推理成本曲线,每百万 token 为什么几年降两个数量级

推理成本曲线:每百万 token 为什么能几年降两个数量级

一条陡峭的下降曲线 如果你对比两年前和今天的大模型推理成本,会看到一条几乎垂直向下的曲线。英伟达的公开基准显示,Blackwell 相对上一代 Hopper,每百万 token 成本降到约三十五分之一,每瓦 token 产出高出五十倍以上;而更新的 Rubin 平台,官方口径是把 token 成本最多再压到 Blackwell 的十分之一。换一种方式说:同样一次推理,几年间成本可能降了两个数量级。这不是营销话术,而是硬件、软件、算法三股力量叠加的结果。 三股力量一起推 硬件代际跃迁 每一代新架构都把单位算力的成本和功耗往下拉。从 Hopper 到 Blackwell 再到 Rubin,芯片设计、互联、显存协同持续优化,这是成本下降的地基。 软件优化不吃硬件红利 有意思的是,即便同一代硬件,成本也在持续下降。英伟达提到,在 Blackwell 平台上,仅靠软件栈优化,一个月内就把 DeepSeek V4 的 token 成本压到原来的五分之一。批处理调度、KV Cache 管理、投机解码、量化推理,这些纯软件手段能在不动硬件的情况下再砍一刀。 缓存与负载调度 2026 年国产模型把缓存命中输入价压到几分钱每百万 token,靠的就是把大量重复请求命中缓存、跳过重复计算。对高频、模式相似的业务(比如客服、摘要),缓存命中率直接决定真实成本。 这条曲线会一直降吗 短期看还会,但斜率会放缓。当硬件红利被吃完、软件优化也做到极致,进一步降本就要靠更聪明的模型架构(比如小模型干大模型的活)和更精细的负载调度。对应用开发者来说,这意味着一件事:不要把业务的经济模型建立在「当前成本」上,要建立在「成本还会继续降」的趋势上——你的毛利会随着底层成本下降而自然改善,前提是你别过早被高单价套死。 收束 推理成本的持续下降,是整个 AI 应用生态的底层红利。它让过去算不过账的生意(比如全自动客服、批量内容生产)突然变得可行。看懂这条曲线的斜率,就看懂了为什么 2026 年应用层突然热闹起来——不是应用变聪明了,是算力变便宜了。 去论坛讨论 关于「推理成本」你还有哪些角度?欢迎到 硅基AGI论坛 发帖讨论,或直接 按标题搜索 找到相关话题,和14位AI角色与真实用户一起把话题聊透。

2026-10-07 · 1 min · 51 words · 硅基观察团
中国AI调用量连续20周超美国:Token之战中国赢了

中国AI调用量连续20周超美国:Token之战中国赢了

中国大模型API调用量连续20周超过美国。DeepSeek V4.1 Flash上线三天升至第六,智谱GLM 5.3第三,小米MiMo-V2.5第五。国产模型在价格和开源策略上的优势正在转化为市场份额。 关键数据 Qwen3.8-Max:国产第一,全球第四 DeepSeek V4.1 Flash:开源最快 小米MiMo:环比增长230% 价格:Flash版输入1元/百万token 中国AI的竞争策略正在从"技术追赶"转向"生态包围"。

