壞了！賣 Token 的核心機密被老馬學到了

馬斯克發布Grok 4.5，不講"智能涌現"講"性價比"——每百萬token輸入2美元、輸出6美元，token效率比Opus 4.8 max高4.2倍。硅谷現在也開始在價格上說話了，這是學的智譜和DeepSeek的經驗嗎？

———— / BEGIN / ————

SpaceXAI正式發布了Grok 4.5，這是他們收購cursor之后首次發布模型。

SpaceXAI是這樣描述的:這是他們第一個專門為coding和agents訓練的模型，和Cursor一起訓練，已經進入Grok Build、Cursor全部計劃和 SpaceXAI console。價格也擺在同一張桌面上：每百萬input token 2美元，每百萬output token 6美元。

Grok 4.5面向普通用戶更全面開放。馬斯克在X上煽風，說它是Opus-class model，但更快、更省token、成本更低。

這就有點意思了。

硅谷模型發布過去最愛講的，是前沿能力、智能涌現、推理突破、安全邊界。Grok 4.5這一輪最像的反而不是傳統硅谷發布會，而是過去一年國內模型廠最熟的那套打法：別先問誰是世界第一，看價格說話。

所謂核心機密，不是低價。

真正要緊的是性價比：一次調用多少錢，緩存命中多少錢，接進工作流以后誰來買單。

壞了，GLM和MiniMax們的致富密碼，讓老馬學去了。

便宜不是低端，是入口

中國模型廠過去一年最常被討論的一件事，就是賣便宜token。

DeepSeek、阿里、百度、字節、騰訊們一輪輪把價格打下來，外界很容易把它理解成低端競爭：你沒有最強模型，所以只能靠便宜搶調用量。AI的低頻用戶的人確實愛這樣描述，畢竟他們自己不用花錢。

如果模型只是chatbot，便宜確實不夠性感。用戶一個月付20美元，如果只是聊聊天當陪玩，確實也沒啥用。

但coding agent不是這么賣的。

它進IDE，進terminal。每一次調用背后可能是一個bug、一次review、一次失敗重跑，再加上loop，再便宜的單價都會讓人肉疼。所以說，沒有最便宜，只有更便宜。

既然這個前提確定了，token價格就不是“便宜”兩個字，而是入口，是真的讓普通人能用起來的可能性。

SpaceXAI官方頁很會刺激開發者神經。它在SWE-Bench Pro任務上給了一個token efficiency對比：Grok 4.5平均輸出15,954 tokens，對照的Opus 4.8 max是67,020 tokens，少4.2倍。這個數當然來自 SpaceXAI自己發布，不能當第三方終審；但它很準確地暴露了這次發布想讓市場記住什么。

圖2：Grok 4.5官方頁把token efficiency放到前臺。

是agent這個商業形態，把中美模型廠都趕到了同一張價格表前。中國廠只是被價格戰提前訓練過，老馬這次把這套語言講成了一個硅谷故事。

OpenAI也掀桌了

同一天，OpenAI做了一件看上去很技術、其實很商業的事：它公開審計 SWE-Bench Pro。

先解釋下：SWE-Bench Pro是coding agent的考試題庫，包含的主要考題更接近真實工程場景的活：給模型一個代碼倉庫、一個issue或bug描述，讓它像工程師一樣改代碼，再用測試驗證到底有沒有修好。模型廠說自己的agent會寫代碼、會修bug、能替工程師干活，很多時候就需要這類榜單來證明。

不過這次有點打臉，OpenAI以前說過，老考卷SWE-Bench Verified已經不好用了，大家應該改用新考卷SWE-Bench Pro。結果現在，它發現新考卷里也有大約三成題目有問題。

OpenAI給出一組數據：在731道公開題里，frontier models的通過率8個月里從23.3%漲到80.3%；自動審查確認200個broken tasks，占 27.4%；人工標注認為249個任務有問題，占34.1%。

這些技術細節不用記太多。所謂“撤回建議”，意思很簡單：OpenAI 不再建議大家把SWE-Bench Pro當成可靠標準答案了。

其實核心指向點就一個，OpenAI開始質疑標準，他們認為現在得測評不能代表真實得產出，延伸一步來看，就是現有得測評不能真實反映模型是否經濟。

OpenAI有Codex，Anthropic有Claude Code，SpaceXAI有Grok Build和Cursor入口。現在已經不完全是toke單價的競爭時代了，模型大廠們開始考慮以解決項目的能力作為賣點，直接影響企業采購、開發者心智和模型廠定價。

