当你为一段5秒AI视频支付39元时，是否想过背后的商业逻辑？从文生文到视频生成，Token消耗的差异背后暗藏计算规则与定价策略的玄机。本文将深度拆解MaaS商业模式，揭秘为何有的模型贵如黄金却门庭若市，有的近乎免费却无人问津。

最近，我在给甲方做demo的时候，用了seedance2.0的模型，在所有的节点都搭建完成的时候，我看了一下最后的生成的积分消耗，折合人民币39元……

老实讲，我一顿晚饭可能都没这么多，但是不用又没办法，seedance2.0的效果确实很好，尤其是图生视频，配合image2直接屌炸了。

但是，我很好奇，我们一直在使用这些模型，却从来没有想过他们背后的计算规则，虽然都知道是消耗Token，但是却很疑惑为什么视频生成普遍那么贵？以及厂家的商业逻辑，为什么不同模型厂商的定价还不一样，有的厂商几乎就是白嫖，而有的却贵的离谱还有人想要用。

所以今天这篇文章主要来解释token的消耗以及帮大家看懂MaaS（Model as a service）的商业模式

要理解Token消耗，你必须先理解Token本身。这不是一个可以跳过的前置步骤——Token是整个AI计费体系的基石，不理解Token，后面所有的计费规则、成本逻辑、优化策略都会像空中楼阁一样站不住脚。

大语言模型（如GPT-4、GLM-4）并不直接理解文字——它们只理解数字。你输入一段中文，模型需要先把这段中文”翻译”成一串数字，处理完之后，再把数字”翻译”回中文返回给你。这个翻译过程中的最小单位，就是Token。

打个比方：你跟一个只会英语的翻译官说话，你说”你好”，他需要先在脑子里把”你好”翻译成”Hello”，理解你的意思后，再用英语回答，最后把回答翻译回中文告诉你。在这个过程里，翻译官不是逐字翻译的，而是按照他自己理解的”意义单元”来切分——有时候一个字就是一个单元，有时候两个字的词是一个单元。Token就是模型眼中的”意义单元”。

更准确地说，Token是模型词表（Vocabulary）中的一个条目，是大模型自己的语言，当你和他沟通的时候，它需要理解你并且对你进行不同程度的输出，这一部分就会消耗模型能量，而Token就是供给。

那”1000个Token大概等于多少字？”其实不是一个固定数字，而是一个范围，因为不同语言、不同内容的Token化效率不同。一个实用的估算方法：对于中文文本，你可以用”1个汉字 约= 1.3个Token”来粗略估算。也就是说，一段1000字的中文文章，大约消耗1300个Token。但这个估算只适用于”正常文本”——如果你的文本包含大量代码、公式、特殊符号，Token数会显著增加。

讲完token的基本概念之后，我们需要理解三个不同类型的模型消耗规则，这一部分我主要参考了火山引擎的大模型价格的文档，链接为：https://www.volcengine.com/docs/82379/1544106?lang=zh。

由于火山官方的模型有很多，但这里我只例举最常用的几种，从实际使用的场景来看我把它们分为：文生文模型、文生图模型和文生视频模型这三种。

文生文模型（如GPT-4、GLM-4、Claude）的计费核心是”分别计算输入和输出的Token数量，然后乘以各自的单价”，公式也相对简单：

总成本 = (输入Token数 × 输入单价) + (输出Token数 × 输出单价)

总成本 = 视频时长(秒) × 每秒单价

每秒单价 = 分辨率系数 × 帧率系数 × 模型溢价

其中输入部分包括三部分内容：

1. 系统提示词（SystemPrompt）：你给模型设定的角色和行为规则，如”你是一个专业的法律顾问”。通常100-2000Token。
2. 历史对话（Conversation History）：之前所有的对话内容，包括用户提问和模型回复。随着对话轮次增加，这部分Token会不断累积。值得注意是，历史对话会不断叠加和累积，好处是它会记住你的信息，每一次的回答会更精准，当然代价也很明显，就是上下文窗口的带来的巨大增加而导致的Token消耗也会变多。
3. 当前用户输入（User Message）：用户本次发送的内容。

输出Token（Output Tokens）只有一部分：

模型生成的回复：模型针对用户输入生成的全部文本内容。

但是通常来说，输出的定价一般都会高于输入的定价，原因在于推理过程的计算量差异。大模型的推理过程分为两个阶段：

1. Prefill阶段（预填充）：处理输入Token。这个阶段可以并行计算——模型同时”阅读”所有输入Token，计算速度很快。你可以把它想象成”一口气读完一篇文章”，虽然文章很长，但你可以快速扫完。
2. Decode阶段（解码）：生成输出Token。这个阶段必须串行计算——模型每次只能生成一个Token，每生成一个Token都需要参考之前所有的Token（包括输入和已生成的输出）。你可以把它想象成”逐字写文章”，每写一个字都要回头看看前面写了什么。

