一次抓取背后的 token 账

一台机器人从料框里取出一块平板，送进检测柜。这个动作在成本表上，是一串看不见的数字。

一、发生了什么

雷峰网 10 月 21 日的一篇文章，从这条 3C 质检产线讲起。据文中引用的信息，智元在今年 9 月公开的具身模型里，一帧画面可以编码成 24 个视觉词元。但要算清一次抓取的成本，只数视觉词元远远不够，还要叠上推理耗时、芯片功耗、执行成功率和设备折旧。

文章给了一个尺度感：工业和信息化部信息技术发展司副司长王威伟在 9 月 11 日的发布会上披露，截至今年 6 月，我国日均词元调用量已突破 500 万亿。

清华大学教授、智谱创始人唐杰的判断被引用得比较多：词元具备可计量、可定价、可交易的特性，可以类比石油的「桶」、电力的「度」。换句话说，它正在成为一种结算单位。

价格已经在分化。文章提到 DeepSeek 从 8 月起试水峰谷定价，9 月 10 日又调了 Flash 系列的价格：闲时每百万词元的缓存命中输入价 0.02 元，高峰时段翻倍。这个数字有严格前提——特定模型、特定时段、特定缓存条件，不是通用价。

需求侧的数字也在被拿来当经营指标。按文章引述，谷歌在 2026 年第二季度业绩里称 Gemini 每分钟处理约 220 亿个 API 词元；英伟达同期数据中心业务收入 890 亿美元。

二、跟你有什么关系

做模型采购的人。 你买到的是词元，但付钱买的是任务完成率。单价低三成、失败率高两成，合起来可能是亏的。

做端侧和机器人的人。 延迟往往比单价更致命。文章提到 9 月 15 日发布的一款开源端侧推理引擎，公开测试里把某具身模型的端到端延迟从 278 毫秒压到 26 毫秒以内。

看行业数据的人。 调用量、收入、单 token 成本是三个不同指标。它们一起说明推理在规模化，但不能互相替代。

三、怎么把一次任务折算成钱

1. 先算输入侧。文本按分词算，图像按视觉词元算，动作轨迹和传感器数据各有各的表征方式。不同模型的词元不天然等价，换算前先确认口径。
2. 再算时间侧。首词元等待、连续输出速度、端到端延迟，三个指标对应三种体验。机器人这类闭环任务，看最后一个。
3. 然后算硬件侧。文章提到近存计算、大小脑分工这类思路，本质都是把计算放到离数据更近的地方，省的是搬运的时间和电。
4. 最后乘上成功率。一次成功的抓取才产生价值，失败、超时、重试都要摊进成本。文章把这层叫「有效产出」。
5. 把数据质量单独列一行。全国已建成高质量数据集超过 12.6 万个（截至今年 8 月），但可用、可授权、覆盖真实场景，比数量重要。

四、三个别信的说法

「每百万 token 越便宜越划算」。 分词方式、缓存策略、模态类型、输出质量和计费口径都不一样，横向比单价没有意义。要比就比同等质量下的任务总成本。

「词元少就等于动作快」。 文章自己写了一句：词元少不必然意味着动作更快，还取决于模型架构、硬件运行和控制闭环。把编码效率直接等同于响应速度，是常见误推。

「调用量涨了，说明钱好赚」。 调用量是需求指标，不是利润指标。单价在往下走，规模上去了收入未必同步，这也是为什么行业开始盯「单 token 成本」。

五、一句话结论

词元是一把能用的尺子，但只量得出模型处理了多少信息；一次抓取值不值，还得靠延迟、成功率和电费一起回答。

信息来源

• 一次抓取背后：读懂智能的计量 - 雷峰网，2026 年 10 月 21 日

功能与价格以官方公告为准。本文写于 2026 年 10 月 22 日。