為何 AI 代幣成本正在下降：LLM 價格戰、AI 代理與推論的未來

2026/09/03 15:19:00

picture[data-cms-leading-picture="true"]{display:none!important}

生成和處理大型語言模型標記的成本下降速度，罕有行業能與之相比。截至2026年9月初，硅數據LLM標記支出指數（一種按使用量加權的有效市場價格基準）降至每百萬標記97美分的歷史新低，低於夏季高峰的一半，僅為幾年前水平的一小部分。這一下降反映了前沿實驗室之間的激烈競爭、中國開發者推出的強大開源模型的快速崛起、軟硬件效率的提升，以及由AI代理驅動的需求模式轉變。

結果是，儘管複雜的多步代理工作流程消耗的代幣遠多於簡單的聊天互動，高容量推理的成本卻大幅降低。代幣價格下跌主要源於競爭壓力與技術效率，而非純粹的需求破壞，這使得更廣泛的代理應用成為可能，同時對模型提供者造成保證金壓力，並迫使企業仔細優化路由與模型選擇。

紀錄低點的代幣價格標誌著市場競爭日趨激烈

根據該公司數據及同期報導，由彭博代碼 SDLLMTK 發布的 Silicon Data LLM 代幣支出指數，於 2026 年 9 月 1 日降至每百萬代幣 0.97 美元。此為該指數推出以來的最低水平，較夏季早些時候的高點下跌超過 50%。更廣泛的分析顯示，平均推論成本從 2026 年 5 月底的約 2.04 美元，降至 8 月初的 1.16–1.18 美元區間，並繼續下降。這些數據捕捉了透過多供應商路由平台觀察到的前沿模型與開源模型的使用加權有效價格，比單獨的報價更能反映市場實際支付情況。

長期背景突顯了這一轉變的規模：2022 年底時，GPT-3.5 級別的性能每百萬個 token 成本約為 20 美元，到 2024 年 10 月已降至約 0.07 美元（根據斯坦福 HAI 的追蹤數據），此後進一步壓縮。在許多情況下，經過能力調整的成本下降得更快，某些基準測試的價格性能邊界每年有 5–10 倍的改善估計。近期的加速與特定的競爭舉措相關，而非整體 AI 使用量的突然下降。企業和開發者仍在擴大 token 消耗量，但由於較便宜的選項佔據了市場份額，供應商也調整了報價，綜合支付價格持續下降。這一動態使過去昂貴的大規模任務變得更具可行性，同時凸顯了單位經濟與總支出之間的差異。

OpenAI 激進的 GPT-5.6 價格削減加劇了下滑

2026 年 7 月下旬，OpenAI 在 GPT-5.6 系列推出僅數週後便降低其價格。Luna 等級的價格削減了 80%，使輸入標記降至每百萬個 0.20 美元，輸出標記降至每百萬個 1.20 美元。中階的 Terra 模型價格削減了 20%，輸入為 2 美元，輸出為 12 美元。旗艦級的 Sol 模型最初維持 5/30 的定價，但隨後在為期三個月的促銷期間內進一步削減超過 20%。公司聲明指出，這些調整部分歸因於模型本身帶來的內部效率提升，包括代碼優化和服務效率的改善。這些舉措出現在企業對 AI 賬單的審查日益嚴格，且低成本替代方案逐漸受到歡迎之際。

在上線後不久即調整定價，表明了平台願意優先考慮交易量和市場地位，而非中低流量的短期保證金收益。分類、提取、路由以及代理迴圈的早期階段等高交易量工作負載將最受益，因為它們現在可以在功能強大的模型上以規模運行，而無需面對以往的成本障礙。後續的調整以及引入高價位的更快模式，體現了一種分層策略，既保持了前沿能力的差異化，又讓日常智能變得更易獲取。這些降價直接促成了綜合市場指數的收縮。

中國開源大模型重新定義競爭基準

中國開發者推出了功能強大、成本低廉的開放權重模型，大幅低於西方前沿模型的定價。DeepSeek 的產品經常出現在路由平台最經濟的選擇之列，某些配置歷史上每百萬個標記的價格低至幾美分，而後續版本即使在調整高峰和非高峰時段後，仍保持具有競爭力的價格。Moonshot AI 的 Kimi 模型，包括 K3 系列，提供了另一個競爭選擇，其標價雖然高於最便宜的開放模型，但在特定工作負載下，仍能以性能調整後的基準擊敗許多專有中端產品。

