很多业内人士已经注意到，似乎 DeepSeek-R1 等开源模型，在回答问题时往往缺乏 " 节制 "。尤其是简单问题，它想得过于复杂了。它的单位 token 成本的 API 价格优势，最终将可能被不受制约的 " 冗长思考 " 所侵蚀。

NousResearch 团队一项研究，就是想搞清楚，开源权重模型在完成相同任务时，是否系统性地需要比闭源模型更多的 token？当将 token 消耗数量纳入考量后，这种差异如何影响总体推理成本？这种效率差异在不同的任务类型中是否更加显著？

该研究发现，对于不需要复杂推理就可直答的知识题（Knowledge questions），开源模型的 " 浪费 " 最为明显，DeepSeek-R1-0528 完成任务消耗的 token 数量（completion tokens）——它既包括向用户呈现的输出结果，也包括思维链（CoT），并与实际计费的 token 数量相匹配——要比基准水平高出 4 倍。

不过，到了需要推理数学题（Math problems）以及更复杂的逻辑谜题（Logic puzzles），DeepSeek-R1-0528 消耗的 token 数量，高出基准水平缩小至 2 倍左右。看来实际工作中，向合适的模型询问合适的问题是一大学问。

事实上，AI 招聘独角兽公司 Mercor 的另一项独立研究也注意到了这一现象。在它提出的衡量大模型的 AI 生产力指数的 APEX-v1.0 基准上，Qwen-3-235B 和 DeepSeek-R1 的输出长度都超过了其他前沿模型。它们思考得更久，可以弥补一些不足，提升了平均成绩，代价就是更多的 token 消耗。

但这也是 " 慢思考 " 刚推出时的魅力，不是吗？在预训练扩展边际放缓后，测试时扩展越来越重要，是提升解题能力的关键。回到 NousResearch 团队的研究上，DeepSeek-R1 在各类逻辑谜题的准确率，也明显胜出一筹。也许它慢了一些，用的 token 也多了一些，但答对了题！

所以，开源模型相比前沿闭源模型，究竟经济不经济 ?

如果有一个最简易的统计公式，那么 token 经济可以归纳为：AI 完成一项任务的收益 =token 兑现的价值 - 单位 token 成本 × 消耗 token 数量。

Token 兑现的价值，一方面取决于模型能不能最终解决现实问题，另一方面则取决于它所解决的问题有多值钱。它下围棋战胜世界冠军，值多少钱？获得奥数金牌，又值多少钱？但更重要的是，在实际工作场景中创造出经济价值，而这些价值由市场来决定。

单位 token 成本也决定着模型的经济性。黄仁勋一直鼓吹 " 买得越多，省得越多 "，就是从硬件与基础设施层面优化能效，降低运营成本的逻辑。这是美国的强项。目前，美国几乎所有 AI 云巨头与前沿大模型厂商，都在探索与部署 AI 定制芯片以降低推理成本。英伟达计划自研 HBM 基础裸片（Base Die），OpenAI 则找上了 SK 海力士与三星合作；闪迪甚至预见了数年后高带宽闪存 HBF 的颠覆性。

中国开源社区的贡献，主要在于算法和架构的改进，对 MOE 推理与注意力机制的探索层出不穷。阿里巴巴的 Qwen3-Next 架构，总参数 80B，却只需激活 3B，即可媲美旗舰版 Qwen3-235B 性能，效率大幅提升。DeepSeek 最新发布的 V3.2-Exp 引入了 DSA 机制，能在成本更低的同时几乎不影响模型的输出效果。这些都体现为每百万 token 的输入和输出成本在持续下降。

微软近期一篇为自己的碳足迹 " 洗白 " 的论文中，驳斥过往的纸面研究，往往忽略了实际部署环境中的规模效应与软硬件优化措施。论文提到，就每次 AI 查询而言，实际能耗要比预估低 8-20 倍。其中，硬件改进带来 1.5 至 2 倍降幅，模型改进带来 3 至 4 倍降幅，工作负载优化带来 2 至 3 倍降幅。

这里的工作负载优化，既包括 KV 缓存管理与批大小管理等提升单位 token 生成效率的手段，也包括用户手动设置 token 预算上限，或自动触发智能路由调用合适模型等降低 token 消耗数量的技术。OpenAI 坚持让实时路由系统，根据对话类型、复杂度、所需工具和明确意图快速决定调用哪个模型。字节跳动的 Knapsack RL 也是类似的预算分配策略探索。这些都是出于性价比的考虑。

很长一段时间以来，在讨论 token 经济学时，完成任务的 token 消耗数量，往往被人们所忽视。这一指标缺乏前述各类测评 token 价值的基准，也不在大模型 API 定价中直接标识出来。

但它无疑越来越重要，它决定着 AI 的经济性。实际工作不同于刷榜（有的刷榜也有算力成本上限），往往存在明显的成本约束。前述微软论文也担心，随着多模型与智能体的广泛落地，更多的推理次数和更长的推理时间将带来更高的能耗。

不仅如此，要输出更多 token，通常也意味着更长的响应时间，用户体验下降；对于部分必须高速精准响应的场景，这甚至是生死问题；单次任务越来越多的 token 消耗，也可能耗尽模型的上下文窗口，限制它处理复杂长任务的能力。

受限于各自的技术储备、供应链体系与电力供给条件，中国与美国在 token 经济学上已经各自分岔。中国开源模型的首要目标是在国产替代的现实中逼近前沿水平，用较多的 token 换取较高的价值；美国闭源模型则要开始想法设法去降低 token 的消耗，并提升 token 的价值。

从 DeepSeek 的 R1 到 R1-0528，或者，从 Qwen3-235B-A22B-thinking 到 Qwen-235B-A22B-thinking-2507，中国领先的开源模型的迭代，往往伴随着总 token 消耗的上升。而 Anthropic、OpenAI 与 xAI 的模型迭代，则伴随着总 token 消耗的降低。

到目前为止，NousResearch 团队的研究认为，综合 token 消耗数量与单位 token 成本（基于海外第三方的 API 价格，因工作负载不同，定价区间差别较大），DeepSeek 等开源模型仍具备整体成本优势，但在最高 API 定价时（即以更大的上下文或更高的吞吐速度交付结果等），它的整体成本优势已经不再显著，尤其是在回答简单问题时。

结合中国的 AI 算力生态，token 消耗过多的短板会进一步放大。有一项研究，专门就基础设施的框架，量化了前沿模型的硬件配置与环境乘数，对能耗、水与碳足迹的影响。在其设定场景下，DeepSeek-R1 成为了碳排放量最高的前沿模型，且远高于其他模型。除了与 o3 类似，它大量依赖 CoT 深度思考，还因为该研究为它 " 分配 " 了 H800 等更低能效的芯片，以及更高 PUE 的数据中心。

当下对性能的追求压倒了一切。最终，起作用的将是 AI 的经济性，用尽可能少的 token 解决尽可能有价值的问题。