因为Decode阶段是串行的，每生成一个Token的计算量远大于Prefill阶段处理一个Token的计算量。具体来说，生成一个输出Token的GPU计算时间，大约是处理一个输入Token的5-10倍。这就是为什么输出Token的单价是输入Token的2-5倍。

我认为这个问题可以简单的去理解，好比如你阅读一本书，和你自己去写书一样，前者对于大脑算力的消耗会更小一些，而后者要涉及到创作和灵感，也更费脑，你可以一目十行，也可以一天读完一本书，但是你不能在短期内创造出一个好的作品。

文生图模型：

文生图模型（如image2、seedream）的计费方式与文生文模型完全不同——它不是按Token计费，而是按”张”计费。你输入一段文字描述，模型生成一张图片，你付一张图片的钱。

为什么文生图不按Token计费？因为文生图的成本主要不在”理解文字”上，而在”生成图片”上。理解你的Prompt可能只需要几百个Token，但生成一张1024×1024的图片，需要模型在像素级别进行数百万次的计算。所以，文生图的计费单位是”张”而不是”Token”——文字输入的Token消耗相对于图片生成的计算成本可以忽略不计。

不过，文生图的”按张计费”并不是一个固定价格——它受到多个因素的影响，其中最重要的是分辨率和推理步数。

分辨率是影响文生图价格的最主要因素。分辨率越高，图片的像素越多，模型需要计算的数据量就越大。1024×1024的图片有约100万像素，2048×2048的图片有约400万像素——像素量翻了4倍，计算量也近似翻了4倍，所以价格也相应增加。

这一步和后面讲到的视频模型相同，因为推理步数（Inference Steps）是另一个影响价格的因素，但在主流API中通常不直接暴露给用户。推理步数是指扩散模型（Diffusion Model）从纯噪声逐步去噪到最终图片的迭代次数。步数越多，图片质量越高、细节越丰富，但计算时间也越长。大多数API默认使用30-50步，如果你需要更高质量（如80-100步），可能需要支付额外费用。

还有一个容易被忽略的因素：图片数量。很多平台默认一次生成多张图片（如4张），让你选最好的一张。这意味着你实际支付的是4张图片的价格，而不是1张。Midjourney就是这种模式——一次生成4张，如果你只要1张，也需要付4张的钱。印象中Nano banana也是默认一次性出四张图的，很多国产模型也是优先出两张，这个需要特殊情况来定，主要还是使用的习惯不同。

视频生成模型：

按 token 单价 × token 用量=按 token 单价 × (输入视频时长+输出视频时长) × 输出视频的宽 × 输出视频的高 × 输出视频的帧率/1024

文生视频是当前所有AI生成模式中成本最高的——一段5秒的1080p视频，价格可能相当于生成50-100张同分辨率的图片。

主要也是因为计算量的指数级增长。一张1024×1024的图片有约100万像素需要计算；一段5秒24fps的1080p视频有120帧，每帧约200万像素，总共需要计算2.4亿像素——是单张图片的240倍。而且视频还需要保证帧与帧之间的时序一致性（不能前一秒是白天下一秒变黑夜），这增加了额外的计算复杂度。

更具体地说，视频生成的计算成本来自三个维度：

1. 空间维度：每帧图片的像素量，由分辨率决定。4K视频每帧的像素量是720p的9倍。
2. 时间维度：视频的总帧数，由时长和帧率决定。10秒30fps的视频有300帧，5秒24fps的视频有120帧。
3. 一致性维度：保证帧间连贯的额外计算。这是视频生成独有的成本，图片生成不需要。

不过也有一些别的部分会影响到整体视频生成的token消耗：比如是否输入包含图片和视频，包含的话就会很耗时更高，同样token消耗也更高，这也侧面说明了文生视频的成本远低于图生视频，因为前者这一块的文本token几乎可以忽略不计。

这里我有一个建议：就是现在很多模型推出了fast版本，为了弥补视频生成时间慢、token消耗大的问题而解决的，1因此大家在用视频的时候，尤其是在前期可以优先去使用一些fast 模型，同时降低画质的帧率，在给到的提示词、图片和人物参考不变的情况下，看看最终出来出来的效果如何，在空间上、一致性上是否存在较大的误差，如果在此基础上没有太大问题，可以重新给出一个branch，然后生成优质高清的视频，如果有问题，那就要回溯，查询每一个步骤的图片和提示词。这样整体的成本可以极大降低，反而提高了生产效率。

