文 | 解码Decode 文 | 解码Decode 😁 去年5月，当大模型厂商卷起价格战时，Tokens大概率是👍出镜率最高的英文单词。 简单来说，Tokens是大语言😡模型（LLM）用来切割自然语言文本的基本单位，可以直观的理解😡为“字”或“词”。 就像工业时代用“千瓦时”度量电力消😘耗，互联网时代用“GB”度量数据流量，AI时代用“Token🔥”来度量模型的工作量。一个Token可以理解为一个词或词片段💯（中文里可能是一个字或词语）。 Tokens的调用量，🔥本质反映了模型推理过程的计算量。而计算量的高或低，直接揭示了❤️模型在实际应用中的能力、成本、速度和可行性。 因此，从🚀Tokens角度跟踪AI应用落地进展，就是一个非常深刻且切中😎要害的视角。 它意味着我们将AI从一种“黑箱魔法”或纯😍粹的技术概念，拉回到了一个可度量、可分析、可商业化的实际生产😅要素的层面。 简单来说，这意味着我们不再只关注AI“能🤔做什么”，而是开始量化分析它“做了多少”、“效率多高”、“成😁本多少”以及“价值多大”。 谁在消耗tokens？ 😎 模型厂商以tokens为主要定价单位的底层逻辑是：模型调❤️用时的tokens消耗量与相应算力投入存在强关联性。而另一条🤔暗线则是，算力投入链接了营收与tokens调用量。 换👏个说法就是，模型厂商营收与其tokens调用量呈现显著同步的🥳高增趋势。 2024年6月至2025年6月，OpenA👏I大模型基础设施——微软Azure云的日均tokens调用量🌟从0.55万亿上涨至4.40万亿，与此同时，OpenAI年化🥳营收（ARR）从2024年12月的55亿美元增长至2025年😁6月的突破100亿美元，并在2025年8月达到120亿-13😅0亿美元。 也就是说，谁消耗tokens更多谁就是基模🚀厂商的主流商业模式。 就目前来看，OpenAI、Ant🔥hropic、字节跳动等基模厂商主要有C端和B端两种，其中C🚀端包括原生聊天助手、工具类原生应用（影视、图片、编程等）的订🚀阅收入、付费功能以及与内部C端产品整合后的间接收入（如Goo😀gle Chrome）； B端则包含为大客户落地AI应🙄用和企业直接API调用。 C端的tokens调用量，主😘要贡献者有三个： 1 大流量池产品内部的附加AI功能 😘 2024年5月谷歌搜索上线的AI Overview功能😎，至2025年二季度月活已超20亿。国海证券预测，AI Ov😴erview功能单日tokens消耗量在1.6至9.6万亿区🙄间内，在2025年7月Google日均tokens调用量中的❤️占比为4.9%至29.4%。 展开全文 抖音、剪😢映、今日头条等同样为大流量池C端产品，月活量级已达到10亿（😂2025年3月）、7亿（2025年7月）、2.6亿（2024🤯年下半年月均）。 百度之于搜索、美图秀秀之于图像，大流👏量C端应用的AI改造都是上述逻辑。据非凡产研，2025年7月😀百度AI搜索访问量居国内智慧搜索品类第一、美图秀秀的国内访问👏量/存量月活、新增下载量依旧居图像品类第一，且月度收入仍在环👏比提升。 2 原生聊天助手 ChatGPT聊天助❤️手保有较大C端用户规模，2025年7月APP+网页端合计月活🥳达10.15亿，是OpenAI重要Tokens调用量驱动因素😅。 3 视频赛道拥有较大用户基础的新兴应用 除产🙄品内置AI功能、聊天助手外，图像、视频、陪伴、办公、教育赛道🤯内均出现了有较大潜力的C端新兴AI应用。 字节跳动进行👍多维度布局，推出醒图/星绘（图像）、即梦（视频）、猫箱（陪伴🤩）、豆包爱学（教育）等AI应用。 其中醒图、即梦7月月🤗活达到4924万（当月收入59万美元）、1393万（当月收入😜58万美元），已成为图像、视频赛道内拥有较大用户量级的产品；🙌猫箱7月月活794万，当月收入达112万美元，商业转化效率较❤️高。 例如接入gpt-image-1、Leonardo😅.AI的Canva，用于文生图、文生视频、图像补全等除文本模❤️态外的编辑、生成场景。根据Gemini、Kimi等大模型的折😅算口径，单张图片的输出（输入）tokens消耗量在1024（🙌kimi）—1290（Gemini）之间。 B端tok😂ens调用量主要源于企业级AI应用。其所呈现出来的特征，一是😅渗透率较高，Google发布的“全球601个领先企业AI应用🙄案例”显示，各大规模的企业已开始尝试将生成式AI投入生产，涉🔥及汽车与物流、商业与专用服务、金融服务、医疗与生命科学、酒店😘与旅游、制作、工业与电子、媒体、营销与游戏、零售、科技、通信🙌、公共部门与非盈利组织”11大行业。 二是基模厂商的B🙄端收入比例较大。 