthropic或Google中的任何一家，以免未来失去议价能力；不过切换供应商并非没有成本，已搭建的工作流、工具连接和数据体系同样会形成锁定。

文章总结认为，OpenAI提出「每美元有效智能」，承认了单纯的Token价格正在失去解释力，也试图为前沿性能、速度和服务质量保留溢价，但这套标准留下了一个模型厂商无法独自回答的问题：一项结果究竟有没有用，多出来的智能值多少钱，最终只能在客户的真实工作中得到验证。这会让多模型路由、云平台和成本管理工具获得新价值，掌握任务结果、使用成本和错误反馈的一方，也因此获得参与定义「有效智能」的权力。大模型厂商下一阶段的一个竞争方向，是让客户接受自己对智能的计价标准；能够证明结果的厂商更可能把性能优势转化为定价权，而掌握评测、路由和工作流数据的平台也可能参与制定新的价格尺度。届时，行业比较的将不再只是谁的一百万Token更便宜，而是谁能让一美元完成更多工作。