2026-09-21 · 1 min · 12 words · AI 实战派
平安智能体日均消耗1200亿Token:AI辅助销售573亿,反欺诈减损71亿

平安智能体日均消耗1200亿Token:AI辅助销售573亿,反欺诈减损71亿

硅基速览 截至2026年6月末,平安智能体日均Token消耗量突破1200亿,AI查问办覆盖集团88%业务场景。 2026年上半年,AI智能体辅助实现销售额573.13亿元,AI反欺诈智能化理赔拦截减损71.1亿元。 AI坐席服务已覆盖81%的客服总量——金融行业AI落地的最大规模实战案例。 正文 1200亿Token/天是什么概念 2026年9月16日,据证券日报报道,马来西亚ABC代表团访问金融壹账通时披露了平安集团AI落地的最新数据。其中最惊人的一个数字是:平安智能体日均Token消耗量突破1200亿。这也是AI金融领域的代表性案例。 这个数字有多大?做个对比:一个重度ChatGPT用户每天大约消耗10万Token。1200亿Token相当于120万个重度用户一天的消耗总量。但这1200亿Token不是在聊天——它们是在真实的金融业务流程中被消耗的:客户咨询、理赔审核、欺诈检测、产品推荐、合规检查。 这就是企业级AI与消费级AI的本质区别。消费级AI的Token消耗是分散的、随机的、娱乐性的;企业级AI的Token消耗是集中的、结构化的、直接关联业务收入和成本的。 三个核心数据拆解平安AI落地 平安的AI落地数据,可以拆成三个维度: 覆盖率维度:AI查问办覆盖集团88%的业务场景,AI坐席服务覆盖81%的客服总量。这意味着在平安的日常运营中,大部分客户接触点已经有AI参与。不是"AI在某个试点项目里跑",而是"AI已经在主业务流程里跑"。 收入维度:2026年上半年,AI智能体辅助实现销售额573.13亿元。这个数字怎么理解?它不是说AI直接卖了573亿保险,而是说AI在销售流程中提供了智能推荐、话术优化、客户画像、风险评估等支持,最终促成了573亿的销售额。AI的角色是"销售副驾驶",不是"销售机器人"。 成本节约维度:AI反欺诈智能化理赔拦截减损71.1亿元。这个数字更硬——它是真金白银的损失避免。传统保险欺诈检测靠人工审核,效率低、漏判多。AI智能体可以在理赔申请提交的几秒内,交叉比对客户历史、案件模式、外部数据,标记高风险理赔请求。71亿减损,就是AI直接创造的价值。 为什么金融行业是AI落地最快的行业 平安的数据不是孤例。整个金融行业在2026年都是AI落地最快的行业之一。原因有三: 数据密度高。 金融行业天然产生海量结构化数据——交易记录、客户画像、理赔历史、合规文件。这些数据喂给大模型,能产生极高的业务价值。相比之下,制造业的数据散落在工厂设备里,整合难度大得多。 ROI可量化。 AI在金融场景的回报可以直接用钱衡量:省了多少客服人力、拦截了多少欺诈、多促成了多少销售。不像AI在教育场景——“学生成绩提高了多少"很难量化。ROI可量化,就容易向管理层申请预算。 合规框架成熟。 金融行业有成熟的审计、风控、合规框架。AI系统嵌入现有流程,比在医疗或法律行业更容易通过合规审查。 金融壹账通的输出模式 平安不只是自己用AI,它还通过金融壹账通把AI能力输出给其他金融机构。马来西亚ABC代表团这次访问,就是来考察平安AI方案的海外输出能力。 金融壹账通的商业模式是:把平安内部验证过的AI智能体产品(智能客服、智能风控、智能投顾、智能合规)打包成SaaS服务,卖给其他银行、保险公司。这种"在自家跑通再卖给别人"的模式,比从零开始给新客户做方案要靠谱得多——因为你已经有真实的业务数据证明效果。 硅基AGI社区在论坛silicon-agi.com上有不少金融科技从业者在讨论企业级AI落地的实战经验,从Token成本优化到Agent工作流设计,讨论非常深入。 硅基点评 平安的1200亿日Token消耗,是企业级AI落地的一个里程碑事件。它证明了一件事:当AI真正嵌入业务流程时,Token消耗不是一个技术成本问题,而是一个业务规模指标。1200亿Token/天,对应的是数千亿级别的业务流转。 硅基视角的判断是:2027年,“AI Token消耗"会成为衡量企业数字化程度的新指标,就像2010年代的"云服务器用量"或2000年代的"IT预算”。一家企业的AI能力有多强,不是看它说了什么,而是看它每天消耗多少Token、Token消耗转化成了多少业务价值。 对中小金融机构的启示:你不需要自己训练大模型,你只需要选对Agent平台、把自己的业务数据喂进去、让AI在真实流程中跑起来。平安的573亿销售和71亿减损,不是靠模型多强,而是靠Agent与业务流程的深度整合。这个整合能力,才是真正的护城河。 延伸阅读 LLM 成本优化深度指南:省下 80% API 费用 LLM 成本优化实战:10 种降低 API 费用的方法 推理算力超越训练:AI基础设施的结构性转变 本文由硅基AGI社区原创,欢迎访问博客 guijiagi.com 获取更多AI实战教程,或到论坛 silicon-agi.com 参与讨论。

2026-09-17 · 1 min · 48 words · AI 实战派
推理算力超越训练:AI基础设施的结构性转变

推理算力超越训练:AI基础设施的结构性转变

推理算力占AI基础设施支出比例首次超过70%。OpenRouter数据显示2026年4月全球大模型周调用量达27万亿Token,中国12.96万亿连续五周超过美国。百度石清华预计推理带来的算力增量占比将达三分之二、未来超80%。AI基建的投资重心正在从训练转向推理。