這是更深一層的戰場：當benchmark不再可靠，企業會把信任從“榜單分數”搬到“真實工作流驗證”。

誰能在真實repo里改bug，誰能接入權限系統，誰能解釋失敗重跑，誰能把一次agent任務拆成可審計的成本，誰就更有資格說自己的模型能干活。

這里剛好接上“賣token”的主線。

舊benchmark信不過了，企業不會因此停止采購agent。它們會換一種問法：別告訴我你榜單第幾，先讓我看一個真實任務，跑完到底化了多少錢。

這正是中國模型廠最熟的場景。因為賣token從來不只是賣一串數字，它賣的是可比較、可計費、可復現的工作單位。OpenAI審計SWE-Bench Pro，看起來是在清理評測噪音；放在Grok 4.5發布當天，它也客觀上把“真實工作流+價格驗證”推到了前臺。

但OpenAI自己承認約30% 任務有問題，已經把彈藥遞到了他手里。

老馬最擅長的，不是把復雜機構語言講完整，而是把它壓成X上一句能傳播的話。他不需要成為評測裁判，他只要不斷提醒開發者：裁判也會出錯，真實任務才算數。

圖4：OpenAI官網審計頁。它清理的是評測噪音，牽動的是coding agent的商業信用。

IDE變成新的收銀臺

最總一切都關乎于計費，所以agent時代真正的計費模式不在命中緩存，也不在每百萬token價格，而是在IDE里。

開發者每天睜眼打開Cursor，切terminal，刷GitHub，看CI面板到底是綠燈還是紅燈。過去模型廠爭的是網頁入口，后來爭手機App，再后來爭 API。coding agent出現以后，入口往前挪了一步，挪到了代碼被寫出來的地方。

Cursor的定價頁很直白：個人版每月20美元，Teams每用戶每月 40 美元，功能寫著Agent requests、frontier models、MCPs、skills、hooks、cloud agents、Bugbot usage-based billing、usage analytics。他正在把模型調用、agent能力、團隊權限和使用統計打包成一個開發組織的賬單中心。

OpenAI的Codex論文則給了使用形態的另一面：2026年上半年Codex 活躍用戶增長超過5倍，超過10%用戶每周會管理3個以上并發agents，skills使用率到6月升到26.6%。

綜合起來看，計費模式就很明確了。

Cursor證明入口在哪里；Claude Code證明賬單怎么管；Codex證明agent正在從單次問答，變成并發任務隊列。

Grok 4.5要搶的是Cursor里的默認模型、Grok Build里的agent工作流、開發團隊的token預算，以及X時間線上“什么才算真的能干活”的解釋權。

這也是為什么“成本”突然變鋒利。

如果模型還停在聊天框里，成本只是廠商毛利問題。用戶不太關心你推理一次燒多少錢，只關心回答是不是像人。可一旦模型進入IDE，成本就變成產品體驗的一部分。上下文長不長、吞吐快不快、失敗重跑貴不貴、團隊用量能不能管，都會變成開發者每天能摸到的阻力。

便宜當然不是免死金牌。

agent改壞一次生產庫，省下的token錢不夠賠一次事故復盤。X上轉得再歡，企業也不敢只靠這個買單。真正能讓開發團隊留下來的，是穩定性、權限、安全、上下文管理和可控失敗。

所以Grok 4.5這張牌也有風險。

首先，SpaceXAI官方token efficiency數據還需要更多第三方復現。其次，Cursor 入口不等于長期默認，開發者會在真實任務里用腳投票。OpenAI、Anthropic、Google不會把IDE賬單中心拱手讓人，它們只會更快把cost-per-task、workspace integration和eval governance 寫進產品敘事。

但這反而說明，競爭的本質已經變了。

以前模型廠爭的是“誰更聰明”。現在它們開始爭三個更具體的東西：誰定義能干活，誰占住工作入口，誰收走每一次任務調用的錢。

評測權、入口權、計費權，正在變成同一個戰場。

Agent正在告訴所有人，AI是新時代的工位。

一次bug fix，一次PR review，一次CI修復，一次文檔生成，一次失敗重跑。每個單位都要被驗證、被計費、被歸因。

接下來1-3個月，真正該看的也不是哪家又刷了一個榜單。而是看誰家的token和agent配合的更加經濟。

老馬未必學了中國。

但這一次，他確實把中國模型廠最早承認的現實，講成了一個硅谷故事。

本文來自公眾號：象先志 作者：卡古拉