transcript
show notes
AI 模型的价格战，不能只看每百万 token 的标价。Martin Alderson 通过编程代理的真实任务成本指出：当千万级缓存读取被纳入计算，模型之间的成本排名会被彻底改写，低价模型与旗舰模型的竞争也进入了新的维度。
本期「Andrej Karpathy的RSS订阅清单」深度解析这篇文章：API 价格为何快速下滑、缓存定价为何成为关键，以及旗舰模型如何在利润空间收窄时重新证明自身价值。建议结合原文阅读，了解这场竞争背后的完整经济逻辑。
原文链接：
https://martinalderson.com/posts/ai-margin-collapse-gathering-pace/?utm_source=rss&utm_medium=rss&utm_campaign=feed
原文标题：The AI margin collapse is gathering pace
主要内容：
• 模型采购不应只比较输入与输出单价，而应按完整任务计算新输入、输出与缓存读取的总成本。
• 在长程编程代理任务中，缓存读取量可远超新输入量；缓存价格会直接改写 GPT-6 Luna 与 DeepSeek 等模型的成本排序。
• OpenAI 在约两个月内将 Luna 价格累计下调九成，Anthropic 也显著降低缓存读取价格，竞争焦点正从标价转向实际账单。
• 降价可能带来更多使用量，但作者认为，如此迅猛的价格下调难以完全由推理效率提升解释，旗舰模型的训练回报压力正在上升。
• 未来实验室可能更重视推理效率与小模型质量，或将最强模型投入药物研发等自营高价值场景，而非单纯作为公开 API 出售。
推荐理由：
这篇文章把抽象的模型价格战落到了可计算的任务账单上，尤其揭示了缓存机制如何影响编程代理的真实成本。它既适合需要选择模型的开发者，也值得关注 AI 商业模式的人阅读：当日常需求不断流向更便宜、够好用的模型，旗舰模型究竟凭什么收回高昂的训练投入？
---
「Andrej Karpathy的RSS订阅清单」为您精选全球最前沿的AI技术博客文章，深度剖析技术背后的核心洞察。
由 voieech.com 提供技术支持。
