7 月 30 日，OpenAI 把 GPT-5.6 Luna 的價格砍了 80%。幾星期後，一個數字開始流傳：降價之後，token 用量爆升 13.8 倍。
一句話結論：AI token 降價後用量會不會暴增，OpenRouter 自己那份 100 兆 token 研究早就量過：降價 10%，用量只升 0.5–0.7%，而且它明文寫著不做因果分析。
這篇不是要說 13.8 倍是假的。我核不到它，下面會誠實交代。要示範的是：看到「降價之後用量爆升 N 倍」，怎麼在五分鐘內找到它的口徑。這次特別值得看，因為講這句話的公司自己出版過一份 100 兆 token 的研究，量到的答案方向剛好相反。
這次降價到底降了什麼？
2026 年 7 月 30 日，OpenAI 調整 GPT-5.6 系列 API 價格，三個等級動了兩個：
| 等級 | 輸入（每百萬 token） | 輸出（每百萬 token） | 變動 |
|---|---|---|---|
| GPT-5.6 Luna | $1.00 → $0.20 | $6.00 → $1.20 | −80% |
| GPT-5.6 Terra | $2.50 → $2.00 | $15.00 → $12.00 | −20% |
| GPT-5.6 Sol | $5.00 → $5.00 | $30.00 → $30.00 | 沒有變 |
第三行才是重點。旗艦的 Sol 一毛錢都沒有降，但 Eden AI 在報導裡直接寫明，當時「廣泛的報導把這次降價框成全線調降」。這就是第一層：一個真實發生的事件，在轉述過程中分母被悄悄放大了。
OpenRouter 這類中間商再疊自己的折扣：「我們的 50% 專屬折扣疊加在上面，把 Luna 做到 $0.1/M 輸入、$0.6/M 輸出，Terra 做到 $1/M 和 $6/M。」從 $1.00 一路到 $0.10，總跌幅 90%。這系列價格三星期改了三次：7 月 9 日等級上線、7 月 17 日調快取定價、7 月 30 日砍兩級。
OpenRouter 自己的研究，到底量到什麼？
量到的是「幾乎沒反應」。
OpenRouter 在 2025 年 12 月發表過一份研究，〈State of AI: An Empirical 100 Trillion Token Study〉，後來上了 arXiv（編號 2601.10088），分析自家平台 300 多個模型、70 多家供應商的實際流量。講成本與用量關係那段，原文是：
「趨勢線接近水平，顯示需求相對缺乏價格彈性；價格下降 10%，只對應大約 0.5–0.7% 的用量增加。」
OpenRouter, State of AI（2025 年 12 月）
總結時再講一次：「在總體層面，需求是缺乏彈性的。」
那 Jevons 悖論呢？這概念是「效率提升反而讓總消耗增加」，十九世紀講煤，現在拿來講 token。報告提到了，但講法克制：「有一些證據顯示 Jevons 悖論」，沒有數字，沒有窗口。方法論段落還寫了一句免責：
「我們也提及與 Jevons 悖論效應的相似之處，意思是低成本的類別往往對應較高的總用量，不過我們並不嘗試正式分析這個悖論或因果關係。」
這份研究的立場是：一個量化數字（0.5–0.7%），方向是幾乎沒反應；一個沒有數字的觀察，作者還主動說明不做因果推論。引用它去證明「降價帶動用量暴增」，等於拿沒有數字那句蓋過有數字那句。
那兩個數字差多少倍？這題我不打算答
先做算術。13.8 倍等於增加 1,280%。照報告那個彈性線性外推，降價 80% 大概對應用量增加 4% 到 5.6%。兩者相除，得到 229 到 320 倍的差距。
這數字很好看，標題寫「差 300 倍」肯定有人轉。但它是錯的，原因有兩個，而這兩個才是本文想教的。
