起因
财联社报道，6月Token支出指数下降了。以此来说明终端买家愿意承担的成本在降低，进一步暗示可能影响上游的各个环节。实话说，这个结论大致符合直觉：无论科技大厂还是个人，近期都不再无脑敞开用最先进模型，转而注意模型的能力边界，搭配着用提升性价比。
但是你说，该“指数是外界目前所能获取的最清晰、最直接的市场风向标”，总感觉话说得太满了。作为一个算法出身，长期和数据打交道的人，自然也想知道是如何计算出来的。懂的都懂，数据里可操纵的东西太多了。另外，当然也想知道直觉之外，理性分析下的异动归因。到底是哪部分促成了指数变动，什么因素、各自贡献了多少。另外就是，能不能掌握这波趋势有所动作。
先动起来找出处。原始报告比较好找，关键词《The AI Trade Is Losing One of Its Key Signals》。彭博社的要1.99刀，但没关系，雅虎财经上的免费。
太长不看，用我自己开发的 PageGrok 一键解读：
简单来说，就是认为这个指数可能反映模型厂商正在失去定价权。可能的原因有三个：1. 模型厂商在降价；2. 用户在转向便宜好用的模型，比如来自中国的模型；3. 买家的真实支付意愿在下降，比如大型科技公司不再无限制token消耗。
另一方面，我也找到了一份有援引数据的报告，来自Citadel证券的《Tokenomics》。从图表中可以看出有两个上行高峰：分别是25年底和26年3月。经常在AI圈被“轰炸”和“瘫坐在地”的朋友应该能很敏锐察觉发生了什么：25年底是Claude 4.5发布的时间，Claude Code 好用到出圈。其实那个时候，养小龙虾也已经在欧美圈子传播开。26年3月，当然就是全球养虾盛潮，懂的和不懂的都在凑热闹搞消耗。一段时间后就又趋于平缓，到四月底各大科技公司开始搞token消耗排名，鼓励员工敞开用前沿模型。说到这里，想起字节炒股哥，抓住这波直接起飞。多亏了这两波曲线，他的存储标才能实现起飞接力。
数据复现
说回正题：想知道一个指标靠不靠谱，最直接的就是找到数据源和加工方法。我替大家去看了，Silicon Data 就放了短期几天他们计算出来的结果。多的没有，要付费，499美刀。想来也合理，他们这种做财经数据的，就靠这些个数据赚钱。
另一方面，他们也大致在主页讲了是怎么计算出来的。首先第一个，这个指标看名字的意思是：用户愿意为1M的token，所支付的实际费用。和单独的价格相比，就是多了个消耗权重。举个例子，比如Claude 1M收费10刀，卖出10；GLM 1M收费1刀，卖出100。你要衡量市场，那当然得乘以他们的消耗，就得到市场愿意为1M支付的价格 = (10x10+1x100)/110 = 1.818。1.8就是市场愿意为1M所掏的真金白银。
所以，需要的东西也很直白：各个模型的单价+不同模型的消耗。它自己说用到了400多个模型，20多个头部模型，20多个价格和消耗数据。模型方面算小样，我开发的 traktoken.com 目前都追踪了500多个模型了。头部模型其实也就那么些，只有领先的值得消耗。强者拿下大部分市场，甚至拿下自己过去的旗舰模型的市场（个人认为Opus 4.6是个例外）。
此外，原数据还做了一些额外的数据处理，例如归一化下述指标。
- 输入/输出 Token 比例（Input/output token mix）
- 上下文窗口（Context window）
- 批处理行为（Batching behavior）
- 可靠性（Reliability）
输入输出比例我可以理解，就是限定好它们之间的比。一般而言，早期的文本生成任务输入和输出比是3:7；而近期以coding agent为代表的任务，输入和输出比则是8:2甚至9:1。由于token本身是非标准品，上下文和批处理这两项的归一化不太明白，可靠性的处理也不太理解……如果有明白的读者朋友欢迎交流。
简单来说，它这里算的就是实际消耗的加权平均价格。仅此而已。
价格方面，笔者早先做的 LLM token 比价网站 traktoken.com，对于价格的支持已经很好了，能够做到每日追踪最新价格，而且都能通过git历史记录追溯。额外所需的就是用量。用量的话，我推测它用的是OpenRouter的，因为只有它够大且公开用量。至于比如像Claude这种的官方用量，非内部基本拿不到，且多是按套餐供应而不是token单价。
说干就干。这里有些参数不同，例如输入和输出的token价格比，由于近期coding agent的兴起，大部分token消耗实际上是输入占比约8:2或更高（在个人的Claude消耗统计里也可以看出来），而早期的文字生成，则是大约3:7。我们项目定为8:2。剩下的工作，就是相对枯燥的数据接入、清洗工作。利用好Fable 5，也能很快生成一份。我们直接看结论：不能说大差不差，基本上是一毛一样。