数据预测2025年OpenAI来自B🤩端的ARR收入占比达54%；Anthropic占比达80%。😴谷歌透露Gemini企业客户超过8.5万家，推动调用量同比增😴长35倍；火山引擎大模型收入2024年在国内公有云市场中份额😂排名第一，占比达46.4%（外部使用量，不包括豆包等内部AP😘P）。 技术迭代解锁应用需求 越来越多的toke🤯ns调用量，并非因为更大参数的大模型，而是推理增强、多模态、🥳Agent化、长上下文转型共同作用的结果。用一句话概括既是：🤗技术迭代解锁应用需求。 以GPT-5和Grok4为例：👍 GPT-5把“更强的推理能力（通过引入test-ti😂mecompute）+多模态+更长上下文+更严格的安全控制等🚀”置于产品默认层面； Grok4核心升级则是把“原生工😡具调用+多代理协同推理+超长上下文等”做成一个可商用产品。 👍 GPT-5和Grok4如此设置的目标，是希望借助技术迭👏代增强AI在更复杂、更具备“生产力”的关键场景下的实用性、准🤗确性，并且使得AI应用加速落地。 举个例子，假设原来1👍轮客服对话服务消耗200tokens，升级后客服问答场景中的😎大模型推理过程将扩展成： 客户意图澄清+内部知识库检索😍+逻辑校验+答案润色4个环节，即4轮内部推理，每轮150～2🔥00tokens，最终消耗600至800tokens。 🚀 类似的案例在对应的推理增强、多模态、Agent化、长上下文🤗转型中都能找到，其最终结果是双向增强，存量AI应用场景的解决🙄方案更好，对应的tokens调用量也倍数增长。 随着技😀术趋势的不断推进，大量原本因“不准、不全、不落地”而被搁置的🔥需求将被解锁。当准确率、可控性跨过可行性线后，用户特别是B端😆企业（有生产力场景需求）或将从观望转为批量采购。 总结🤯起来就四点，推理增强把能用变成敢用、多模态把单点工具变成端到😁端工作流、Agent化把对话变成可审计的业务系统、长上下文把😎项目级任务放进模型。 与此同时，虽然tokens调用量😅倍数增长，但定价却是直线下降。 比如xAI的Grok-😆4-Fast，输出百万Token仅需0.5美元（约3.5元人🎉民币），但比起国内基模厂商来还是不够狠，去年9月阿里通义千问😀主力模型最高降价85%，Qwen-Turbo低至0.3元/百😴万Tokens。 其中一部分原因是基模厂商的价格战，让😀“一百万Tokens的钱,都买不了钵钵鸡”，也有一部分是因为👏模型厂优化算力成本的结果。 2024-2025年，为优😜化大模型算力成本，模型厂商进行了压缩大模型单次推理计算量（稀😆疏化、量化、投机解码）、提升GPU利用率（连续批处理、编译器😘融合）以及换用租金更便宜的云、芯片（国产替代、专用ASIC）⭐等方面的尝试，平均tokens定价实现了较大降幅。 此🚀外模型厂商还进一步通过“模型分层+价格分层”的多样化策略压低😘模型的使用门槛，让中小预算客户也可接入，比如：OpenAI 🤗用GPT-5-mini/nano覆盖轻量场景；Google以😡Gemini 2.5 Flash 主打“极速低价”；Anth😆ropic用Claude 3.5 Haiku 提供中等规模、😡高性价比选项等。 因此一个AI飞轮就已成型，当模型使用😎成本下降，企业/个人调用ROI随之上升，更多应用需求从观望向🚀采购转化，促进tokens调用量倍数增长的同时，AI应用随之🤗迎来生态繁荣。 Token经济学就意味着，可以直观的获🌟得以下几个关键进展的洞察：成本与经济效益的量化、技术效能与模🤯型能力的评估、应用场景的深化与演化以及商业模式与市场格局的清🎉晰化。其中成本与经济效益的量化是最直接、最商业化的意义。 🤔 尾声 如果把AI大模型想象成一个“知识电厂”，To😁ken就是它发出的“度电”，你的提示词就是“合上电闸”的指令😊，AI应用开发者就像是“家电制造商”。 从Tokens😎角度跟踪进展，就相当于电力公司和社会在跟踪： 全社会总😴用电量（AI应用的总规模）增长了多少？ 哪种家电（哪种AI😂应用）最耗电（消耗Token最多）？ 发电技术是否进步了（🤯模型效率）？每度电的成本是否下降？ 新的高能效家电（高效的🥳AI应用）是否被开发出来？ 从Tokens角度跟踪AI👏应用落地进展，意味着AI行业正在走向成熟、务实和工业化。它摒😉弃了早期对参数规模和技术炫技的过度关注，转而聚焦于一个更根本🥳的问题：如何以可承受的成本，可靠地利用AI能力来解决实际问题🚀并创造商业价值。 这标志着AI不再是实验室里的玩具，而😁是真正成为了驱动下一代技术和商业创新的基础效用。作为从业者、🌟投资者或观察者，理解Token经济学，就如同在互联网时代理解😴带宽成本一样，至关重要。返回搜狐，查看更多

