Bakit bumababa ang presyo ng AI Token: Ang Labanan sa Presyo ng LLM, ang AI Agents, at ang Kinabukasan ng Inference
Nagbaba nang malaki ang gastos sa pagbuo at pagproseso ng mga token ng malalaking modelo ng wika sa isang bilis na kahit na kaunting industriya ang nakamit. Sa unang bahagi ng Setyembre 2026, ang Silicon Data LLM Token Expenditure Index, isang usage-weighted benchmark ng epektibong market price, ay nakamit ang record low na 97 sentimo bawat milyong token, higit sa kalahati ng kanyang summer peak at isang maliit na bahagi ng antas na nakita lamang ilang taon ang nakalilipas. Ipapakita ng pagbaba na ito ang matinding kompetisyon sa pagitan ng mga frontier labs, mabilis na pagtaas ng mga kakayahang open-weight models mula sa mga developer sa Tsina, mga pagpapabuti sa software at hardware efficiency, at pagbabago sa mga pattern ng demand na idinudulot ng AI agents.
Ang resulta ay isang merkado kung saan ang high-volume inference ay naging mas mura nang malaki, habang ang mga komplikadong multi-step agent workflows ay kumakain ng mas maraming token kaysa sa simpleng chat interactions. Ang pagbaba ng presyo ng token ay pangunahing dulot ng presyur mula sa kompetisyon at teknikal na efisensiya, hindi lamang dahil sa pagbaba ng demand, na nagpapahintulot sa mas malawakang agentic applications habang gumagawa ng presyur sa margin para sa mga provider ng model at nagpupukaw sa mga enterprise na maging maingat sa pag-optimize ng routing at pagpili ng model.
Nakarekord na mababang presyo ng token ay nagpapakita ng pagpapalakas ng kompetisyon sa merkado
Ang Silicon Data LLM Token Expenditure Index, na inilalabas sa ilalim ng Bloomberg ticker na SDLLMTK, ay bumaba sa 0.97 dolyar bawat milyong token noong Setyembre 1, 2026, ayon sa datos ng kumpanya at kasabay na pag-uulat. Ito ang pinakamababang pagbasa mula pa noong paglunsad ng index at nagpapakita ng pagbaba ng higit sa 50 porsyento mula sa mga tuktok noong simula ng tag-init. Ang mas malawak na pagsusuri ay nagpakita ng pagbaba ng average inference cost mula sa halos 2.04 dolyar sa kahuling bahagi ng Mayo 2026 patungo sa saklaw na 1.16–1.18 noong maagang Agosto bago patuloy na bumaba. Ang mga numero na ito ay naglalaman ng weighted effective prices batay sa paggamit sa isang mix ng frontier at open models na obserbado sa pamamagitan ng multi-provider routing platforms, na nagbibigay ng mas malinaw na imahe kung ano ang tunay na binabayaran ng merkado kaysa sa list prices lamang.
Ang pangmatagalang konteksto ay nagpapakita ng kalalabasan ng pagbabago: ang GPT-3.5-class performance na nagkakahalaga ng halos 20 dolyar bawat milyong token noong huling bahagi ng 2022 ay bumaba na sa halos 0.07 dolyar noong Oktubre 2024 ayon sa Stanford HAI tracking, at patuloy na nagkakaroon ng mas malaking kompresyon. Ang mga gastos na nakabatay sa kakayahan ay bumaba pa nang mas mabilis sa maraming kaso, na may mga estyma ng 5–10 beses na taunang pagpapabuti sa price-performance frontier para sa ilang mga benchmark. Ang kamakailang pagpapabilis ay tumutugma sa mga tiyak na kompetitibong hakbang kaysa sa biglaang pagbaba sa pangkalahatang paggamit ng AI. Ang mga negosyo at developer ay patuloy na lalawak ang pagkonsumo ng mga token, ngunit patuloy pa ring bumababa ang blended price na binabayaran dahil sa pagkuha ng bahagi ng mas mura mga opsyon, at ang mga provider ay nag-aayos ng list rates. Ang dinamikang ito ay ginawa ang mga dating mahal at mataas na volume na gawain na mas viable habang ipinakikita ang pagkakaiba sa pagitan ng unit economics at kabuuang gastos.
