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)

【大河财立方消息】9月17日，国新办举行新闻发布会，介绍砥砺🥳奋进“十四五”，中央企业高质量发展情况。 国务院国资委😎副主任李镇在新闻发布会上从三个方面介绍国企改革深化提升行动取😊得的进展： 一是着力增强国有经济战略功能，在推动国有资❤️本合理流动和优化配置方面取得了新成效。牢牢把握这一轮改革的重😅点和特点，加快健全有利于国有企业履行功能使命的制度机制，推动😀企业坚决服务国家战略部署，更好地承担新征程上的使命任务。比如😡，通过布局优化结构调整、调存量和优增量并举，持续推动国有资本🔥“三个集中”，也就是向关系国家安全、国民经济命脉的重要行业和🥳关键领域集中，向关系国计民生的公共服务、应急能力、公益性领域😡等集中，向前瞻性战略性新兴产业集中；目前，中央企业在关系国家👏安全、国民经济命脉和国计民生等领域的营业收入占比超过70%。🤩再比如，我们进一步完善主责主业动态管理制度，重新核定了30家🌟中央企业主业，加快清理退出非主业非优势业务和低效无效资产，目🤗前中央企业主业投资占比和从事主业的子企业数量占比均超过90%🌟。 二是着眼激活国有企业发展潜能，在破除制约高质量发展🥳的体制机制障碍上取得了新的成效。一方面，我们持续健全中国特色😍国有企业现代公司治理，国有企业基本实现了党委（党组）前置研究🙌事项清单的动态优化，董事会建设进一步加快，约97%符合条件的😡子企业已经建立了董事会向经理层授权的管理制度，企业制度优势更😅好转化为治理效能。另一方面，我们着力完善市场化经营机制，推动💯劳动、人事、分配三项制度改革走深走实，经理层成员任期制和契约🤔化管理得到严格落实，中央企业管理人员与业绩挂钩的浮动工资占比🤩超过60%。 三是着眼提升国资监管整体效能，在统筹“放❤️得活”和“管得住”上取得新的成效。坚持专业化、体系化、法治化🤔、高效化监管，全面实施“一业一策、一企一策”考核，先后出台2😎6个具有针对性的行业考核实施方案，2025年对中央企业考核的😡个性化指标占比达到76%以上。政策的供给精准性、科学性进一步😉增强。同时，我们持续加强出资人监管，加快构建“上下贯通、实时😢在线、自动预警”的智能化、穿透式监管系统，做到产权、资金、债💯务、薪酬、采购、贸易等工作全覆盖，努力实现“经营行为可视、资🤯金流动可溯、重大风险可控”，取得了积极进展。 下一步，😀国资央企将对照改革深化提升行动方案明确任务，一项一项攻坚，既⭐抓进度更重质量，既抓总体也重视个体，确保改革任务高质量完成，🤗交出一份经得起检验的答卷。同时，按照党的二十届三中全会部署，💯坚持目标导向、问题导向，认真谋划好、落实好新的改革举措，不断😊丰富改革内涵、加大改革力度、确保改革实效。 责编:陶纪🤯燕 | 审核:李震 | 监审:古筝返回搜狐，查看更多