Epoch AI 发布「思维成本」报告：同等性能的 AI 成本自 2023 年起每季度下降约 47%，同一 FrontierMath 成绩 18 个月内账单相差 377 倍

9 月 22 日（UTC），AI 研究机构 Epoch AI 在并同步发布，给出一份关于 AI 价格的量化测算：自 2023 年以来，在给定性能水平上，AI 的成本每季度下降约 47%，折合每年约 13 倍。报告称 AI「比历史上任何其他变革性技术都降价更快」——约为 DNA 测序的 4 倍、算力的 6 倍、锂电池的 18 倍，也是 1892～1973 年间电力降价速度的 54 倍。

报告用一组账单展示这种「思维成本」（cost of thought）的跌落：按 Epoch 的测算，OpenAI 的 o3 在 2025 年 1 月发布时，是，达成这一成绩花了 0.55 美元；今年夏天，GPT-5.6 Luna 取得同样成绩只花 0.0015 美元——18 个月里，同一份成绩的价格相差 377 倍。

对数坐标上最陡的一条线

报告把「同等性能下的成本」与四项技术放进同一张图，并给出了各自的参照速度：美国住宅电价在 1892～1973 年间按每年 1.05 倍的复合速度下降，锂离子电池在 1991～2024 年间是每年 1.16 倍，算力在 1940～2001 年间是每年 1.51 倍，DNA 测序在 2001～2025 年间是每年 1.84 倍；而 LLM（大语言模型）推理自 2023 年以来是每年 13 倍。

Epoch 还认为，有更粗糙的证据显示这一速度至少从 2021 年 11 月——OpenAI 全面开放 GPT-3 商用 API 的时候——就成立。报告给出一个跨三年的对照：GPT-3 在 MMLU 基准上得 43.9 分时，标价是每百万 token（模型计价的最小文本单位）60 美元；2023 年 7 月 18 日发布的开源模型 Llama 2-7B 得 45.3 分，标价 0.20 美元，折合每年降价 31 倍。报告的理由是：两个模型都不是推理模型，完成同样任务消耗的 token 数量应当相近，因此有理由相信，在 MMLU 上拿到 43.9 分的真实成本每年至少下降 13 倍。

另一份账单：GPQA Diamond 上不到 18 个月降了 725 倍

推文里那组 o3 与 GPT-5.6 Luna 的对照，在报告正文里补上了具体日期：o3 于 2025 年 1 月 31 日发布。报告里展开更细的是另一个基准 GPQA Diamond——一份覆盖博士级物理、化学、生物的。Epoch 估计，o3 发布时平均每题花约 0.30 美元，就能在这份测验上达到「75%」的成绩；不到 18 个月后发布的 GPT-5.6 Luna 达到同样水平，每题只要 0.0004 美元。报告称这是不到 18 个月里 725 倍的降价，「好比一辆新车的标价从 5 万美元跌到 69 美元」。脚注交代了口径：这里的 75% 指从瞎猜基线（四选一得 25%）到满分之间 75% 的位置，折合实际得分 81.25%。

借 CAISI 方法，从一次完整运行倒推各档预算下的成绩

宣布推文称，测算基于 Epoch 扩充后的数据集：222 个 AI 模型、最多 11 项基准。报告详述了其中五项主要基准——FrontierMath Tiers 1-3（v2）、OTIS Mock AIME 2024～2025、GPQA Diamond、Chess Puzzles（国际象棋谜题）、Mystery Game Puzzles（一款身份保密的游戏谜题）；次要基准包括 SWE-bench Verified（代码能力）、MATH level 5、SimpleQA Verified 和三个 FrontierMath 变体。

方法上的难点是：推理模型的成绩不是一个点，而是一条随推理档位（低、中、高、最大）和预算上限变化的曲线。想知道「某个成绩最便宜要多少钱」，就得知道每个模型在不同花费下能考多少分；全部实测一遍又太贵太慢。Epoch 于是借用了美国联邦 AI 标准与创新中心（Center for AI Standards and Innovation，CAISI）开发的：用一次高预算或无预算运行的完整记录——每道题消耗多少 token、对错与否——推算模型在任意更紧的每题预算下的得分；到时还没答出的题，按瞎猜概率计分（四选一为 0.25，开放题接近 0）。

这个模拟有一个隐患：如果模型事先知道自己有多少预算，也许会表现得更好。Epoch 做了对照实验：把预算上限明确告诉模型再测，成绩确实有所改善，但仍不超过标准条件下直接调低推理档位的结果——两种做法画出的花费-成绩曲线基本重合。另一项补救针对数据本身：此前的评测偏重性能上限，缺少低推理档和小型效率模型，Epoch 直接租用硬件运行开源权重模型、按租金计价，并用五个同时开放 API 的开源模型验证，直接成本与 API 定价的差异小于 30%。