Agresibong pagbaba ng presyo ng GPT-5.6 ni OpenAI ay nagpapabilis sa pagbaba
Sa huling bahagi ng Hulyo 2026, binawasan ng OpenAI ang mga presyo sa kanilang pamilya ng GPT-5.6 ilang linggo pagkatapos ng pangkalahatang pagkakaroon. Ang Luna tier ay nakaranas ng 80 porsyentong bawas, na nagdala sa input tokens sa 0.20 dolyar at output tokens sa 1.20 dolyar bawat milyon. Ang mid-tier na Terra model ay nakatanggap ng 20 porsyentong bawas sa 2 dolyar na input at 12 dolyar na output. Ang flagship na Sol model ay unang napanatili ang presyong 5/30 bago ang isang mas huling promosyonal na bawas na higit sa 20 porsyento para sa isang tatlong buwan na panahon. Ang mga pahayag ng kumpanya ay nagturo sa mga pagbabago bilang bahagi ng mga pagpapabuti sa epi-siyensiya mula sa mga modelo mismo, kabilang ang pinabuting code optimization at serving efficiency. Ang mga hakbang na ito ay nangyari habang dumami ang pagsusuri ng mga negosyo sa mga taksil ng AI at habang lumalago ang paggamit ng mas mura mga alternatibo.
Ang pagkakataon, ang pagbabawas ng presyo agad pagkatapos ng paglunsad, ay nagpapakita ng pagiging handa na prioritizahin ang volume at posisyon sa merkado kaysa sa margin sa maikling panahon para sa mid- at lower-tier na trapiko. Ang mga malaking workload tulad ng klasipikasyon, ekstraksiyon, pagrute, at mga maagap yugto ng agent loops ang makikinabang nang higit sa lahat, dahil ngayon ay maaari na silang tumakbo sa malaking iskala gamit ang mga kakayahang modelong walang nakaraang hadlang sa gastos. Ang mga susunod na pagbabago at ang pagpapakilala ng mas mabilis na mode sa premium na presyo ay nagpapakita ng tiered na estratehiya na nagpapanatili ng pagkakaiba ng frontier capability habang ginagawang mas accessible ang pang-araw-araw na inteligensya. Ang mga bawas ay direktang nakatulong sa nakita mong pagkabawas sa blended market indices.
Ang mga bukas na modelo ng Tsina ay nagpapababa ng antas ng kompetisyon
Ang mga developer mula sa Tsina ay ipinakilala ang mga open-weight at mura na modelo na may mataas na kakayahan na mas mababa ang presyo kaysa sa mga frontier sa Kanluran sa malaking margin. Madalas na nakikita ang mga produkto ng DeepSeek sa mga pinakamura opsyon sa mga routing platform, kung saan ang ilang konfigurasyon ay dating may presyo sa mababang sampu ng sentimo bawat milyong token, at ang mga huling bersyon ay nanatiling agresibo ang presyo kahit na may mga pag-adjust para sa peak at off-peak periods. Ang mga modelo ni Moonshot AI na Kimi, kabilang ang K3 series, ay nagbibigay ng isa pang kompetitibong direksyon na may list price na bagaman mas mataas kaysa sa pinakamura open options, ay patuloy pa ring mas mababa kaysa sa maraming proprietary mid-tier offerings batay sa performance-adjusted sa mga partikular na workload.
Ang pag-uulat mula sa gitna ng 2026 ay nagpakita na ang mga Chinese model ay nakuha ang malaking bahagi sa mga aggregator platform, kasama ang ilang mga pagsusuri na nagtuturo na ang apat na pinakapopular na model sa isang pangunahing router ay Chinese sa ilang puntos ng taon. Ang mga puwang sa kakayahan ay naging mas maliit sa maraming praktikal na gawain tulad ng coding, pag-summarize, at pangkalahatang paggawa ng kaalaman, na nagpapahintulot sa mga user na sensitibo sa gastos at mga startup na ilipat ang kanilang volume. Ang presyur na ito ay nagpupukaw sa mga proprietary provider na tumugon sa kanilang sariling pagbaba ng presyo o maaaring mawalan ng mga segment na may mataas na volume. Ang open weights ay nagpapahintulot din sa self-hosting at third-party hosting sa karagdagang nabawasan ang epektibong gastos para sa mga organisasyon na may kakayahan sa operasyon. Ang kumulatibong epekto ay nakikita sa blended indices habang ang paggamit ay umiiwas patungo sa mas mura alternatibo para sa mga angkop na gawain.