2026 年中期的報告顯示，中國模型在聚合平台上的佔有率顯著提升，部分分析指出，在某個主要路由平台上，一年中某些時點最受歡迎的四個模型均為中國模型。在編程、摘要和一般知識工作等許多實際任務上，能力差距已大幅縮小，使成本敏感的用戶和初創企業得以轉移使用量。這種壓力迫使專有供應商不得不削減價格，否則將面臨失去高用量 segment 的風險。開放權重還使具備運營能力的組織能夠以更低的有效成本實現自託管或第三方託管。這些累積效應體現在混合指數中，隨著使用量逐漸向適合任務的較低價格替代方案遷移。

軟體效率提升與服務複合價格壓力

除了價格競爭之外，技術進步已降低生成每個代幣的基礎成本。量化、猜測解碼、改進的 KV 緩存管理、更好的批次處理以及模型特定的優化，均已減少每個代幣所需的運算量。OpenAI 工程師於 2026 年年中公開討論了僅透過軟體的優化，使某些推論成本降低超過一半，讓 ChatGPT 的訪客流量可在比早期估計小得多的 GPU 資源上運行。自訂加速器以及模型與硬體之間更緊密的共同設計，持續提升利用率。

這些收益使供應商能夠降低價格，同時保護甚至提升剩餘高價值流量的保證金。根據相關行業分析，硬體價格性能每年約提升 30%，能源效率提升接近 40%，這提供了結構性助力。兩者結合意味著，即使沒有競爭壓力，成本底線仍會持續下降，只是速度較慢。當這與開放模型競爭和積極的定價回應疊加時，便導致了快速觀察到的壓縮效應。未能捕捉這些效率的供應商，面臨被更嚴重壓價的風險。

AI 代理推動代幣交易量上升，儘管單位成本降低

儘管每個代幣的價格大幅下跌，但推理的總支出並不一定隨之下降。代理系統——即規劃、調用工具、驗證結果並迭代的多步工作流程——比傳統的聊天或單次互動應用消耗多得多的代幣。分析表明，由於反覆傳輸上下文、中間推理、工具輸出和自我修正迴圈，代理在執行同等任務時可能需要 5 至 30 倍的代幣。運行一小時的編碼代理可能處理數百萬個代幣，而簡單的聊天機器人僅使用數萬個。

Gartner 及其他研究預測顯示，儘管單位成本下降，代理工作流程的推理成本仍可能增加數倍，這反映了更高的使用量以及對更強大推理模型的頻繁需求。這種模式類似於傑文斯悖論：更便宜的智能擴大了經濟上可行的應用範圍，從而增加了整體消耗。因此，大規模部署代理的企業若不實施精細的路由、快取、模型級聯和提示優化，將面臨絕對費用上升的壓力。單位成本下降正是使大規模代理部署成為可能的原因；若無此下降，許多這些系統將仍過於昂貴而無法投入生產使用。

根據能力調整的成本下降速度快於名義代幣價格

名義上的每代幣價格未能反映真實的改善，因為模型持續提升能力。2026 年花費一美元所購買的不僅是更便宜的代幣，還有比多年前相同金額購買的更強大的系統。史丹佛 HAI 和 Epoch AI 的追蹤顯示，在許多情況下，固定能力水平的成本每年下降約 10 倍，而特定任務的改善幅度更高。即使絕對性能不斷提升，前沿模型本身在各代之間也變得更便宜。

曾經每百萬個詞元收費數十美元的 GPT-4 級智慧，現已由多家供應商以極低的價格提供。因此，經過品質調整的指標顯示，降幅甚至比 headline 指數更為顯著。這種雙重趨勢——單位價格下降與能力提升——解釋了為何在 2023–2024 年仍不經濟的 agentic 和 test-time 計算工作負載，如今已變得常見。評估總擁有成本的組織必須同時考慮這兩個維度，而非僅專注於報價。

開放權重模型與主機競賽擴大供應

強大開放權重模型的可用性，已將推理能力的有效供應大幅擴展至超越專有實驗室的範圍。雲端供應商和專業推理主機無需承擔前沿訓練的全部成本，即可為 Llama 類、DeepSeek、Qwen 及類似模型提供具競爭力的價格。這對專有定價形成了永久性的競爭限制。在中國模型積極發布期間，路由平台上的開源或開放權重流量份額顯著上升。

曾經因安全或資料駐留要求而避開此類模式的企業，現正越來越多地評估其用於非敏感工作負載。自行託管進一步降低了能夠分攤硬體和工程成本的組織的邊際成本。最終結果是市場出現分化：最高性能的專有模型收取期權費，而大量且不斷增長的使用量則轉向低成本替代方案。因此，供應商必須在整個需求範圍內，同時在絕對性能和性價比上展開競爭。

企業支出模式轉向優化與路由

隨著單位價格下降和代理量上升，資深買家已透過實施模型路由、級聯、快取和使用控制來做出回應。法律科技及其他專業公司報告指出，透過將關鍵步驟的期權費模型與低成本替代方案結合用於常規處理，且在工作負載上未出現可測量的品質損失，實現了數倍的成本降低。聚合器和內部閘道現已使將每個請求發送至符合所需品質門檻的最低成本模型成為可能。