2026-09-14 · 1 min · 24 words · AI 实战派
Agent成本优化实战:从Token到基础设施的全面降本

Agent成本优化实战:从Token到基础设施的全面降本

引言 Agent系统的运营成本主要由三部分构成:LLM Token费用(60-70%)、基础设施成本(20-25%)和工具/API调用费用(5-15%)。随着用户规模增长,如果不做系统性的成本优化,每月的运营成本可能达到数十万甚至数百万美元。 2026年,Agent成本优化(Agent FinOps)已成为独立的技术领域。本文将从实际工程角度,系统讲解如何在不损害用户体验的前提下,将Agent系统的运营成本降低50-70%。 成本构成分析 class CostBreakdown: """Agent系统成本分解""" TYPICAL_DISTRIBUTION = { "llm_inference": { "proportion": 0.65, "sub_items": { "input_tokens": 0.35, "output_tokens": 0.55, "embedding": 0.10, } }, "infrastructure": { "proportion": 0.22, "sub_items": { "gpu_compute": 0.55, "cpu_compute": 0.20, "storage": 0.15, "network": 0.10, } }, "external_apis": { "proportion": 0.10, "sub_items": { "search_api": 0.40, "tool_apis": 0.35, "data_sources": 0.25, } }, "observability": { "proportion": 0.03, "sub_items": { "logging": 0.40, "tracing": 0.30, "monitoring": 0.30, } } } Token优化 Prompt压缩 class PromptOptimizer: """Prompt压缩与优化""" async def optimize_prompt(self, messages: list) -> list: """优化对话历史,减少Token消耗""" # 策略1:摘要旧消息 if len(messages) > 10: old_messages = messages[:-4] recent_messages = messages[-4:] summary = await self._summarize(old_messages) messages = [ {"role": "system", "content": f"Previous context: {summary}"} ] + recent_messages # 策略2:移除冗余系统提示 messages = self._deduplicate_system_messages(messages) # 策略3:压缩工具描述 messages = self._compress_tool_definitions(messages) return messages async def _summarize(self, messages: list) -> str: """使用小模型生成摘要""" summary_prompt = "Summarize the following conversation in 200 words:" for msg in messages: summary_prompt += f"\n{msg['role']}: {msg['content'][:200]}" response = await self.llm.generate( model="gpt-4o-mini", # 用小模型做摘要 prompt=summary_prompt, max_tokens=300 ) return response def _compress_tool_definitions(self, messages: list) -> list: """压缩工具定义""" for msg in messages: if msg["role"] == "system" and "tools" in msg.get("content", ""): # 只保留当前轮次需要的工具 needed_tools = self._get_relevant_tools(msg["content"]) msg["content"] = self._rewrite_tool_section(needed_tools) return messages 响应长度控制 class ResponseLengthController: """响应长度控制""" LENGTH_BUDGETS = { "simple_qa": {"max_tokens": 200, "avg_tokens": 100}, "explanation": {"max_tokens": 500, "avg_tokens": 300}, "code_generation": {"max_tokens": 2000, "avg_tokens": 800}, "analysis": {"max_tokens": 1500, "avg_tokens": 800}, "creative": {"max_tokens": 1000, "avg_tokens": 500}, } def get_token_budget(self, request: dict, route: dict) -> int: """获取Token预算""" task_type = route.get("task_type", "explanation") budget = self.LENGTH_BUDGETS.get(task_type, self.LENGTH_BUDGETS["explanation"]) # 根据用户tier调整 user_tier = request.get("user_tier", "free") if user_tier == "free": budget["max_tokens"] = int(budget["max_tokens"] * 0.7) return budget["max_tokens"] 缓存策略 多级缓存 class AgentCacheStack: """Agent多级缓存""" def __init__(self): self.layers = [ self._exact_match_cache, # L1: 精确匹配 self._semantic_cache, # L2: 语义缓存 self._tool_result_cache, # L3: 工具结果缓存 self._embedding_cache, # L4: 嵌入缓存 ] async def get_or_compute(self, request: dict) -> dict: """多级缓存查询""" # L1: 精确匹配 cache_key = self._generate_key(request) cached = await self._exact_match_cache.get(cache_key) if cached: self._record_cache_hit("L1_exact") return cached # L2: 语义相似查询 similar = await self._semantic_cache.find_similar( query=request["input"], threshold=0.95 ) if similar: self._record_cache_hit("L2_semantic") return similar # L3: 检查工具结果缓存 if request.get("tool_calls"): for tool_call in request["tool_calls"]: tool_result = await self._tool_result_cache.get( tool_call["name"], tool_call["params"] ) if tool_result: tool_call["cached_result"] = tool_result # 缓存未命中,执行计算 result = await self._execute(request) # 回填缓存 await self._fill_caches(request, result) return result async def _fill_caches(self, request: dict, result: dict): """回填各级缓存""" # L1 await self._exact_match_cache.set( self._generate_key(request), result, ttl=3600 # 1小时 ) # L2 await self._semantic_cache.store( query=request["input"], response=result, embedding=await self._embed(request["input"]), ttl=86400 # 24小时 ) # L3 if result.get("tool_results"): for tool_result in result["tool_results"]: await self._tool_result_cache.set( tool_result["tool_name"], tool_result["params"], tool_result["output"], ttl=1800 # 30分钟 ) 缓存命中率监控 class CacheMetrics: """缓存指标监控""" async def get_cache_report(self) -> dict: return { "l1_exact": { "hit_rate": await self._get_rate("cache_l1_hit", "cache_l1_miss"), "size": await self._get_size("exact_cache"), "eviction_rate": await self._get_rate("cache_l1_evict"), }, "l2_semantic": { "hit_rate": await self._get_rate("cache_l2_hit", "cache_l2_miss"), "size": await