Mga Pagpapabuti sa Epekto ng Software at Paglilingkod sa Kompond na Presyur ng Presyo
Sa labas ng pakikidigma sa list price, ang teknikal na pag-unlad ay nagbaba ng pangunahing gastos sa paggawa ng bawat token. Ang quantization, speculative decoding, pinabuting pagpapamahala ng KV-cache, mas mabuting batching, at model-specific optimizations ay lahat ay nagbaba ng compute na kailangan bawat token. Ang mga inhinyero ng OpenAI ay publikong pinag-usapan ang mga software-only optimizations sa mid-2026 na nagbawas ng higit sa kalahati ang ilang inference costs, na nagbigay-daan sa guest traffic sa ChatGPT na tumakbo sa mas maliit na GPU footprint kaysa sa mga nakaraang estimate. Ang custom accelerators at mas malapit na co-design sa pagitan ng mga model at hardware ay patuloy na nagpapataas ng utilization.
Ang mga kita na ito ay nagpapahintulot sa mga tagapagbigay na bawasan ang mga presyo habang pinoprotektahan o pati na'y pinabubuti ang margin sa natitirang mataas na halagang trapiko. Ang mga pagpapabuti sa presyo-pagganap ng hardware na halos 30 porsyento bawat taon at mga pagpapabuti sa kahusayan sa enerhiya na malapit sa 40 porsyento, ayon sa kaugnay na mga pagsusuri sa industriya, ay nagbibigay ng structural tailwind. Ang kombinasyon nito ay nangangahulugan na kahit walang presyur mula sa kompetisyon, ang floor ng gastos ay magpapatuloy na bumababa, bagaman mas mabagal. Kapag idinadagdag sa kompetisyon ng open-model at agresibong mga tugon sa presyo, ang resulta ay ang mabilis na nakikita na pagkakabawas. Ang mga tagapagbigay na hindi makakakuha ng mga efiensiya na ito ay aalalahanin na mas malubhang masusupil.
Pinapagana ng AI Agents ang mas mataas na volumen ng tokenkahit na mas mababa ang unit cost
Habang bumaba nang malaki ang presyo bawat token, hindi nangangahulugan na bumaba rin ang kabuuang gastos sa inference. Ang mga agentic system, mga multi-step workflow na nagpaplano, nagtatawag ng mga kasangkapan, tinataya ang mga resulta, at nag-i-iterate, ay gumagamit ng mas malaking bilang ng token kaysa sa tradisyonal na chat o single-turn applications. Ang mga pagsusuri ay nagpapakita na ang mga agent ay maaaring kailanganin ng 5 hanggang 30 beses na higit pang mga token para sa katumbas na mga gawain dahil sa paulit-ulit na pagpapadala ng konteksto, intermediate reasoning, tool outputs, at self-correction loops. Maaaring magproseso ng milyon-milyon na mga token ang isang coding agent na tumatagal ng isang oras, samantalang ang isang simpleng chatbot ay gumagamit lamang ng tens of thousands.
Ipinapahiwatig ng Gartner at iba pang mga proyeksyon ng pananaliksik na maaaring tumaas ng ilang beses ang gastos sa inference para sa mga agentic workflow kahit na bumababa ang presyo bawat yunit, na nagpapakita ng mas mataas na volume at ang madalas na pangangailangan para sa mas malakas na mga modelo ng pag-iisip. Ang pattern na ito ay katulad ng paradox ni Jevons: mas mura ang intelehensya, lumalawak ang hanay ng mga ekonomikong viable na paggamit, at tumataas ang kabuuang konsumo. Kaya, ang mga enterprise na nagdeploy ng mga agent sa malaking iskala ay nakakaranas ng tumataas na kabuuang taksil kung hindi sila gumagamit ng maingat na routing, caching, model cascading, at prompt optimization. Ang pagbaba ng presyo bawat yunit ay eksaktong nagiging sanhi kung bakit posible ang malaking iskala na pagdeploy ng mga agent; nang walang ito, marami sa mga sistema na ito ay mananatiling sobrang mahal para sa paggamit sa produksyon.