提示快取、批次處理和較慢的非緊急模式進一步壓縮了有效成本。一些在年初即耗盡年度 AI 預算的組織已實施內部上限或轉向較低等級的模型。這些行為加強了對綜合市場價格的下行壓力，同時讓整體 AI 採用持續擴展。在這種環境中，勝出的團隊是那些將模型選擇和基礎設施視為持續優化問題，而非靜態供應商選擇的團隊。

邊緣模型供應商的保證金壓力上升

快速的價格下跌為那些在訓練前沿模型上大量投資的公司帶來了明顯的挑戰。每單位能力的代幣收入降低，即使總使用量增長，也可能壓縮盈利路徑。OpenAI 和 Anthropic 都因定價能力與未來保證金問題而面臨更嚴格的審查，特別是在可能的公開市場申報背景下。中國實驗室以較低的報告成本和價格進行訓練，積極搶佔體量，而這些體量本可支撐更高的西方價格。

同時，向偏愛更強推理能力模型的代理型工作負載轉移，在一定程度上提供了緩衝，因為這些模型仍能獲得顯著的期權費。供應商正透過分級定價、以效率為導向的成本降低和產品差異化來應對。這些策略能否在維持市場份額的同時恢復具吸引力的單位經濟效益，仍是一個待解的問題，將塑造未來幾年產業的資本密集度與競爭結構。

硬體與基礎設施經濟持續演變

底層運算成本構成了推論定價的基礎。GPU利用率、專用加速器、記憶體頻寬和網路的改善，均有助於降低每代幣的成本。專為變壓器工作負載設計的定制晶片，一旦實現批量生產，將帶來進一步的收益。能源效率的提升可降低大規模運營的成本。這些結構性趨勢支持價格持續下跌，而不受競爭強度影響。

同時，建立和運營大型叢集所需的龐大資金設定了壁壘，並塑造了哪些企業能在前沿競爭。硬體進步與軟體優化的相互作用將決定成本底線下降的速度，以及開放權重模型能否在相當的經濟條件下縮小剩餘的能力差距。

推論的未來指向專用化與級聯系統

展望未來，代幣成本下降與代理複雜度上升的結合，將推動更複雜的推論架構發展。級聯系統將使用低成本模型進行初步篩選，僅在必要時才使用高成本模型；專家混合路由、專為常見子任務設計的專用小型模型，以及先進的快取機制將成為標準。隨著這些代幣價格下跌，測試時計算技術——以增加代幣數量換取更高可靠性——將變得更具吸引力。

持續運行的背景代理與大規模自動化的經濟可行性不斷擴展。建立堅實的評估、路由和成本監控基礎設施的組織將獲得最大價值。價格戰本身不太可能突然結束；相反，它更可能演變為在品質等級、延遲等級和專業化方面的持續競爭。

開發人員和企業的實際效益

開發者和企業現在所處的環境中，智能的邊際成本已低至足以積極實驗，但隨著代理部署，總支出仍可能迅速上升。最佳實踐包括持續對各供應商的價格與性能進行基準測試、積極使用快取和批次模式、仔細進行提示工程以減少不必要的標記，以及為代理工作負載制定明確的內部預算。

為工作流程的每個步驟選擇合適的模型，通常比談判目錄價格折扣能帶來更大的餘幣寶節省。監控使用加權成本而非目錄價格，能更準確地反映真實的經濟狀況。將推論成本管理視為核心工程學科而非事後考慮的公司，將在市場持續演變時最有效地擴展 AI 應用程式。

常見問題

近年來，AI 代幣價格實際下跌了多少？

來自史丹佛大學 HAI 及相關追蹤器的長期數據顯示，GPT-3.5 級推理成本在 2022 年底至 2024 年底之間下降了超過 280 倍，並在 2026 年進一步壓縮。經過能力調整的指標在特定基準上通常顯示更陡峭的年度改善，幅度約為 5–10 倍或更高。近期的綜合指數，例如 Silicon Data 的指數，在 2026 年 9 月上旬達到歷史新低，約為每百萬個詞元 97 美分，此前在該年早些時候已出現較大降幅。

究竟是什麼原因導致了 2026 年中後期的急劇下跌？

主要的短期推動因素是 OpenAI 於 2026 年 7 月下旬對 GPT-5.6 Luna 和 Terra 模型進行大幅降價，並結合來自 DeepSeek 和 Moonshot 等中國開源權重模型的持續積極定價與能力提升。這些舉措促使使用者轉向成本更低的選擇，並在使用權重指數中顯現出更廣泛的市場調整。