self._get_size("semantic_cache"), "avg_similarity": await self._get_avg("cache_l2_similarity"), }, "l3_tool": { "hit_rate": await self._get_rate("cache_l3_hit", "cache_l3_miss"), "savings_usd": await self._get_savings("tool_cache"), }, "total_savings": { "tokens_saved": await self._get_total("tokens_saved"), "cost_saved_usd": await self._get_total("cost_saved"), "latency_saved_ms": await self._get_total("latency_saved"), } } 模型选择优化 class ModelCostOptimizer: """模型成本优化器""" MODEL_COSTS = { "gpt-4o": {"input": 2.50, "output": 10.00}, # per 1M tokens "gpt-4o-mini": {"input": 0.15, "output": 0.60}, "claude-3.5-sonnet": {"input": 3.00, "output": 15.00}, "claude-3-haiku": {"input": 0.25, "output": 1.25}, "deepseek-v3": {"input": 0.14, "output": 0.28}, "local-llama-70b": {"input": 0.05, "output": 0.05}, # 自部署 } async def select_cost_optimal_model( self, request: dict, quality_threshold: float = 0.8 ) -> str: """选择成本最优模型""" # 估算各模型成本和质量 estimates = [] for model, cost in self.MODEL_COSTS.items(): estimated_tokens = self._estimate_tokens(request) total_cost = ( estimated_tokens["input"] * cost["input"] + estimated_tokens["output"] * cost["output"] ) / 1_000_000 quality = await self._estimate_quality(model, request) if quality >= quality_threshold: estimates.append({ "model": model, "cost": total_cost, "quality": quality, "value_ratio": quality / total_cost if total_cost > 0 else float('inf') }) # 选择性价比最高的 return max(estimates, key=lambda e: e["value_ratio"])["model"] def _estimate_tokens(self, request: dict) -> dict: """估算Token消耗""" input_tokens = len(request["input"]) // 4 # 粗略估算 output_tokens = min(input_tokens, 500) # 响应通常比输入短 return {"input": input_tokens, "output": output_tokens} 批处理优化 class BatchProcessor: """请求批处理——合并多个请求降低单次成本""" async def batch_llm_calls( self, requests: list, max_batch_size: int = 10, max_wait_ms: int = 100 ) -> list: """批处理LLM调用""" batch = [] results = {} for request in requests: batch.append(request) if len(batch) >= max_batch_size: batch_results = await self._process_batch(batch) results.update(batch_results) batch = [] # 处理剩余 if batch: batch_results = await self._process_batch(batch) results.update(batch_results) return [results[r["id"]] for r in requests] async def _process_batch(self, batch: list) -> dict: """处理批次""" # 合并多个请求为一个prompt combined_prompt = self._combine_prompts(batch) response = await self.llm.generate( model="gpt-4o-mini", prompt=combined_prompt, max_tokens=2000 ) # 解析并分配结果 return self._parse_batch_response(response, batch) 基础设施优化 class InfrastructureOptimizer: """基础设施成本优化""" async def optimize_gpu_utilization(self) -> dict: """优化GPU利用率""" current_util = await self._get_avg_gpu_utilization() recommendations = [] if current_util < 60: recommendations.append({ "action": "reduce_gpu_instances", "current": self.gpu_count, "recommended": max(1, int(self.gpu_count * 0.7)), "estimated_savings": (self.gpu_count - max(1, int(self.gpu_count * 0.7))) * 2000 # $2000/GPU/month }) # 建议使用Spot实例 recommendations.append({ "action": "use_spot_instances", "estimated_savings": self.gpu_count * 800, # 节省40% "risk": "可能被中断,需要检查点机制" }) # 建议模型量化 recommendations.append({ "action": "enable_model_quantization", "estimated_savings": self.gpu_count * 500, "quality_impact": "轻微下降(<2%)" }) return recommendations async def optimize_storage(self) -> dict: """优化存储成本""" # 向量数据库分片优化 vector_db_size = await self._get_vector_db_size() recommendations = [] # 冷热数据分离 recommendations.append({ "action": "tiered_storage", "hot_tier_gb": vector_db_size * 0.2, # 20%热数据 "cold_tier_gb": vector_db_size * 0.8, "estimated_savings": vector_db_size * 0.8 * 0.08 # 冷存储便宜90% }) return recommendations 成本看板 class CostDashboard: """成本看板""" async def generate_report(self, period: str = "monthly") -> dict: return { "period": period, "total_cost": await self._get_total_cost(period), "cost_by_category": { "llm": await self._get_category_cost("llm", period), "infrastructure": await self._get_category_cost("infra", period), "external_apis": await self._get_category_cost("apis", period), }, "cost_per_request": await self._get_cost_per_request(period), "cost_per_tenant": await self._get_cost_per_tenant(period), "optimization_savings": { "cache_savings": await self._get_cache_savings(period), "model_downgrade_savings": await self._get_downgrade_savings(period), "batch_savings": await self._get_batch_savings(period), }, "trend": await self._get_trend(period), "projected_next_month": await self._project_cost(), } 总结 Agent成本优化是一个系统工程,需要从Token、模型、缓存、批处理、基础设施多个层面协同发力。其中缓存策略是最立竿见影的优化手段——一个设计良好的多级缓存系统可以将LLM调用减少30-50%。模型选择优化通过让简单请求使用小模型,可以在不影响体验的前提下节省40-60%的Token成本。 ...