Mas mabilis ang pagbaba ng mga gastos na na-adjust sa kakayahan kaysa sa presyo ng token na pangalan
Ang mga numero ng presyo-per-token ay nagpapakita ng mas maliit na pagpapabuti dahil patuloy na lumalago ang kakayahan ng mga modelo. Ang isang dolyar na ginastusan noong 2026 ay bumibili ng mas mura mga token at mas makapangyarihang mga sistema kaysa sa parehong dolyar na binili noong mga nakaraang taon. Ang pagsubaybay ng Stanford HAI at Epoch AI ay nagpapakita ng pagbaba ng gastos sa mga fixed na antas ng kakayahan sa halos 10 beses bawat taon sa maraming kaso, kasama ang mas mataas na pagpapabuti sa mga partikular na gawain. Ang mga frontier model mismo ay naging mas mura sa bawat sunod-sunod na henerasyon kahit na tumataas ang kanilang absolute na performance.
Ang GPT-4-class intelligence na dating nagkakahalaga ng mga sampung dolyar bawat milyong token ay ngayon ay available sa isang maliit na bahagi lamang ng ganoong gastos mula sa maraming provider. Ang mga pagsusuri na tinatayang naaayon sa kalidad ay nagpapakita ng mas malalim na pagbaba kaysa sa pangkalahatang index. Ipinapaliwanag ng parehong paggalaw na ito—mas mababang presyo bawat yunit kasama ang pagtaas ng kakayahan—kung bakit ang agentic at test-time compute workloads na hindi ekonomiko noong 2023–2024 ay naging karaniwan na. Dapat isaalang-alang ng mga organisasyon ang kabuuang gastos ng pagmamay-ari sa parehong dimensyon, hindi lamang sa listahan ng presyo.
Ang mga Open-Weight Models at ang kompetisyon sa pag-host ay nagpapalawak ng suplay
Ang pagkakaroon ng mga malakas na open-weight model ay nagpalawak sa epektibong suplay ng inference capacity nang higit sa mga propiyetaryong laboratorio. Maaaring magbigay ang mga cloud provider at mga espesyalisadong inference host ng kompetitibong presyo sa mga modelo tulad ng Llama, DeepSeek, Qwen, at katulad nito nang hindi nagdadaan sa buong gastos ng frontier training. Ito ay lumilikha ng permanenteng kompetitibong limitasyon sa pagpapresyo ng propiyetaryo. Nakita ng mga routing platform ang pagtaas ng bahagi ng trapiko ng open-source o open-weight sa mga panahon ng agresibong paglalabas ng mga modelong Tsino.
Ang mga negosyo na may mga kinakailangan sa seguridad o data residency na dating nag-iwas sa ganitong mga modelo ay patuloy na sinusuri ang mga ito para sa mga hindi sensitibong workload. Ang self-hosting ay karagdagang nababawasan ang marginal na gastos para sa mga organisasyon na makakapag-amortis ng hardware at inhinyerong pagsisikap. Ang pangkalahatang epekto ay isang dibididong merkado kung saan ang mga proprietary na modelo na may pinakamataas na kakayahan ay kumikita ng premium habang ang malaking at tumataas na bahagi ng volume ay umuunlad patungo sa mas mura mga alternatiba. Kaya kailangan ng mga provider na makipagkumpitensya sa parehong absolute na kakayahan at price-performance sa buong saklaw ng pangangailangan.
Ang mga pattern ng paggastos ng mga korporasyon ay umuunlad patungo sa pag-optimize at pagrout
Habang bumababa ang mga presyo sa bawat yunit at tumataas ang volumen ng mga tagapag-ugnay, sumagot ang mga masisipag na bumibili sa pamamagitan ng pagpapatupad ng modelong routing, cascading, caching, at mga kontrol sa paggamit. Ang mga legal-tech at iba pang espesyalisadong kumpanya ay nagsalaysay ng maraming beses na pagbaba sa gastos sa pamamagitan ng pagsasama ng premium na mga modelo para sa mga kritikal na hakbang kasama ang mas mura mga alternatibo para sa pang-araw-araw na proseso, nang walang makikitang pagbaba sa kalidad sa kanilang mga workload. Ang mga aggregator at internal na gateway ay ngayon ay nagiging praktikal upang ipadala ang bawat kahilingan sa pinakamababang gastos na modelo na sumasapat sa kinakailangang antas ng kalidad.