大模型的成本主要由五部分组成：

1. PU算力成本（约55%）：这是最大的成本项。训练一个大模型需要数千张GPU运行数月，推理服务需要持续运行GPU集群。一张NVIDIA H100 GPU的价格约20-30万元，一个千卡集群的硬件投入就超过2亿元。加上训练成本（GPT-4级别的模型训练一次约1亿美元），算力成本是压在每家厂商头上的大山。
2. 电力和散热成本（约15%）：GPU是电老虎——一张H100的功耗约700瓦，一个千卡集群的功耗约700千瓦，相当于一个小型工厂的用电量。数据中心的电费和散热费用是持续支出，且随规模线性增长。
3. 研发人力成本（约15%）：顶尖AI研究员的年薪在百万美元级别，一个核心团队（50-100人）的年人力成本就超过5000万美元。而且人才极度稀缺，各家厂商在抢人上的投入不亚于抢GPU。
4. 数据成本（约10%）：高质量训练数据的采集、清洗、标注成本不菲。尤其是专业领域数据（法律、医疗、金融），获取成本更高。
5. 利润（约5%）：当前大多数厂商的API利润率并不高，部分厂商甚至亏本运营——用低价换规模，期待规模效应降低成本后盈利。

从图中可以看到，不同厂商的价格差异巨大——DeepSeek的输入价格只有GPT-41/18。

这种价格差异是怎么产生的？

因素一：推理优化技术的差异。这是价格差异最大的来源。推理优化包括量化（降低模型精度以减少计算量）、蒸馏（用大模型训练小模型以降低推理成本）、投机解码（用小模型预测大模型的输出以加速推理）等技术。DeepSeek之所以价格极低，核心原因就是它在推理优化上做到了极致——通过MoE（混合专家）架构和多头潜在注意力机制，把推理成本降到了同级别模型的1/10以下。

因素二：算力成本的差异。海外厂商（OpenAI、Anthropic）主要使用NVIDIA GPU，价格高且供应受限；国内厂商部分使用国产GPU（如华为昇腾），成本更低。此外，中国的电价和人力成本也低于美国，进一步降低了运营成本。

因素三：定价策略的差异。这是”非成本”因素，但对价格影响巨大。OpenAI和Anthropic采取”高价值定价”——它们认为自己的模型质量最好，应该收更高的价格，用高利润支持持续研发。DeepSeek采取”渗透定价”——用极低价格快速获取用户和市场份额，建立生态壁垒。国产模型（通义千问、GLM-4）介于两者之间——质量接近海外模型，但价格更低，以性价比竞争。

但是每家厂商都面临这个两难选择：降价可以获取更多用户和消耗量，但会压缩利润空间；维持高价可以保持利润，但可能流失价格敏感的用户。当前的市场格局是：头部厂商（OpenAI、Anthropic）选择维持高价，因为它们有质量优势和品牌溢价；追赶者（DeepSeek、通义千问）选择低价，因为它们需要用价格换市场。如果所有模型的能力趋同（即用户觉得用哪个模型都差不多），那么价格就会成为唯一的竞争维度，最终走向价格战。这就是为什么各家厂商拼命在模型能力上做差异化——OpenAI强调推理能力和多模态，Anthropic强调长文本和安全对齐，DeepSeek强

调性价比和代码能力。差异化是避免价格战的唯一武器。字节的see dance2.0由于在模型能力上的提升，导致其他厂商无法与其抗衡，进而形成垄断的局面，对于c段用户，他们会不断的购买会员和算力充值，相反企业会选择接入火山引擎的借口，但是门槛会更高。相比于其他模型厂商求着别人使用他们的模型，字节在AI视频领域似乎没什么压力。这里也作为补充，云厂商的模型销售（Maas）不同于传统的SaaS的销售逻辑逻辑，大模型是一个前期投入成本极高但是边际成本极低的行业，这也就意味着厂家需要在一开始投入大量的算力和人力在研发上，但是一旦商业模式跑通或者实现盈利，那么整个的研发和和基础设施投资都会被摊薄。在火山内部，token的消耗量也是作为业务发展的核心指标，类似于传统电商的GMV。

最后就是，开源模型的存在，给闭源模型的定价设定了一个”天花板”——如果闭源模型的价格远高于自部署开源模型的成本，用户就会选择自部署。所以闭源模型的定价必须考虑开源模型的竞争压力。这也是为什么DeepSeek敢于定这么低的价格——它知道自己的开源版本已经设定了价格上限，不如主动把API价格降到接近开源自部署的成本，把用户留在自己的生态里。