OpenAI 与 Anthropic 在几个月内把大模型价格下调最多 80%，为什么？

OpenAI 和 Anthropic 在几个月内将大模型价格下调了最多 80%。为什么？

一个 token 的真实成本是多少？

公开信号显示，OpenAI 和 Anthropic 在数月内将 LLM 价格下调最多 80%，并由此抛出一个问题：一个 token 的真实成本到底是多少。这条信号的重点不在降价本身，而在于价格与真实成本之间的差距，以及这种差距如何重塑大模型厂商的单位经济模型和下游应用的成本结构。

• 公开信号显示，OpenAI 和 Anthropic 在数月内将 LLM 价格下调最多 80%，并由此抛出一个问题：一个 token 的真实成本到底是多少。这条信号的重点不在降价本身，而在于价格与真实成本之间的差距，以及这种差距如何重塑大模型厂商的单位经济模型和下游应用的成本结构。
• 原贴提到：What is “the true cost of a token”?
• 来源：minimaxir.com

这是什么信号

这是一条关于大模型价格曲线的信号：OpenAI 与 Anthropic 在数月内把 LLM 价格下调最多 80%，并提出“一个 token 的真实成本是多少”这个问题。它把讨论的焦点从“谁更便宜”转向“价格距离真实成本还有多远”，也就是厂商定价中究竟包含了多少推理成本之外的部分。

为什么重要

价格下调 80% 这样的幅度，只有在成本侧同时发生显著变化时才可持续，否则就是纯粹的份额争夺。因此这条信号真正的信息量在于：它暗示推理成本、模型效率或竞争格局中至少有一项在快速变化。对于依赖 API 的产品来说，这会直接改写毛利模型与定价空间；对于厂商而言，则决定了降价是可持续的规模效应，还是短期的补贴行为。

对谁有价值

第一类是构建在第三方模型 API 之上的应用团队，成本结构可能被动改善，也可能因价格战结束而反转。第二类是自研或混合部署推理的团队，token 真实成本是自建还是外采的关键判据。第三类是投资与战略判断者，价格曲线的斜率往往先于收入结构的变化出现。

可以怎么行动

把“单次任务成本”作为固定观测指标，按模型、任务类型分别记录 token 消耗与单价，形成时间序列，而不是只记住某一次降价的绝对值。同时在架构上保持模型可替换，让价格变化能够转化为实际的成本收益，而不是停留在合同层面。对关键链路做一次成本敏感度测算：如果单价再降一半，或者反弹回原价，业务是否仍然成立。

风险与限制

原始信号只给出了降幅区间和一个提问，没有给出具体模型、具体单价、成本构成，也没有说明降价的时间窗口与适用范围，因此不能据此推断某一家厂商的毛利水平或行业平均成本。降价也可能是限时促销、特定档位或缓存命中场景下的价格，直接把它当作长期成本基线会导致预算与定价判断失真。此外，token 真实成本还包含工程、评测、失败重试与延迟带来的隐性开销，单价并不是全部。

这条内容的真正价值，不只是“有人发布了一个新功能”，而是它揭示了 minimaxir.com 背后的产品方向、工作流变化或竞争信号。对 OPC 来说，这种信息可以转化成持续追踪的栏目选题。

如果把《OpenAI 与 Anthropic 在几个月内把大模型价格下调最多 80%，为什么？》放到你的内容系统里，它最大的价值在于帮助读者更快看懂“为什么值得关注”，而不是只看到一条碎片化动态。

• Minimaxir 原帖