Ang pag-cache ng prompt, batch processing, at mas mabagal na mga mode na hindi urgent ay dagdag pa sa pagpapababa ng mga epektibong gastos. Ilan sa mga organisasyon na nagamit na ang kanilang taunang budget para sa AI sa simula ng taon ay naglagay ng mga panloob na limitasyon o umilipat patungo sa mas mababang antas ng mga modelo. Ang mga pag-uugali na ito ay pinapalakas ang pagsabog sa pababang presyong blended habang pinapahintulutan ang patuloy na paglalawak ng pangkabuuang paggamit ng AI. Ang mga mananalo sa kapaligirang ito ay ang mga koponan na tumutok sa pagpili ng modelo at infrastraktura bilang patuloy na problema ng pagpapabuti kaysa bilang mga static na pagpipilian sa vendor.
Kumakalat ang presyur sa margin sa mga tagapagbigay ng Frontier Model
Mabilis na pagbaba ng presyo ay gumagawa ng malinaw na hamon para sa mga kumpanya na malaki ang nagsanay sa mga frontier model. Mas mababang kita mula sa token bawat yunit ng kakayahan ay maaaring mag-squeeze sa landas patungo sa profitability kahit na tumataas ang kabuuang paggamit. Binagabag ng mas malaking pagmamasid ang OpenAI at Anthropic tungkol sa kanilang kapangyarihan sa pagtatakda ng presyo at mga hinaharap na margin, lalo na sa konteksto ng posibleng pagsusumite sa public market. Ang mga Chinese lab na nagsasanay sa mas mababang nareport na gastos at presyo ay agresibong kinukuha ang volume na maaaring magbigay suporta sa mas mataas na presyo sa Kanluran.
Sambil mismo, ang paglipat patungo sa mga agentic workload na nagpapahalaga sa mas malakas na mga modelong pangangatwiran ay nagbibigay ng ilang kompensasyon, dahil ang mga modelong ito ay patuloy na humihingi ng makabuluhang premium. Ang mga provider ay tumutugon sa pamamagitan ng tiered pricing, pagbawas ng gastos na nakatuon sa efficiency, at pagkakaiba-iba ng produkto. Kung ang mga estratehiyang ito ay maaaring muli pang magbigay ng magarap na unit economics habang ipinoprotektahan ang bahagi, ay isang bukas na tanong na magiging batayan sa kapital intensity at kompetitibong istruktura ng industriya sa mga darating na taon.
Patuloy na umuunlad ang Ekonomiks ng Hardware at Infrastructure
Ang mga gastos sa compute ay bumubuo sa pundasyon ng pagpapresyo ng inference. Ang mga pagpapabuti sa paggamit ng GPU, mga espesyalisadong akselerador, bandwidth ng memorya, at networking ay nag-aambag sa mas mababang gastos bawat token. Ang mga custom na chip na disenyo para sa mga transformer workload ay nag-aalok ng karagdagang pagpapabuti kapag natutupad na ang mass production. Ang mga pagpapabuti sa enerhiyang epektibo ay nagbabawas sa operating expenses sa malaking saklaw. Ang mga estruktural na trend na ito ay suporta sa patuloy na pagbaba ng presyo, independiyente sa antas ng kompetisyon.
Sambil mismo, ang malaking kapital na kailangan upang itayo at pamahalaan ang mga malalaking cluster ay bumubuo ng mga hadlang at nagpapakita kung aling mga kumpanya ang makakipag-competes sa harap. Ang interaksyon sa pagitan ng pag-unlad ng hardware at pag-optimize ng software ay magdedetermine kung gaano kalakas ang pagbaba ng cost floor at kung maaari bang isara ng open-weight models ang mga natitirang pagkakaiba sa capability sa parehong ekonomiks.
Ang hinaharap ng inference ay tumuturo sa mga espesyalisadong at cascaded na sistema
Tungo sa hinaharap, ang kombinasyon ng pagbaba ng gastos ng token at pagtaas ng kumplikadong mga agent ay nagtuturo patungo sa mas kumplikadong mga arkitektura ng inference. Ang mga cascaded system na gumagamit ng mga murang modelo para sa unang pagpapaliwanag at mga mahal na modelo lamang kapag kinakailangan, mixture-of-experts routing, espesyalisadong maliit na mga modelo para sa karaniwang subtasks, at advanced caching ay magiging standard. Ang mga teknik sa test-time compute na nagpapalit ng karagdagang mga token para sa mas mataas na kumpiyansa ay magiging mas atraktibo habang bumababa ang presyo ng mga token na iyon.