第一，兩邊量的不是同一件事。那個 0.5–0.7% 來自橫斷面回歸，把同一時點不同模型的價格和用量放在一起跑趨勢線，回答「貴模型和便宜模型之間，用量差多少」。而「降價之後爆升」回答「同一個模型，降價前後差多少」。一個是橫的，一個是縱的。
第二，把 10% 的觀測值線性外推到 80%，本身就沒有根據。報告量的是趨勢線斜率，不是一條可以外推八倍的定律。價格砍到五分之一會觸發什麼行為，那份研究沒測過。
所以誠實的結論不是「差 300 倍」，而是：這兩個數字不能互相支持，也不能互相反駁。它們量不同的東西，卻掛著同一個品牌。讀者看到「OpenRouter 的數據顯示」，不會分辨這是哪一組。
「14 倍」和「13.8 倍」是同一個數嗎？
不是。這正好是分母混用最容易發生的地方。
8 月下旬另一組跟 OpenRouter 有關的數字在流傳：agent 在平台上的用量自 2026 年 2 月起成長了 14 倍。它來自 Peter Walker 整理、Moses Sternstein 在 a16z Charts of the Week 流傳的圖表包，日期 8 月 21 日，PPC Land 8 月 25 日整理報導。14 和 13.8 只差 1.4%，肉眼看幾乎同一個數，口徑卻完全不同：
| 「13.8 倍」 | 「14 倍」 | |
|---|---|---|
| 講什麼 | 降價後的 token 用量 | agent 的用量 |
| 時間窗口 | 沒有公開說明 | 2026 年 2 月起，六個月 |
| 來源 | 廠商自己的貼文 | a16z 圖表包（第三方整理） |
| 歸因 | 暗示是降價造成 | 沒有歸因到任何一次降價 |
一個是六個月的 agent 採用趨勢，一個是一次降價的短期效果。若被磨平成「OpenRouter 數據顯示 token 用量爆升」，讀者就分辨不到自己看到的是哪一個。
同一份 a16z 資料裡有個比倍數有用得多的發現：超過 85% 的 agent token 消耗來自快取過的 prompt。agent 燒掉的算力大部分不是在產生新東西，而是反覆重讀已經拿到的 context，每個任務用掉的 token 接近人類的五倍。這解釋了快取定價為何關鍵：Luna 的快取讀取有 90% 折扣，一百萬 token 約 $0.02。
那份 100 兆 token 研究，還有哪些口徑該知道？
以下限制全部是報告自己寫的，它比多數廠商公佈的東西透明。問題出在轉述的人不會一起轉述。
- 分類數字建立在 0.25% 抽樣上。報告寫明「OpenRouter 對大約 0.25% 的 prompt 和回應進行內部分類」，用第三方模組 GoogleTagClassifier，只讀前 1,000 個字元，信心低於 0.5 就剔除。
- 有一張圖的高峰來自單一帳戶。原文：「上圖中 5 月的明顯尖峰，主要可歸因於一個規模較大的帳戶。」而那張正是工具呼叫圖，也就是 agent 化的核心證據。
- 報告沒有定義什麼叫 agent。它用代理指標近似。有一句寫著「本節透過五個代理指標追蹤這個轉變」，然後列了四個。
- 100 兆這個標題數字沒有時間窗口。分析窗口寫得很清楚：2024 年 11 月 3 日到 2025 年 11 月 30 日。但「100 兆 token」全文沒有一句綁在某個日期區間上。
限制章節的最後一句是：結果「應被解讀為指示性的行為模式，而非對底層現象的確定性量測」。還有一個時間問題：報告數據截至 2025 年 11 月，而降價發生在 2026 年 7 月 30 日。資料期比降價早了八個月，它不可能量到這次降價的效果。
看到一個「爆升 N 倍」，你該問哪四個問題？
- 分母是多少？倍數量的是起點有多接近零，不是結果有多好。從 100 漲到 1,380，和從 1 億漲到 13.8 億，都叫 13.8 倍。
- 窗口多長？六個月的趨勢和三星期的效果，寫出來都是「爆升 14 倍」。沒標窗口的倍數，等於沒標單位。
