当 DeepSeek-R1 等开源模型面对 “今天星期几” 这类简单问题时，往往会展开冗长的思维链推导，输出远超必要的 token 内容 —— 这种 “过度思考” 现象，正悄然改写 AI 行业对 “经济性” 的定义。过去，人们评判大模型性价比时，多聚焦于单位 token 的 API 定价，却忽略了完成任务所需的总 token 消耗量。如今，NousResearch 与 Mercor 的多项研究共同揭示：开源模型与闭源模型的核心差距，已从 “能不能做” 转向 “如何用更少 token 做成”，而这种差距在不同任务场景、不同技术路线下，正呈现出截然不同的演化方向。
一、任务场景分化：开源模型的 “token 浪费” 困境与优势边界
大模型的 token 消耗并非恒定不变，而是与任务复杂度深度绑定。NousResearch 团队通过对比测试发现，开源模型的 “效率短板” 与 “能力优势” 在不同任务中呈现出鲜明反差，这种分化直接决定了其适用边界。在知识类直答任务中，开源模型的 “token 浪费” 问题最为突出。以 DeepSeek-R1-0528 为例，其完成任务消耗的 completion tokens（含输出结果与思维链，与实际计费 token 一致）是基准水平的 4 倍。比如回答 “地球赤道半径约多少公里”，闭源模型可能直接输出 “约 6378 公里”，而开源模型可能先追溯地球半径的测量历史、不同测算方法的差异，最终才给出答案 —— 这种冗余推导对简单问题毫无价值，却直接推高了成本。
但当任务转向数学计算与逻辑谜题时，开源模型的 token 消耗差距显著收窄。同样是 DeepSeek-R1-0528，在解决一元二次方程、逻辑推理题时，token 消耗量仅为基准水平的 2 倍左右。更关键的是，额外的 token 消耗转化成了 “准确率优势”：该模型在各类逻辑谜题中的准确率明显高于同类模型。
Mercor 在 APEX-v1.0 基准测试中也观察到类似现象：Qwen-3-2035B 与 DeepSeek-R1 通过更长的输出长度（即更多 token 消耗）弥补了基础能力的短板，最终提升了平均成绩。这意味着，在需要深度推理的场景中，开源模型的 “慢思考” 并非浪费，而是 “用 token 换准确率” 的合理策略。这种场景分化背后，本质是开源模型与闭源模型的能力基座差异：闭源模型凭借更优的预训练数据与模型架构，能快速定位核心信息，减少无效推理；而开源模型往往需要通过更长的思维链 “梳理逻辑”，才能达到相近的效果 —— 这也决定了 “向合适的模型提合适的问题”，已成为控制 AI 成本的关键策略。
二、token 经济公式重构：价值、成本与效率的三角平衡
评判大模型是否经济，不能只看单一指标，而需回归一个核心公式：AI 任务收益 = token 兑现价值 -（单位 token 成本 × 消耗 token 数量）。这一公式中，每一项都在经历技术迭代与产业实践的重构，且中美两国的技术路线已呈现出明显分岔。
1. token 兑现价值：从 “刷榜成绩” 到 “场景价值”
token 的价值并非由模型性能决定，而是由其解决的问题价值决定。过去，大模型的价值常与 “刷榜成绩” 挂钩 —— 比如在 GLUE、MMLU 等基准测试中的得分，但实际场景中，token 的价值需要通过 “经济贡献” 衡量：同样消耗 1000token，“优化一条生产线的流程参数” 可能创造数十万元收益，而 “生成一段无意义的文学片段” 则价值为零。开源模型与闭源模型的价值实现路径不同：闭源模型凭借更高的效率，适合高频、简单的标准化任务（如客服问答、信息检索），通过 “低 token 消耗 × 高任务频次” 积累价值；开源模型则凭借 “高准确率 × 复杂任务适配性”，在科研计算、复杂逻辑分析等场景中兑现价值 —— 比如在药物分子结构预测中，即使消耗更多 token，只要能提升预测准确率，缩短研发周期，其价值仍远超成本。
2. 单位 token 成本：中美技术路线的分岔与竞争
单位 token 成本的优化，折射出中美 AI 产业的核心竞争力差异。美国凭借硬件与基础设施优势，从底层降低 token 成本；中国则依托开源社区，在算法与架构层面探索效率突破，两条路径各有侧重。美国的优势集中在硬件定制与规模效应。黄仁勋提出的 “买得越多，省得越多”，本质是通过硬件迭代降低单位算力成本：英伟达自研 HBM 基础裸片，提升芯片存储带宽；OpenAI 与 SK 海力士、三星合作优化存储方案；闪迪则布局高带宽闪存 HBF，为未来大模型推理提供更低成本的存储支持。这些硬件改进直接转化为单位 token 成本的下降 —— 微软在近期论文中提到，硬件优化可使 AI 查询能耗降低 1.5-2 倍，间接降低了 token 的 “能源成本”。