Lumalawak ang ekonomikong kakayahang magpatuloy ng mga background agent at malawakang automation. Ang mga organisasyon na bumubuo ng matibay na infrastruktura para sa pag-evaluate, pagrout, at pagmonito ng gastos ay makakakuha ng pinakamalaking halaga. Hindi malamang magwawakas nang biglaan ang digmaan sa presyo; sa halip, malamang ito ay magiging patuloy na pakikidigma sa iba’t ibang antas ng kalidad, latency, at espesyalisasyon.
Mga PRACTICAL NA EPEKTO PARA SA MGA DEVELOPER AT MGA ENTERPRISE
Ang mga developer at mga negosyo ay nagtatrabaho ngayon sa isang kapaligiran kung saan mababa na ang marginal na gastos ng inteligensya upang masiguro ang agresibong pagsubok, ngunit maaari pa ring tumaas nang mabilis ang kabuuang gastos kasama ang pag-deploy ng mga agent. Ang mga pinakamahusay na pamamaraan ay kasama ang patuloy na pagbabantay sa presyo-kahusayan sa iba’t ibang provider, agresibong paggamit ng caching at batch modes, maingat na paggawa ng prompt upang bawasan ang hindi kinakailangang mga token, at malinaw na panloob na paggawa ng budget para sa mga workload ng agent.
Ang pagpili ng tamang modelo para sa bawat hakbang ng isang workflow ay kadalasang nagdudulot ng mas malaking savings kaysa sa pag-negosyo ng mga discount sa list price. Ang pagmamanman ng usage-weighted costs kaysa sa list price ay nagbibigay ng mas akurat na larawan ng totoong ekonomiks. Ang mga kumpanya na itinuturing ang inference cost management bilang isang pangunahing inhinyeriyang disiplina kaysa isang pagkakataon ay magkakaroon ng pinakaepektibong paglago sa AI applications habang patuloy na umuunlad ang merkado.
Kahit anong tanong
Ilang bawas ang presyo ng mga token na AI sa mga nakaraang taon?
Ang mga pangmatagalang datos mula sa Stanford HAI at mga kaugnay na tracker ay nagpapakita na bumaba ang gastos sa inference ng GPT-3.5-class ng higit sa 280 beses mula sa huling bahagi ng 2022 hanggang sa huling bahagi ng 2024, kasunod ng karagdagang pagkompres sa 2026. Ang mga sukat na tinatayang naaayon sa kakayahan ay madalas ay nagpapakita ng mas malalim na taunang pagpapabuti na humigit-kumulang 5–10 beses o higit pa sa mga partikular na benchmark. Ang mga bagong blended indices, tulad ng Silicon Data, ay nakamit ang pinakamababang antas sa halagang malapit sa 97 sentimo bawat milyong token noong maagang Setyembre 2026 matapos ang mas malalaking pagbaba sa unang bahagi ng taon.
Ano ang partikular na nagdulot ng malaking pagbaba sa gitna at huli ng 2026?
Ang pangunahing mga driver sa malapit na panahon ay ang malaking pagbaba ng presyo ng OpenAI sa mga modelo na GPT-5.6 Luna at Terra noong huling bahagi ng Hulyo 2026, kasama ang patuloy na agresibong pagpapresyo at pag-unlad sa kakayahan mula sa mga Chinese open-weight models tulad ng mga mula sa DeepSeek at Moonshot. Ang mga hakbang na ito ay nagdulot ng paglipat ng paggamit patungo sa mas mura mga opsyon at nagpilit ng mas malawakang pag-aayos sa merkado na nakikita sa usage-weighted indices.
Nagpapaliit ba ng kabuuang bayarin sa AI ang pagbaba ng presyo ng token?
Hindi kailangan. Ang mga agentic system ay gumagamit ng mas maraming token bawat natapos na gawain, madalas 5 hanggang 30 beses na higit sa mga simpleng interaksyon, dahil sa iteratibong pag-iisip, paggamit ng mga kasangkapan, at pagpapadala muli ng konteksto. Kaya, maraming organisasyon ang nakikita ang pagtaas ng kabuuang gastos kahit na bumababa ang presyo bawat token, isang klasikong pagpapakita ng paglalawak ng paggamit pagkatapos bumaba ang gastos.
