AI工具的使用成本

最近各个公司都开始收紧大家的AI token额度，因为投入产出比不对，大家都在消耗大量的token去做一些无关痛痒的事情。

有没有一个简单的评估方式？让使用者大致了解投入产出比？

由于所有模型都是按token作为单位进行计费的，我们就来简单拆解下：

—

Token消耗拆解

我们拆解一个简单的例子：

第二轮模型输入70+76字为第一轮对话的内容，模型需要对本轮对话的所有内容做分析（上下文），才能给出正确答案。

—

Token成本拆解

一个汉字/单词，我们按2个Token来做估算。

输入和输出的价格不同，越专业的模型，输出的价格越高。

注：下方表格中T表示Token

分类	模型名称	输入(元/千T)	输出(元/千T)	场景
轻量化经济型	Qwen-Turbo、DeepSeek V4 Flash、Moonshot-v1-8k	0.012 ~ 0.02	0.012 ~ 0.05	低成本批量处理摘要、翻译、简单问答
中端通用主力	Qwen-Plus、ERNIE 4.0、GLM-4-Air	0.08 ~ 0.12	0.20 ~ 0.24	日常办公写方案、公文、客户对话与基础代码
高端旗舰专业	Qwen-Max、GPT-4o、Claude 3.5 Sonnet	0.07 ~ 1.00	0.35 ~ 3.00	复杂推演、合同审核、专业深度报告等高价值工作

我们按轻量化模型运行，价格取该区间的中间值，那么刚才2轮对话的费用为：

轮次	类型	字数	Token	单价(元/千T)	费用 (元)	合计 (元)
第一轮	模型输入	70	140	0.016	0.00224	0.016748
模型输出	76	152	0.031	0.004712
第二轮	模型输入	186	372	0.016	0.005952
模型输出	62	124	0.031	0.003844

—

Token成本举例

场景分类	计费逻辑	Token 计算
纯文字对话	输入提问 + 输出回答，分开计价	中文 1 字≈2Token，输入、输出分别统计
图片理解（看图问答）	图片转视觉 Token 计入输入，提问文字算输入， AI 回答算输出	448×448 低清图固定 256Token 1024×1024 高清图约 930Token
文生图（AI 画图）	提示词算输入 Token，生成图片的视觉 Token 算输出，输出单价上浮	生成图片按像素算输出视觉 Token
视频理解（视频解读）	视频每帧转视觉 Token 计入输入，提问文字算输入，AI 解读算输出	单帧 448×448 图 = 256Token 总视觉 Token = 帧数 × 单帧 Token
文生视频（AI 生成视频）	文案提示词算输入 Token，生成视频的帧序列 Token 算输出，输出单价大幅上浮	视频总 Token = 时长 × 帧率 × 单帧 Token
AI 音乐生成	作曲提示词算输入 Token，生成音频的波形 Token 算输出	10 秒音乐≈1000 音频 Token
AI 制作 PPT	多轮文本交互，需求文案算输入，大纲 / 每页内容算输出	所有文本按中文 1 字≈2Token 换算
AI 电脑自动化（小龙虾操作电脑）	每一步操作都是一轮对话，桌面截图算输入视觉 Token，操作记录算输入，动作指令算输出	单步截图 448×448=256Token，历史操作 / 动作指令按 1 字≈2Token

从这个表格中看到，图片是按像素计算token，

视频是按帧拆成图片计算token，

电脑自动化是按桌面截的图片计算token。

—

如果在使用前计算投入产出比？

现在，我们就可以按计算投入产出比。

我的主要AI对话内容是文字和图片。

假设每一轮对话都包含刚才的保温杯类似内容，再加一张高清图片。

每个月100块的预算，可以实现3630次。