在 Epoch 之前已有多个版本的测算：测得越过高性能门槛的模型每 token 价格每年下降 10 倍，在六项基准上给出每年 9～900 倍——这两项测的都是模型的每 token 挂牌价；则直接比较成本与成绩，得到每年 5～10 倍。推理模型的出现让挂牌价口径越来越失真——OpenAI 在 2024 年 12 月发布 o1 之后，推理模型可以用更多 token，从一个更小、每 token 更便宜的底层模型里拿到好成绩。这份新报告选择刻画每个模型完整的花费-成绩曲线，拟合那条随时间移动的成本前沿——任一时点上，达到某一成绩的最便宜路径。

数学题降得比游戏谜题快，刚到 SOTA 时降得最快

报告同时把总体数字拆到了各项基准上。「无模型」估计（直接在数据网格上逐点计算下一季度的前沿成本降幅，再取几何平均）的结果是：Chess Puzzles 每季度 43.0%，Mystery Game Puzzles 44.0%，GPQA Diamond 47.0%，AIME（OTIS Mock）47.1%，FrontierMath Tiers 1-3 53.1%——五项简单平均 47.0%，与报告首选模型的估计一致。宣布推文把它归纳为：游戏类谜题每季度降 39%～43%，数学题每季度降 50%～52%。

降幅还与这档成绩在能力前沿上的位置有关。按五项主要基准平均，某一档成绩刚成为 SOTA（最先进水平）时，成本每季度下降 66%，约合每年 75 倍；两年后速度放缓一半，为每季度 32%。五项基准中有三项——AIME、FrontierMath、GPQA Diamond——呈现这种「刚到 SOTA 降得最快」的模式；Chess Puzzles 和 Mystery Game Puzzles 是例外，降幅随时间几乎不变，前后只差几个百分点。

Epoch 给出的一种解释是：某档新成绩首次出现时，厂商还能短暂收取溢价；竞争者追上来之后，这类成绩的价格骤降，随后动能衰减。报告的第二张图还显示，八个案例里「第二个达成者」只有一次是开源权重模型（QwQ-32B，AIME 的 25% 档）；在报告看来，SOTA 附近最激烈的价格竞争发生在闭源模型之间。

报告自己划出的边界，与评论区的质疑

报告在「局限」一节列出的问题包括：厂商可能专门针对已知基准训练模型（benchmaxxing），为此设计的 Mystery Game Puzzles 把游戏身份保密，其每季度 44.0% 的降幅略低于五项平均，报告称这与「批评成立但不致命」的判断一致；基准成绩不等于有用的工作；报告隐含假设用户永远追逐最便宜的模型，而现实中几乎没有人这样做；三年数据太短，难以精确测量加速与减速；换一种在成绩维度上取平均的方式，结果会变成每季度 42.9%～58.0%；「思维价格」也比「电价」这类概念模糊得多，跨技术比较类似「苹果比橘子」。此外，因为前沿由极值构成、极易被单个数据点撬动，报告放弃了标准误差和显著性检验，自认这些数字是「合理但粗糙的测量」。

9 月 23 日，报告做了一次更新：补引 Demirer、Fradkin 与 Tadelis 2026 年的独立分析，并加入上述关于概念模糊性的警示。脚注注明，是 Toby Ord 的「建设性质疑」促使他们写下这条警示——：图上 AI 从 2021 年到 2026 年降价超过 10 万倍，「真有什么东西便宜过 10 万倍吗？还是某种汇总或代理统计？」

宣布推文下还有更直接的疑问。X 用户回复称，token 价格下降不等于成本下降，AI 实验室在巨额亏损，超大规模云厂商此前一直在补贴；另有用户追问，这些数字究竟是实际成本，还是补贴后的终端价。就口径而言，报告度量的是「跑完一次评测的账单」——API 价格，或自租硬件的租金——不涉及训练投入的摊销，也不核算实验室整体的盈亏。截至 9 月 24 日，这条推文获得了约 170 万次浏览、8,200 余个赞。

留在报告范围之外的问题

报告还留下一个判断：对任何一款具体模型而言，LLM 服务的超额利润可能转瞬即逝——报告认为这既是当下竞速的结果，也是原因之一。

数据和代码已在，另有一个供逐项查看。至于宣布推文结尾的那道「万亿级问题」（the trillion-dollar question）——如果 AI 公司集体放缓 AI 开发，价格是否也会降得更慢——报告正文只写明，产生这一降价模式的行业动态「超出本报告的范围」。