Paano ihahambing ang mga Chinese model sa presyo at kakayahan?
Madalas na mas mababa ang presyo ng mga Chinese open-weight at API model sa malaking margin kumpara sa mga Western frontier sa magkakaparehong workload, na may ilang konfigurasyon na dati nang available para sa mas mababa sa isang dolyar kada milyong token, at ang mga mas bagong alok ay nananatiling kompetitibo. Tumaas nang mabilis ang kakayahan sa mga praktikal na gawain, na nagdulot ng masukat na pagtaas ng bahagi sa mga routing platform, bagaman mayroon pa ring pagkakaiba sa pinakamataas na antas ng pag-iisip at mga espesyalisadong benchmark.
Ano ang papel ng mga pagpapabuti ng efisensiya kumpara sa purong pakikidigma sa presyo?
Mahalaga ang pareho. Ang mga pagpapabuti sa software tulad ng mas mahusay na quantization, speculative decoding, at mga teknik sa pagpapagana ay nagbaba ng tunay na gastos sa paggawa ng mga token, na nagpapahintulot sa mga provider na bawasan ang presyo habang pinoprotektahan ang margin. Ang mga pag-unlad sa hardware ay nagpapatibay sa trend na ito. Ang kompetisyon mula sa mga open model at mga kalaban na laboratorio ay nagpapabilis sa pagpapalit ng mga epiyensiya na ito sa mas mababang listahan at tunay na market price.
Dapat bang palitan ng mga negosyo ang lahat ng mga modelo na pinakamura lamang?
Kakaunti. Ang pinakamahusay na paraan ay karaniwang selektibong pagrute: gamitin ang mas mura mga modelo para sa mga mataas na volume, mababang antas na hakbang at i-imbak ang mas malakas na mga modelo para sa mahalagang pag-iisip o mga gawain na may mataas na gastos sa pagkakamali. Maraming organisasyon ang nakakamit ng malaking savings sa pamamagitan ng cascading at pagpili batay sa pag-e-evaluate nang hindi nagpapababa sa kalidad ng kabuuang output.
🔥 Nag-aalok ang KuCoin ng mas matatag na opsyon sa isang malakas na merkado
Kung nag-aalala ka sa madalas na pagtaas at pagbaba sa merkado, at hinahanap ang mas matatag na opsyon upang kumita nang pasibo, ang KuCoin ay ang tamang lugar para dumalaw:
Simple Earn: Mag-deposit at mag-withdraw ng mga token anumang oras, at kumita ng mga patatag na kita.
KuCoin Earn: Kumita ng matatag na kita gamit ang propesyonal na pamamahala ng ari-arian.
Hold to Earn: Kumita ng mga reward sa pamamagitan ng paghawak ng mga asset sa Funding, Trading, Margin, Futures, Mining, at Unified Accounts.
Staking: Buksan ang potensyal ng pagkakaroon ng mga asset sa chain.
Advanced Investments: Ang Advanced Investments ay nag-aalok ng iba’t ibang structured products upang tulungan ang iyong pera na lumago sa anumang merkado.
Shark Fin: Proteksyon sa Principal at Garantidong Kita
Dual Investment: Bumili nang mura at magbenta nang mahal na may transparent na kalkulasyon ng return.
Snowball: Mataas na kita, kasama ang proteksyon sa presyo.
Discount Buy: Bumili ng crypto sa discounted na presyo.
KCS Loyalty: Pataasin ang antas upang makinabang sa eksklusibong benepisyo sa pamamagitan ng pag-stake ng ≥ 1 KCS.
KuCoin Wealth: Mag-discover ng hinaharap na halaga at magsimula sa iyong matalinong pag-invest.
KCS Benefits: Panatilihin at i-stake ang KCS para makamit ang mga benepisyo sa buong platform.
KCS Staking 2.0: Sumali sa on-chain governance ng KCS upang kumita ng yield.
Disclaimer: Ang nilalaman na ito ay para sa mga layuning impormasyonal lamang at hindi nagtataglay ng abiso sa pag-invest. Ang pag-invest sa cryptocurrency ay may panganib. Mangyaring gawin ang inyong sariling pag-aaral (DYOR).
Disclaimer: AI technology ang ginamit sa pag-translate ng page na ito para sa convenience mo. Para sa pinaka-accurate na impormasyon, mag-refer sa original na English version.