Token 不是算力的通用货币

我原本想做一张能力比较表

我曾把 AI 能做的事情列在一起：语言、图像、视频、PPT、网页、代码、3D 建模。最初想问的是，这些能力分别达到了人类效果的多少，又要花多少 token 和时间。这样一张表看起来很方便：能力、成本、速度，似乎都能放进同一个坐标系。

但接着我又问了一次任务的 token 如何计算，最后追问：token 消耗能准确描述算力消耗吗？问题从“比较哪个工具更强”，变成了“拿来比较的尺子究竟量到了什么”。下面的区分，是沿着这次追问继续整理的结果，而不是当时已经完成的一组测量。

先弄清楚，数的是什么

对文本模型，token 是分词器把输入表示为序列时使用的单位。它不固定对应一个字、一个词或一个意思。不同算法与词表可能把同一段文本切成不同长度的序列；因此，跨模型比较 token 数之前，连计数口径都需要先对齐。^[1]

即使两个请求恰好都有一万个 token，也只说明某个口径下的序列长度相同。它没有告诉我用了什么模型、采用什么数值精度、上下文是否被重复处理。Hugging Face 的推理优化说明把精度、注意力实现和内存使用分别讨论，正是因为这些因素会改变执行方式。^[2]

这里最容易发生的跳跃，是把一个能读到的数字，当成所有看不到的资源消耗的代替品。Token 与计算有关，但“有关”不等于存在一个跨系统通用的换算率。

一个重复问题，为什么可能有不同成本

设想连续向同一个助手询问一份长文档。每次问题不同，前面的文档却相同。如果系统能复用已处理的上下文，就不必把所有工作原样重复一遍。Anthropic 的 prompt caching 是这类机制的公开实例：它允许复用重复上下文，并分别处理缓存写入与读取。这里用它说明机制，不比较供应商价格。^[3]

从用户眼中看，发过去的内容可能差不多长；从系统眼中看，哪些部分可以复用已经变了。反过来，输出很短也不代表整项任务很轻：它可能先读取大量资料、调用外部工具，再把结果压缩成一句话。工具运行的开销也不能只凭最终回答长度估算。

这些量可以一起使用，但不应彼此冒充。计费是在特定服务规则下结算，运行时间还可能包含排队、网络和工具等待；判断价值则需要回到任务本身。

如果真的要比较，先固定终点

以一次说明性的网页修改为例：要求在手机上不溢出，保留键盘操作，并通过原有检查。比较两种方案时，应让它们面对相同的任务和验收条件，再记录完整账单、完成时间、失败重试以及人工修改。否则，一个方案只生成了草稿，另一个已经修到可交付，把二者直接比较就会奖励少做工作的一方。

同样，“达到人类百分之多少的效果”需要先说明是哪一类人、哪一种任务、怎样评分。生成一张看起来完整的建模图片，与交付能继续绑定和编辑的三维资产，是不同的终点。单个百分比很容易把任务中最难验收的部分藏起来。

一个更实用的记录单位，是完成一项达到要求的任务所需的全部投入。失败的尝试要算进去，人工接手也要算进去；样本少时就保留具体案例，不急着推成平均规律。这样的比较没有一张排行榜那么简洁，却更接近我实际要做的选择。

我想学会的，是检查尺子

回到最初的追问，我并不是不需要 token 统计。它适合帮助理解上下文、定位重复输入、观察某种工作流的变化。只是在把它拿来评价效率之前，需要先知道它遗漏了什么。

这次讨论可以提炼出一个更一般的提醒：越方便计数的东西，越容易代替真正想回答的问题。代码行数不等于软件价值，文章字数不等于思想深度，token 数也不等于智能完成了多少工作。我的目标不是找到一个能包办所有判断的数字，而是让每一种数字留在它能解释的范围里。