我们的数据同样在1月有小高峰、在5月有近半年的高峰，且近期走弱。不过存疑的是，其所谓的基本翻倍是如何实现的。通过对追踪的数据来看，目前TTSI指数看起来价格差异不大。这里有个隐含假设不同：traktoken是今年3月上线，历史的模型价格无法追溯。存在幸存者偏差，价格高好用的留了下来。通过另一个网站的token价格走势，也能看出来3月价格比去年底高不少。问题不大，数据积累起来之后，就会越来越准。另外就是，原报道的结论，其实聚焦于5月的高点回落20%这个事情上，从图表上看结论类似。7月份的走势也一致，有向上趋势。
进一步结论
现在，我们有了进一步的数据图表和原始数据，是时候检验和回答我们开头的问题了。关于5月以来的价格回落，我们假设了三个方面的原因：厂商降价、用户转向便宜模型、支付意愿下降（股市危）。
结论：下降属实，但是“单价”下降而非“花钱变少”。6 月均价 $2.11/M tokens，较 5 月的 $2.51 回落 15.6%。归因分解显示结构迁移（转向便宜模型）贡献约 54%，厂商降价贡献约 46%；而市场总支出不降反升（日均估算支出 +47%），“支付意愿下降”在本数据内不成立。
可以看到的是，前沿闭源模型的价格是在走高的，有分化的是开源模型价格直接往下走了。
接着做归因分解，从归因结果来看，降价和结构迁移各占一半。将 5 月至 6 月的月均支出价格变化（$2.51 → $2.11，-$0.40）做对称分解：价格效应 = 同一模型价格变化 × 平均权重；结构效应 = 模型间权重迁移 × 平均价格。其中，价格效应占 -$0.184；结构效应占 -$0.22。
价格里面，一半是中国厂商真实降低价格；另一半是Anthropic在6月有过一次价格调整风波。DeepSeek V4 Pro 于 5/24 砍价 75%，小米 MiMo 系列于 5/29 砍价 55~67%。至于Anthropic：AA 价格快照显示 Anthropic 全线模型的输入价在 5/3 统一上调 25%（$5 → $6.25、$3 → $3.75，输出价不变），并于 6/12 整体回调至 4 月原价。6 月的 Claude 价格只是回到了 4 月水平。它这一调价，也贡献了一半的价格效应。
结构里面，Anthropic自己的新模型Opus 4.8（+$0.39）抢占旧模型份额（-$0.54），一进一出贡献-$0.15。另一方面，中国厂商（DeepSeek、小米、腾讯、智谱、MiniMax、阶跃等）token 份额从 5 月的 49.9% 升至 6 月的 64.0%，6 月下旬多日突破 68%。这是结构效应的核心来源。
但是需要中国厂商注意的是：按 token 算中国模型占 64%，按美元算仅从 14.3% 升到 14.9%。便宜模型拿走了用量，没有吃走预算。Anthropic 的美元支出份额两个月都稳定在 65% 以上。“迁移”发生在增量任务上，高价值任务仍留在前沿模型。
第三个假设是支付意愿在下降，不成立。如果支付意愿在收缩，总消耗和总支出应该下降。实际相反：6 月日均 token 消耗 5.88 万亿（5 月 3.58 万亿，+64%），日均估算支出 $10.8M（5 月 $7.3M，+47%）。免费层份额还从 14.9% 降到 6.8%，付费用量占比在提高。单价跌、总账单涨，算是典型的“量补价”扩张。
最后的结论，这波走势完全就是中国厂商以价格换量换来的。用户转向了便宜的中国模型，整体的支付意愿并未下降。Jevons 悖论再次被验证：单价跌 12~15%，总支出反而涨 47%。
现在，traktoken 价格指数也将成为全球AI关键指标。更关键的是，它开源（计算方式开源也叫开源）且可追溯。
彩蛋计算
- 小米 MiMo-V2.5（5/29 砍价 67%）：日用量从 415 亿 token 涨到 6 月底的 6228 亿，翻了 15 倍；日收入从 $1.9 万涨到 $10.5 万，翻了 5.6 倍。需求弹性远大于 1。
- DeepSeek V4 Pro（5/24 砍价 75%）：日用量涨了 1.3 倍，但日收入从 $28.5 万掉到 $16.2 万。这单笔是亏的，换到了份额，没换回收入。
- 中国厂商合计：日均估算收入 4 月 $0.80M → 5 月 $1.05M → 6 月 $1.61M，两个月接近翻倍。个别模型亏，总盘子是赚的。
- 但是要注意的是，设备折旧和这种情况是否能长期持续，值得纳入考虑。另外这里的数据不包含模型厂商提供的toB服务数据，结论有偏，请谨慎采纳。
参考来源
- TrakToken 支出指数 - 本次构建的token价格指数
- Tokenomics - Citadel证券的援引数据报告
- 全球 OpenRouter Token 使用量 - MacroMicro 用量图表
- Token Price Index - token价格走势（非加权）
- Silicon Data LLM Token Expenditure Index - 原始的数据来源