夜雨聆风一场电视访谈，一张被忽略的图表，一个价值数十亿美元的定价谎言
2026年7月20日，CNBC演播室灯光打在Bret Taylor脸上这个同时头顶OpenAI董事长和Sierra联合创始人两顶帽子的男人，正在对着全美CEO们喊话：别被开源模型的低价标签骗了，它们没你想的那么便宜
他讲得自信、从容、逻辑闭环。
但导播切出的那张图表，来自独立评测机构Artificial Analysis，正在用冰冷的数字讲一个完全相反的故事
▲ Karl Mehta帖子直接点出张力：Taylor在镜头前讲“开源不一定更便宜”，同一时段电视画面上的图表却显示Kimi K3每任务成本仅为Claude Fable 5的三分之一
“Token之于智能，就像瓦特之于电力”，一个精彩但危险的类比
先说Taylor到底讲了什么。他每月和大约100位CEO交谈，说这些老板们反复问两件事：我的Token花销换到价值了吗？在AI时代我的护城河是什么？
然后他抛出了这次访谈最核心的概念，Token效率（token efficiency）
“有一个东西叫Token效率。事实证明，前沿模型的Token效率高得多。”
“Token之于智能，就像瓦特之于电力……完成一个任务需要多少Token？每个Token带来的价值并不相同。”
换成日常说法：一个模型每Token卖你1分钱，但它啰嗦得要命，兜兜转转写500行才把活干完；另一个模型每Token卖你5分钱，但一击即中只用50行谁更贵？
这个逻辑本身无可挑剔。开发者社区对此早有痛感。Thorsten Ball描述过一种常见困境：你以为某些任务用便宜模型就够了？但你事先根本不知道它需要多聪明。不够聪明时，它会不断重试，用更便宜但更多的Token硬扛
▲ “更便宜但更费Token”已经出现在大量agent工作流的账单里
打脸时刻：0.94美元 vs 2.75美元
问题出在Taylor把“前沿模型Token效率更高”直接等价于“前沿模型按任务算更便宜”
数据不答应。
就在他说话的同一段采访中，CNBC画面切出了Artificial Analysis的图表这张图不比每百万Token标价，比的恰恰是Taylor所倡导的，每任务成本（Cost per Task）
结果呢？
| $0.04 | |
| $0.32 | |
| Kimi K3 | $0.94 |
| Claude Fable 5 | $2.75 |
▲ Artificial Analysis官方数据：用Taylor自己主张的“按任务算账”口径，Kimi K3约为Fable 5价格的三分之一
Karl Mehta在帖中用了一个精准的词：“未解的一栏”（the unresolved column）沿用Taylor推崇的计量方式，他在摄像机前捍卫的闭源溢价显得缺乏价格证据
Taylor谈到的“Token效率”确实存在Kimi K3依然很啰嗦，跑完Artificial Analysis全部Intelligence Index任务，输出了惊人的1.3亿Token，是同类中位数的两倍多但即便如此，折算下来，它依然比顶级闭源模型便宜
亚马逊CTO的灵魂拷问：你真的需要最强大脑吗？
几乎同一时期，亚马逊CTO Werner Vogels也从企业架构角度谈到模型选择：
企业AI账单正在失控。越来越多公司正在从昂贵的大模型转向更便宜的开源模型。核心架构问题是，“你真的需要最大、最顶尖的模型来解决这个具体问题吗？”答案往往是否。
这和Box CEO Aaron Levie更早的判断遥相呼应：当开源权重与前沿只差一个“边际”而非“鸿沟”时，任务总成本的下降会抬升整体AI用量前沿实验室不会因此消失，规划、编排、审阅这些高价值环节仍是它们的领地，但“所有Token都必须高价”的假设，已经站不住了
▲ Levie的判断：开源逼近前沿，对整个应用层都是重大利好
计费单位正在变化：从“按Token收费”到“按结果收费”
Taylor访谈中还有一个更长远的观点，落在计费单位的变革上：
“按Token付费，就像注册Gmail却按CPU周期付费一样荒谬。”
他认为市场终将走向按结果付费，解决一次客服、完成一笔贷款预审、处理一份医疗授权他的公司Sierra据称已经这么做了有人在评论区给了个更毒舌的版本：按Token付费，就像按扳手拧了多少圈付钱给修车师傅；合理的费用只看车有没有修好。
计量单位一旦从“资源”转向“结果”，模型价格和Token效率都会汇入同一个问题：完成这件事，花了多少钱？
公开评测里，多款开源权重模型已经给出了极具竞争力的答案Kimi K3自身也是证据，相比上一代K2.6，它输出Token减少了21%，Intelligence Index得分却跃升了13分开源阵营也在学习“说少一点、做对一点”
▲ K3比K2.6少说了21%的废话，分数却高了13分，开源模型的Token效率也在飞速进化
最后一个问题
Taylor提出的框架成立，结论仍要交给数据
“不要只看每Token标价，要看完成任务花多少钱”，这个认知框架是对的，甚至是这场辩论里最有价值的共识
沿用他推崇的框架去算账，独立评测给出了另一幅图景：在任务成本轴上，多家开源权重模型已经领先闭源前沿
闭源模型当然还有质量、稳定性、合规性等溢价空间支撑这份溢价的理由也在变化：更高价格要靠更好的结果来证明
这是一个完全不同的故事。而市场最终会用最残酷的方式回答：“更好”到底值多少钱