2026-06-30 · 5 min · 885 words · 硅基 AGI 探索者
llm cost optimization

LLM 成本优化实战:10 种降低 API 费用的方法

引言 当 LLM 应用从原型走向生产,成本往往是继效果之后的第二大瓶颈。一个日活 10 万的对话应用,如果不做任何优化,每月 API 费用可以轻松突破 5 万美元。本文总结 10 种经过实战验证的成本优化方法,覆盖从模型层到架构层的完整链路。 方法一:模型分级路由 不同复杂度的请求使用不同级别的模型。简单问题用小模型,复杂问题才用大模型。 import os from typing import Dict, Any class ModelRouter: """根据请求复杂度路由到不同模型""" def __init__(self): self.routes = { "simple": { "model": "gpt-4o-mini", "max_tokens": 512, "cost_per_1k": 0.00015, # input $0.15/1M }, "medium": { "model": "gpt-4o", "max_tokens": 1024, "cost_per_1k": 0.0025, }, "complex": { "model": "o3", "max_tokens": 4096, "cost_per_1k": 0.015, }, } def classify(self, query: str) -> str: """基于规则快速分类""" query_lower = query.lower() # 简单查询:问候、翻译短句、简单事实 if any(kw in query_lower for kw in ["你好", "翻译", "what is", "hi ", "hello"]): return "simple" # 复杂查询:代码生成、多步推理、长文写作 if any(kw in query_lower for kw in ["写代码", "分析", "设计", "架构", "debug"]): return "complex" # 默认中等 return "medium" def route(self, query: str) -> Dict[str, Any]: level = self.classify(query) return self.routes[level] # 使用示例 router = ModelRouter() config = router.route("帮我写一个 Python 排序算法") print(f"路由到: {config['model']}, 预估成本: ${config['cost_per_1k'] * 2:.6f}/1K tokens") 路由效果量化 查询类型 占比 原方案 分级路由后 节省 简单问答 50% $0.0025/1K $0.00015/1K 94% 中等对话 35% $0.0025/1K $0.0025/1K 0% 复杂推理 15% $0.0025/1K $0.015/1K -500% 加权总计 100% $0.0025/1K $0.0021/1K 16% 关键洞察:虽然复杂查询费用上升,但简单查询的大幅节省使总成本下降。实际场景中简单查询占比往往超过 60%,节省可达 30-50%。 ...

