这一年调用 AI 的公开单价整体在降，但"便宜"要分环节看：通用对话、常规生成这类标准化能力的单位价格确实降了下来；高质量长内容生成、复杂多模态处理、需要大量试错的任务，单位成本依然不低，用量越大这块支出越显眼。判断自己有没有占到便宜，要看"完成一件事"的总成本，而不是单次调用价。
单价降了，哪些地方降得最明显
降得明显的是基础能力：通用对话、摘要改写、常规文案、简单分类。这类任务输出短、对错好验证、质量要求不高，厂商在这类能力上竞争激烈，公开价目表一降再降。直接结果是，一批原本"用不起"的场景现在划算了：给每条用户反馈自动打标签、把每天的行业资讯过一遍生成摘要、给客服对话做质检——这些过去按量算不划算，现在单次成本已经低到可以放开用。
读者能带走的判断：任务答案是短的、对错能立刻验证的，你大概率已经享受到降价；任务要长输出、要多轮试错、要人工兜底核对的，你感受到的降价就有限。翻豆包、DeepSeek、通义这几家的公开价目表对照一遍，比看任何降价通稿都直观。
三个没变便宜的环节
| 环节 | 为什么没便宜 | 怎么判断值不值 |
|---|---|---|
| 长内容生成 | 输出按 token 计费，长文一次生成量大，返工一次就多付一次 | 算"改到能用"要几轮，而不是"生成一次"多少钱 |
| 复杂多模态 | 图像、音视频的输入输出计算量大，链路环节多 | 先小批量试跑，看单位任务成本能否接受 |
| 大量试错型任务 | 需要多方案比较，调用次数成倍上升 | 把试错挪到轻量模型上，最终稿再用大模型 |
这三个环节的共同点是单位成本不低，且用量越大支出越明显。总支出上涨的团队，多数不是单价涨了，是这三个环节的用量上去了。
一次调用的真实成本怎么算
单次调用价只占一部分。完成一件事的真实成本 = 调用费 + 重试次数 × 单次价 + 人工审阅时间 + 错误返工的代价。一个便宜模型生成的东西要人工改三处，一个稍贵的模型一次到位，前者的总成本反而更高。审阅时间是隐形成本里最重的一项：一段两百字的文案，人看要一分钟，调用只要几秒——调用费再低，也低不过审阅所需的人力。
选型前先问三个问题：这件事返工的代价有多大？人工审阅要多久？能不能自动验证对错？有标准答案、能跑检查的，才适合压单价；靠人眼盯的，必须把审阅成本算进去。
把成本压下来的四个动作
- 按任务分模型：分类、打标、信息抽取这类简单任务交给轻量模型，只有最终生成和复杂推理才用大模型。多数团队的成本结构里，简单任务占了调用次数的大头。
- 把提示词写准：一次说清格式、长度、字段，比反复追问重试便宜。省成本的关键往往在工程，不在单价。
- 用缓存：重复的前缀（系统提示、文档正文）在部分平台可以命中缓存，价格低于首次计算，长文档场景差距明显。
- 批处理：非实时任务攒成批统一跑，部分平台对批量任务有折扣，还能避开高峰排队。
看懂降价背后的三类新闻
厂商降价不是无缘无故的，看懂动因才能判断便宜能持续多久、要不要现在锁方案。三类新闻值得盯：一是价格战，看补贴力度与留存数据，判断是烧钱换市场还是成本真的降了，读法见怎么看懂一次 AI 价格战；二是供给端，芯片与算力成本决定长期价格底线，入门方法见怎么看懂 AI 芯片新闻；三是竞争格局，榜单每次迭代都会伴随一轮定价调整，信号读法见AI 榜单迭代怎么看。三则新闻对照看，比单看一篇通稿有用。
这套算法什么时候会失灵
三个失灵场景。一是质量临界点：任务对正确率极敏感（数字计算、条款比对这类），便宜模型的错误率会让返工吃掉全部差价，这种场景宁可贵也要稳。二是规模临界点：用量太小的时候，省下的调用费还不够覆盖改造工程的人力，先跑量再优化。三是锁定风险：低价套餐常有用量上限、速率限制或功能裁剪，签约前把超额计费、限速条款读一遍，别被单价迷惑。
关于成本还有三个问题
单价降了，为什么有团队总支出反而涨了？因为用量往往同步上升。原本太贵不做的场景现在敢做了，而高质量长内容、复杂多模态、需大量试错的任务单位成本仍不低，用量越大越明显。
轻量模型会不会越用越不够用？会。业务长出来后，任务会从"打标"变成"推理"，早期为省成本选的最轻的模型会先撞墙。做法是预留切换位置：把调用封装成一个函数或一层接口，换模型时只改一处。
该不该趁低价签长期？看条款不看价格。重点看超额怎么计费、限速阈值、功能裁剪范围、数据能否导出。以厂商官方最新发布为准，没写进合同的口头承诺都不算数。
成本速查
- 总成本 = 调用费 + 重试 + 人工审阅 + 返工
- 能自动验证对错的任务，才值得压单价
- 简单任务用轻量模型，最终稿用大模型
- 低价套餐先看超额计费与限速条款