北京市:市辖区:(东城区、西城区、朝阳区、丰台区、石景山区、海淀区、门头沟区、房山区、通州区、顺义区、昌平区、大兴区、怀柔区、平谷区、密云区、延庆区)

天津市:市辖区:(和平区、河东区、河西区、南开区、河北区、红桥区、东丽区、西青区、津南区、北辰区、武清区、宝坻区、滨海新区、宁河区、静海区、蓟州区)

河北省:石家庄市:(长安区、桥西区、新华区、井陉矿区、裕华区、藁城区、鹿泉区、栾城区、井陉县、正定县、行唐县、灵寿县、高邑县、深泽县、赞皇县、无极县、平山县、元氏县、赵县、石家庄高新技术产业开发区、石家庄循环化工园区、辛集市、晋州市、新乐市)

唐山市:(路南区、路北区、古冶区、开平区、丰南区、丰润区、曹妃甸区、滦南县、乐亭县、迁西县、玉田县、河北唐山芦台经济开发区、唐山市汉沽管理区、唐山高新技术产业开发区、河北唐山海港经济开发区、遵化市、迁安市、滦州市)

秦皇岛市:(海港区、山海关区、北戴河区、抚宁区、青龙满族自治县、昌黎县、卢龙县、秦皇岛市经济技术开发区、北戴河新区)

邯郸市:(邯山区、丛台区、复兴区、峰峰矿区、肥乡区、永年区、临漳县、成安县、大名县、涉县、磁县、邱县、鸡泽县、广平县、馆陶县、魏县、曲周县、邯郸经济技术开发区、邯郸冀南新区、武安市)

邢台市:(襄都区、信都区、任泽区、南和区、临城县、内丘县、柏乡县、隆尧县、宁晋县、巨鹿县、新河县、广宗县、平乡县、威县、清河县、临西县、河北邢台经济开发区、南宫市、沙河市)

保定市:(竞秀区、莲池区、满城区、清苑区、徐水区、涞水县、阜平县、定兴县、唐县、高阳县、容城县、涞源县、望都县、安新县、易县、曲阳县、蠡县、顺平县、博野县、雄县、保定高新技术产业开发区、保定白沟新城、涿州市、定州市、安国市、高碑店市)

张家口市:(桥东区、桥西区、宣化区、下花园区、万全区、崇礼区、张北县、康保县、沽源县、尚义县、蔚县、阳原县、怀安县、怀来县、涿鹿县、赤城县、张家口经济开发区、张家口市察北管理区、张家口市塞北管理区)

承德市:(双桥区、双滦区、鹰手营子矿区、承德县、兴隆县、滦平县、隆化县、丰宁满族自治县、宽城满族自治县、围场满族蒙古族自治县、承德高新技术产业开发区、平泉市)

沧州市:(新华区、运河区、沧县、青县、东光县、海兴县、盐山县、肃宁县、南皮县、吴桥县、献县、孟村回族自治县、河北沧州经济开发区、沧州高新技术产业开发区、沧州渤海新区、泊头市、任丘市、黄骅市、河间市)

近日，《Nature》杂志的最新一期封面论文引起了广泛关注，🙄研究主题是 DeepSeek-R1。这项研究由梁文锋教授团队👏主导，内容围绕如何通过强化学习来提升大型语言模型（LLM）的😂推理能力。早在今年1月，该研究已在 arXiv 上发布，受到😀学术界的高度评价。 在封面介绍中，《Nature》指出🙄，如果大型模型能够规划解决问题的步骤，往往会得到更好的解决方🤔案。这种推理能力与人类处理复杂问题的方式相似，但在人工智能领👍域实现这一点面临着巨大的挑战。研究团队展示了如何在极少人工干👍预的情况下训练出具备推理能力的模型。 DeepSeek⭐-R1模型的训练采用强化学习策略，模型在正确解答数学问题时会🌟获得高分奖励，而答错则会受到惩罚。通过这样的机制，DeepS🤔eek-R1学会了逐步推理、解决问题，并在给出答案前进行自我⭐验证，从而提高了其在编程和科学研究中的表现。 值得一提🚀的是，DeepSeek-R1被认为是首个经过权威学术期刊同行😴评审的语言模型，这一成就标志着 AI 领域的一个重要里程碑。😀Hugging Face 的工程师 Lewis Tunsta🤗ll 对此表示，这是一个重要的先例，强调了行业规范的重要性，🚀尤其是在评估 AI 系统潜在风险时。 此外，研究团队在👍论文中对模型的训练数据类型和安全性进行了详细说明，避免了对模😎型的拟人化描述，确保研究的严谨性和透明度。这一开放模式得到了😀同行的广泛赞誉，认为有助于提升公众对 AI 的信任。 👏划重点:返回搜狐，查看更多