在選擇使用大模型 (LLM) 時，除了模型性能強弱，價格也是一個重要指標。人們通常會用大模型的 API 定價更貴或更便宜，來比較模型的價格高低。但事實上，定價低的模型真的比定價高的模型使用起來更便宜嗎？

如今，一項來自斯坦福、加州伯克利大學、卡內基梅隆大學和微軟研究院的研究，揭示了 AI 模型中的價格倒掛現象：低定價的 AI 模型，反而有可能產生更高的實際開銷！

• 論文標題：The Price Reversal Phenomenon: When Cheaper Reasoning Models End Up Costing More
• 論文地址：https://arxiv.org/abs/2603.23971

圖 1 給出了主流模型的定價和它們在實際任務上的開銷。

圖 1: 左圖展示了模型定價和實際花銷的關系，右圖給主流模型定價和實際價格各自排序。揭示了價格倒掛現象：低定價的模型反而產生了更高的實際開銷。

GPT-5.2 的 API 定價是 Gemini 3 Flash 的 4.5 倍，但其實際成本僅為 Gemini 3 Flash 的 81%。類似地，Claude Opus 4.6 的 API 定價是 Google Gemini 3.1 Pro 的兩倍，但其實際成本卻低了 35%。

這到底是怎么回事？今天，我們就一起探討這項研究。

AI 模型開銷的審計框架

為了精準刻畫 AI 模型的實際開銷，研究聚焦于 8 個廣泛使用的前沿推理模型，包括 GPT-5.2、GPT-5 Mini、Gemini 3.1 Pro、Gemini 3 Flash、Claude Opus 4.6、Claude Haiku 4.5、Kimi K2.5 和 MiniMax M2.5。推理任務則囊括了包括 AIME、 Humanity's Last Exam、MMLUPro 等 9 個主流數據集。

前沿模型通常采用按量付費的定價機制，即用戶為發送的每個查詢分別付費。

這種定價機制對于給定模型通常涉及兩個組成部分：每單位輸入 token 的價格，以及每單位輸出 token 的價格。對于給定查詢，成本是兩個價格按提示 token 數和輸出 token 數加權的總和。（為了便于理解， 下文中的討論都使用平均加權。 對更多不同加權情況感興趣的話，可以在互動網站上嘗試：https://price-reversal.streamlit.app/）

AI 模型的成本倒掛現象

圖 2: 實際成本排名在不同任務之間存在顯著差異。

測試發現：定價排名與實際成本排名的巨大反差，且這樣的價格逆轉是普遍存在的。根據固定標價 API 定價進行的標準評估是具有誤導性的。

例如，Gemini 3 Flash 的標價（$3.5）僅為 GPT-5.2 價格（$15.75）的 22%，但其在 MMLUPro 上的實際成本實際上是后者的六倍（見圖2）！

根據 API 標價，Gemini 3 Flash 是第三便宜的模型，但它在 MMLUPro 上是最昂貴的。其實際成本幾乎是 Gemini 3.1 Pro 的兩倍。

為量化價格逆轉的普遍程度，研究人員檢查了所有 8 個模型組成的 28 個模型對，在 9 項任務上的表現，共產生 252 次成對成本比較，其中21.8%（55 次）比較表現出價格逆轉。

這意味著，僅基于標價的成本判斷中，大約每五次就有一次是錯誤的。同時模型的相對成本排序高度依賴于任務。一個在某個數據集上便宜的的模型可能在另一個數據集上成為最昂貴的之一。

為什么會出現倒掛現象？

我們先來介紹一個有趣的現象：一個富人和窮人同時購買靴子。富人花費了 100 元購買了一雙好靴子，而窮人為了省錢，只能支付 15 元購買了壞靴子。好靴子可以使用 10 年，而壞靴子只能使用 1 年。結果，窮人不得不每年購買一雙壞靴子。一個悖論就此出現了：窮人為了省錢購買了便宜的靴子，但卻花費了更多的錢。這就是社會經濟學中著名的靴子理論（Boots Theory）：看上去價格便宜的商品，有可能帶來更高的總成本。