中国的突破则聚焦于算法与架构创新。受限于硬件供应链，中国开源社区将重点放在 “用更少激活参数实现更高性能”：阿里巴巴 Qwen3-Next 架构总参数 80B，但仅需激活 3B 参数，即可媲美 235B 参数的旗舰版，大幅降低推理时的 token 生成成本；DeepSeek 最新发布的 V3.2-Exp 引入 DSA 机制，在不影响输出效果的前提下，进一步压低了每百万 token 的输入输出成本。这些创新证明，即使在硬件受限的情况下，算法优化仍能成为降低单位 token 成本的关键变量。
3. 消耗 token 数量：被忽视的 “隐性成本” 与优化手段
长期以来，消耗 token 数量是 token 经济中最易被忽视的环节 —— 它既没有统一的测评基准，也未在 API 定价中直接体现，但却直接影响着总成本、用户体验与任务上限。微软的研究揭示了优化消耗 token 数量的巨大空间：通过工作负载优化，AI 查询能耗可降低 2-3 倍，这其中就包括 “减少无效 token 消耗” 的技术手段。具体来看，优化路径主要分为两类：
- 技术层面：通过 KV 缓存管理、批大小调整，提升单位时间内的 token 生成效率，间接减少单次任务的 token 消耗；
- 策略层面：通过智能路由系统，为不同任务匹配合适的模型 —— 比如 OpenAI 的实时路由会根据对话复杂度、工具需求，自动调用 “轻量模型处理简单问题，大模型处理复杂任务”；字节跳动的 Knapsack RL 则通过强化学习，动态分配 token 预算，避免过度消耗。
三、中美模型迭代分野：性能优先与效率优先的路线之争
从模型迭代轨迹来看，中美大模型已形成鲜明的路线差异：中国开源模型以 “性能优先”，迭代伴随 token 消耗上升；美国闭源模型以 “效率优先”，迭代聚焦 token 消耗下降 —— 这种分野背后，是双方技术储备、供应链条件与产业需求的差异。中国开源模型的迭代逻辑，是 “用 token 换性能”。从 DeepSeek-R1 到 DeepSeek-R1-0528，从 Qwen3-235B-A22B-thinking 到 Qwen-235B-A22B-thinking-2507，几乎所有领先开源模型的新版本，都伴随着总 token 消耗的上升。这种选择的背后，是 “国产替代” 的现实需求：在硬件算力受限、预训练数据质量与闭源模型存在差距的情况下，增加 token 消耗（即延长思维链）是快速提升模型准确率、逼近前沿水平的 “捷径”。
路线差异还体现在 “碳足迹” 等隐性成本上。一项针对基础设施框架的研究显示，在相同任务场景下，DeepSeek-R1 的碳排放量远高于其他前沿模型。除了其依赖 CoT 深度思考（消耗更多算力），更重要的是该模型在测试中被 “分配” 了 H800 等能效较低的芯片，以及 PUE（能源使用效率）更高的数据中心 —— 这折射出中国 AI 算力生态的短板：低效的硬件与数据中心基础设施，会进一步放大开源模型 “token 消耗过多” 的劣势，增加隐性成本。
四、结论：经济性终成核心标尺，场景适配决定未来
NousResearch 的研究给出了一个阶段性结论：基于海外第三方 API 价格，DeepSeek 等开源模型仍具备整体成本优势，但在高定价场景（如大上下文、高吞吐速度）中，尤其是处理简单问题时，其优势已不显著。这一结论背后，是 AI 行业的核心逻辑转变：从 “追求性能极限” 转向 “追求经济极限”。未来，大模型的竞争将不再是单一的 “性能比拼”，而是 “场景适配能力” 的竞争：对于高频、简单的标准化任务，闭源模型凭借 “低 token 消耗 × 高响应速度” 将占据主导；对于复杂、低频次的推理任务，开源模型 “用 token 换准确率” 的策略仍具价值。而无论是开源还是闭源路线，最终的赢家都将是那些能实现 “用尽可能少的 token，解决尽可能有价值的问题” 的模型 —— 因为在成本约束日益收紧的产业实践中，“经济性” 才是决定大模型能否落地的终极标尺。
参考：
https://doi.org/10.48550/arXiv.2505.09598
https://doi.org/10.48550/arXiv.2509.20241
https://arxiv.org/html/2509.25721v2
https://github.com/cpldcpu/LRMTokenEconomy/