- 誰在講，他賣什麼？利害關係人不一定說謊，但他有權決定不公佈哪些口徑。這次講「用量爆升」的，正是在原價上再疊 50% 折扣的中間商。
- 同一個來源有沒有出版過相反的數字？這條最少人做，這次剛好命中。行銷貼文和研究報告掛同一個名字。
把四題做成可以直接填的表：
降價之後，你的帳單真的會變便宜嗎？
不一定。Zefr 首席 AI 官 Jon Morra 在 8 月 24 日的 AdExchanger 專欄說，假設 token 會一直變便宜的時代已經結束，證據是 Fable 5 上線價是同廠前一代頂級模型的兩倍。
企業端已經在承受。KPMG 調查顯示，49% 的主管因成本超過價值而縮減 agent 規模，只有 35% 對這些花費有完整可見度。
Morra 的建議是讓模型複雜度去配任務難度：該問供應商的不是「你們用哪個模型」，而是「為什麼每個任務都用同一個」。放回價目表會看到一個很直白的數字：Luna 和 Sol 的輸出價差是 25 倍（$1.20 對 $30.00）。而 OpenRouter 研究說平台中位成本是每百萬 token $0.73，分類任務跑在 Sol 上，你付的是中位數的四十倍。
要不被單一平台的數字綁住，三個方向，難度由低到高：
- 看自己的帳單，不要看別人的成長率。各家 API 後台都有用量報表。你的 token 曲線在降價前後有沒有變，才是唯一跟你有關的資料。別人的 13.8 倍，分母不是你。
- 用聚合層，不要把模型名稱寫死。OpenRouter、Eden AI、Portkey 這類服務讓模型變成設定值而非程式碼。代價是多一層中間商，而中間商的公開數字也帶立場。
- 用 cost-of-pass 評估，不要只看單價。研究界已開始用「產出一個正確結果的預期成本」比較模型。用這把尺，最貴的那個經常不是答案。
我核不到的部分
這段本來可以不寫，但不寫的話，這篇文章就變成它自己在批評的那種東西。
「13.8 倍」這個數字，我沒有核到一手來源。用搜尋引擎找第三方報導，零命中；直接開該則貼文的網址，讀取失敗。我手上唯一的紀錄來自自己的素材整理，而那份整理本身也是二手的。
所以本文骨架刻意不建立在 13.8 倍是真是假之上。可以驗證的是：降價幅度與 Sol 未調整、OpenRouter 研究裡的彈性數字與因果免責（逐句讀過原文）、a16z 那組 14 倍的窗口與來源。而這本身就示範了一件事：一個查不到原文的數字，就算是真的，也不應該被當成證據使用。它可能只是被轉述時掉了半句話。
常見問題
Jevons 悖論在 AI 上到底成不成立？
目前沒有公開研究正式測過。OpenRouter 那份研究提到「有一些證據」，卻明文不做因果分析，而它唯一的量化彈性數字顯示需求缺乏彈性。它觀察到的是橫向現象，跟「某個模型降價之後用量暴增」不是同一個命題。
GPT-5.6 降價後，該把工作全部搬到 Luna 嗎？
看任務。Luna 在 $0.20/$1.20 這個價位，讓分流、分類、欄位抽取這類高量簡單工作接近免費。但多步推理或工具串接的工作，錯一次的代價遠高於 token 差價。做法是分層，不是全搬。
廠商自己公佈的數字，是不是一律不能信？
不是。廠商往往是唯一有資料的人。要分辨的是「有方法論的公佈」和「一句話的公佈」：研究報告會寫出抽樣比例、剔除規則和干擾因素，行銷貼文沒有。載體不同，信任度就不同。
結論
最值得記住的不是哪個數字對，而是同一個品牌在兩份文件上給出方向相反的答案，只有其中一份寫了方法論。下次看到「爆升 N 倍」，先查這個來源有沒有出版過相關研究，然後翻到方法論那頁。最有力的反駁通常就寫在對方自己的文件裡。
價格與數據截至 2026 年 8 月 29 日，實際費率以各供應商官網為準。引用的研究與報導已標明出處與日期；「13.8 倍」一項未能取得一手來源，已於文中說明。本文不構成投資、採購或財務建議。
同主題延伸閱讀
AI 工具實測與工作流
實用工具與下一步 · 免費工具 →
發佈留言