研究發現有些 AI 模型也出現了類似的 “靴子現象”, 問題的關鍵是推理 token。

圖 3:圖中展示了模型真實價格的具體拆分：輸入、推理、輸出。不同模型在相同任務上消耗的推理token 數量差異巨大。

首先，推理 token 是模型開銷的主要來源。如圖 3 所示，在模型的開銷里，輸入的 prompt 和輸出的最終結果通常只消耗總成本的 10% 不到，而大部分的開銷都來自于推理 token。這一分解揭示了思考 token 幾乎在所有模型中都是主導的成本組成部分。其次，不同模型的推理 token 的數量差距極大！例如，Gemini 3 Flash 所生成的推理 token，是 GPT-5.2 的將近 10 倍。

圖 4: 在同一道 AIME 題目上，GPT-5.2 使用 562 個思考 token，而 Gemini 3 Flash 使用超過 11,000 個，導致實際成本高出 2.5 倍。

圖 4 給出了一個具體的例子。給定同一道 AIME 2025 題目，GPT-5.2 和 Gemini 3 Flash 得出的最終答案一樣，最終的思路也大致相同。然而，得到這一思路和答案的過程卻大相徑庭：GPT-5.2 僅僅使用約五百個 token 就完成了思考，而 Gemini Flash 卻需要超過一萬個 token。這揭示了開銷逆轉的本質來源于思考 token 數量的巨大差距。

圖 5: 從實際成本計算中去除思考 token 成本。(a) 標價排名與實際成本排名之間的相關性在所有任務中均顯著提高。(b) 成對排名逆轉數平均減少 70%。

事實上，去掉思考 token 可以使得實際開銷和模型定價保持高度一致。如圖 5 所示，去除思考 token 成本顯著恢復了所有 9 項任務的排名一致性，并且使得排名逆轉的數量減少了 70%。這進一步驗證了思考 token 才是成本倒掛的隱藏殺手。

我們可以直接預測任務成本嗎？

圖 6: 實際開銷的不可預測性。對每一個 AIME 數據集上的任務跑 5 次所產生的推理 token 數量。對于固定的任務和固定的模型，多次實驗所產生的 token 數，也有著巨大的差異。這意味著推理 token 數量本身就是不可預測的。

既然定價不能準確反映實際開銷，我們是否可以直接預測實際開銷呢？

實踐表明：實際開銷其實是一個高度不可預測的量！

如圖 5 所示，研究人員在數學競賽數據集上多次運行同一個模型，發現它們的推理 token 的數量差距巨大。例如，對第 6 個任務，GPT-5.2 的推理 token 數最大可達五萬，最低只需 2 萬，達到了 2.5 倍的差距。這就意味著，推理 token 數本身帶有巨大的隨機性，因此，推理 token 數具有高度的不確定性和不可預測性，從而讓實際開銷的預測變得極為困難。

結論

這一研究發現了AI 模型領域的靴子現象：定價更低的模型反而可能帶來更高的實際開銷。同時，它又指出了實際開銷的不確定性和不可預測性。這表明，要選取物美價廉的 AI 模型，并不是看看價目表就夠了。

作者們還開源了使用的數據，提供了一個可互動的網站，為后續研究提供了基礎。

• 數據：https://github.com/lchen001/pricing-reversal
• 網站：https://price-reversal.streamlit.app/

作者介紹

本文由來自斯坦福大學、加州伯克利大學、卡內基梅隆大學、和微軟研究院的 Lingjiao Chen, Chi Zhang, Yeye He, Ion Stoica，Matei Zaharia，James Zou 等 6 位作者完成。

• Lingjiao Chen，斯坦福大學博士，微軟研究院資深研究員。
• Chi Zhang，卡耐基梅隆大學博士。
• Yeye He，微軟研究院首席研究員。
• Ion Stoica，加州伯克利大學教授，美國工程院院士，Databricks 創始人兼主席。
• Matei Zaharia，加州伯克利大學教授，Databricks 創始人兼首席技術官。
• James Zou，斯坦福大學教授。