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)

中国大模型，首登Nature封面。 9月17日，在最新🙄一期的国际权威期刊Nature（自然）中，DeepSeek-🔥R1推理模型研究论文登上了封面。该论文由DeepSeek团队🤩共同完成，梁文锋担任通讯作者，首次公开了仅靠强化学习就能激发🎉大模型推理能力的重要研究成果。这是中国大模型研究首次登上Na😅ture封面，也是全球首个经过完整同行评审并发表于权威期刊的😀主流大语言模型研究，标志着中国AI技术在国际科学界获得最高认🤯可。 Nature在其社论中评价道：“几乎所有主流的大😊模型都还没有经过独立同行评审，这一空白终于被DeepSeek❤️打破。” 中国AI大模型的“Nature时刻” 😘自大模型浪潮席卷全球以来，技术发布、性能榜单层出不穷，但始终👍缺乏一个权威的“科学认证”机制。OpenAI、谷歌等巨头虽屡🙄有突破，但其核心技术多以技术报告形式发布，未经独立同行评审。🎉 DeepSeek以其公开性和透明性打破了这一局面。D😆eepSeek-R1模型的研究论文最早于今年年初发布在预印本🙄平台arXiv上。自今年2月14日向Nature投递论文至今🙄，历经半年，8位外部专家参与了同行评审，DeepSeek-R👍1推理模型研究论文终获发表，完成了从预印本到Nature封面🤗的“学术跃迁”。审稿人不仅关注模型性能，更对数据来源、训练方🤔法、安全性等提出严格质询，这一过程是AI模型迈向更高的透明度😅和可重复性的可喜一步。 因此，Nature也对Deep🤩Seek的开放模式给予高度评价，在其社论中评价道：“几乎所有😜主流的大模型都还没有经过独立同行评审，这一空白终于被Deep🌟Seek打破。”全球知名开源社区Hugging Face机器🙌学习工程师Lewis Tunstall也是DeepSeek论😢文的审稿人之一，他强调：“这是一个备受欢迎的先例。如果缺乏这😡种公开分享大部分研发过程的行业规范，我们将很难评估这些系统的😅潜在风险。” 据了解，DeepSeek本次在Natur🤔e上发表的论文较今年年初的初版论文有较大的改动，全文64页，🤯不仅首次披露了R1的训练成本，而且透露了更多模型训练的技术细😂节，包括对发布初期外界有关“蒸馏”方法的质疑作出了正面回应，😴提供了训练过程中减轻数据污染的详细流程，并对R1的安全性进行😂了全面评估。 其中，在训练成本方面，R1-Zero和R⭐1都使用了512张H800GPU，分别训练了198个小时和8😀0个小时，以H800每GPU小时2美元的租赁价格换算，R1的👏总训练成本为29.4万美元（约合人民币209万元）。不到30🤯万美元的训练成本，与其他推理模型动辄上千万美元的花费相比，可👍谓实现了极大的降本。 关于R1发布最初时所受到的“蒸馏🚀”质疑，DeepSeek介绍，其使用的数据全部来自互联网，虽😀然可能包含GPT-4生成的结果，但并非有意而为之，更没有专门😜的蒸馏环节。所谓“蒸馏”，简单理解就是用预先训练好的复杂模型😘输出的结果，作为监督信号再去训练另外一个模型。R1发布时，O😀penAI称它发现DeepSeek使用了OpenAI专有模型😁来训练自己的开源模型的证据，但拒绝进一步透露其证据的细节。 😍 R2何时问世引发关注 自今年年初发布R1以来，D🙄eepSeek在全球树立了开源模型的典范，但过去数月，外界对😎于R2何时发布始终保持高度关注，相关传言一直不断。不过，R2💯的发布时间一再推迟，外界分析R2研发进程缓慢可能与算力受限有👍关。 展开全文 值得注意的是，今年8月21日，D🤩eepSeek正式发布DeepSeek-V3.1，称其为“迈🚀向Agent（智能体）时代的第一步”。据DeepSeek介绍🚀，V3.1主要包含三大变化：一是采用混合推理架构，一个模型同🤗时支持思考模式与非思考模式；二是具有更高的思考效率，能在更短🙄时间内给出答案；三是具有更强的智能体能力，通过后训练优化，新😜模型在工具使用与智能体任务中的表现有较大提升。 由于R🥳1的基座模型为V3，V3.1的升级也引发了外界对于R2“在路🎉上”的猜测。V3.1的升级更深刻的意义在于，DeepSeek🤯强调DeepSeek-V3.1使用了UE8M0 FP8 Sc🚀ale的参数精度，而UE8M0 FP8是针对即将发布的下一代🙄国产芯片设计。这也表明未来基于DeepSeek模型的训练与推🌟理有望更多应用国产AI芯片，助力国产算力生态加速建设。这一表🎉态一度带动国产芯片算力股股价飙升。 中国银河证券研报指😘出，DeepSeek从V3版本就开始采用FP8参数精度验证了😎其训练的有效性，通过降低算力精度，使国产ASIC芯片能在成熟😅制程（12-28nm）上接近先进制程英伟达GPU的算力精度，😁DeepSeek-V3.1使用UE8M0 FP8 Scale😅参数精度，让软件去主动拥抱硬件更喜欢的数据格式，“软硬协同”😉的生态技术壁垒逐渐成为AI浪潮下新范式，未来国产大模型将更多😜拥抱FP8算力精度并有望成为一种新技术趋势，通过软硬件的协同😍换取数量级性能的提升，国产算力芯片将迎来变革。 责编：👏万健祎 校对：王朝全 版权声明 " Typ😡e="normal"@@--> 证券时报各平台所有原创⭐内容，未经书面授权，任何单位及个人不得转载。我社保留追究相关🙌行为主体法律责任的权利。 转载与合作可联系证券时报小助👍理，微信ID：SecuritiesTimes " Ty👏pe="normal"@@-->返回搜狐，查看更多