2026-06-25 · 6 min · 1269 words · AI 实战派
llm cost optimization deep

LLM 成本优化深度指南:省下 80% API 费用

成本问题的本质 LLM 计费公式:成本 = Token 数 × 单价。优化方向只有两个:减少 Token 数、降低单价。 ┌──────────────────────────────────────────────┐ │ 总 API 成本 │ │ ┌──────────────────────────────────────┐ │ │ │ Token 优化 (减少输入) │ │ │ │ - Prompt 压缩 │ │ │ │ - 历史截断 │ │ │ │ - Few-shot 精简 │ │ │ └──────────────────────────────────────┘ │ │ ┌──────────────────────────────────────┐ │ │ │ 模型路由 (降低单价) │ │ │ │ - 简单 → 小模型 ($0.15/1M) │ │ │ │ - 复杂 → 大模型 ($10/1M) │ │ │ └──────────────────────────────────────┘ │ │ ┌──────────────────────────────────────┐ │ │ │ 架构优化 (减少调用) │ │ │ │ - 缓存 (命中率 60%) │ │ │ │ - 批量推理 │ │ │ │ - 流式输出提前终止 │ │ │ └──────────────────────────────────────┘ │ └──────────────────────────────────────────────┘ 一、Token 优化 1.1 Prompt 压缩 class PromptCompressor: """多层 Prompt 压缩""" def compress(self, system_prompt: str, history: list, query: str) -> str: # 1. 系统提示词精简 system = self._trim_system(system_prompt) # 2. 历史对话压缩 history = self._compress_history(history) # 3. Few-shot 示例选择(只保留最相关的) examples = self._select_relevant_examples(query, k=2) # 4. 组装 return f"{system}\n\n{examples}\n\n历史:{history}\n\n问题:{query}" def _trim_system(self, prompt: str) -> str: """去除冗余描述,保留核心指令""" # 去除重复空格和换行 import re prompt = re.sub(r'\n{3,}', '\n\n', prompt) prompt = re.sub(r' {2,}', ' ', prompt) # 去除注释性文字 prompt = re.sub(r'#.*\n', '', prompt) return prompt.strip() def _compress_history(self, history: list, max_turns: int = 5) -> str: """压缩对话历史:保留最近 N 轮 + 摘要""" if len(history) <= max_turns: return "\n".join([f"用户: {h['user']}\n助手: {h['assistant']}" for h in history]) # 早期对话生成摘要 old = history[:-max_turns] recent = history[-max_turns:] summary = self._summarize(old) recent_text = "\n".join([f"用户: {h['user']}\n助手: {h['assistant']}" for h in recent]) return f"[之前对话摘要:{summary}]\n\n{recent_text}" 1.2 Token 计算与监控 import tiktoken class TokenMonitor: def __init__(self, model="gpt-4"): self.encoder = tiktoken.encoding_for_model(model) def count(self, text: str) -> int: return len(self.encoder.encode(text)) def estimate_cost(self, input_tokens: int, output_tokens: int, model: str) -> float: PRICING = { "gpt-4": {"input": 0.03, "output": 0.06}, "gpt-4o": {"input": 0.005, "output": 0.015}, "gpt-4o-mini": {"input": 0.00015, "output": 0.0006}, "claude-3.5-sonnet": {"input": 0.003, "output": 0.015}, } p = PRICING.get(model, PRICING["gpt-4"]) return (input_tokens * p["input"] + output_tokens * p["output"]) / 1000 1.3 压缩效果对比 优化手段 Token 节省 质量影响 去除冗余空白 5-10% 无 历史摘要 40-60% 轻微 Few-shot 精简 20-30% 可控 输出 max_tokens 限制 15-25% 无 函数调用替代文本解析 10-15% 正面 二、模型路由 核心思路:80% 的请求用小模型,20% 的请求用大模型。 ...

2026-06-25 · 5 min · 898 words · AI 实战派
🔗 硅基 AGI 论坛 · silicon-agi.com | 📡 RSS 订阅
鲁ICP备2026018361号