GPT-6.2降价两成、微软七款模型压价:推理便宜了,GEO要按单任务算账

新闻4天前发布 ai30guanwang
56 0
模型降价与单任务成本概念图
旗舰模型降价与单任务成本口径变化,正在改写GEO的算账方式(AI30 配图)

11月18日,OpenAI发布GPT-6.2 Astra与GPT-6.2 Sol,旗舰API输入输出价格较前代下调两成,输出token减少约22%;同一天,微软在Ignite大会一次推出七款自研专用模型,编程模型MAI Code 2标出对手四成的价格。两大平台在同一天把「降价」写进发布主线,这不是巧合:当模型能力差距缩小到个位数百分点,价格就成了唯一的显性变量。对做GEO的团队来说,这场降价改变的不是能力榜,而是算账的方式。

一、一场同日发生的「双降价」

先看两组数字。OpenAI给GPT-6.2 Astra的定价是每百万token输入8美元、输出40美元,比GPT-6 Astra低20%,缓存输入更是降了六成;官方称其在智能体基准上提升5.2个百分点,输出token减少22%,单项任务成本不足前代三分之一。微软的数字更激进:MAI Code 2号称达到GPT-6.1 Sol约98%的质量、价格只有四成,面对Claude Opus 5.5则是九成六的质量、5%的价格。两家都不约而同用「单任务成本」而不是「每百万token单价」讲故事——这是发布话术的升级,也预示了采购决策的真实口径。

二、口径变了:从token单价到单任务成本

为什么口径变了?因为智能体任务一次要跑几十轮调用,token单价再便宜,任务总账也可能失控。单任务成本把模型质量、输出长度、重试率都折进一个数字,客户看得懂,预算也好批。LangChain这类智能体框架上大量跑了多轮调用的工作流,对成本曲线最敏感;而Cloudflare把推理推向边缘的做法,本质上也是在帮客户压缩时延与传输这两块隐性成本。当推理便宜到可以「按任务包干」,真正的瓶颈就从算力转移到内容与数据——这正是GEO的位置。

三、降价之后,GEO的窗口与稀释

GEO过去讲的是「被引用」:你的内容出现在模型答案里,就赢了第一步。但模型降价之后,智能体会跑更多任务、读更多来源、做更多次比较,答案的生成从「一次检索」变成「多轮加工」。这意味着:第一,被引用的窗口变多了,长尾问题也值得布局;第二,单次引用的权重变低了,模型拿走你的事实后会自己组合,品牌词露出被稀释;第三,模型会更频繁地做任务级比较,结构化数据的可读性比文采更重要。衡量指标也应该跟着变——从「整体提及率」转向「单任务被引用率」:给模型一组真实任务,看你的内容在几个环节、几次调用里被实际取用。

四、内容方的三步应对

具体三步。第一步,把核心事实做成机器友好的结构:参数表、价格与时间戳、服务政策独立成页,字段名用行业通用词,让模型在多轮调用里每次都能取到一致的值。第二步,按任务而不是按页面优化:模拟用户真实会跑的智能体任务,从比价、选型到售后,逐个环节检查你的内容是否会被读到、读到的值是否完整。第三步,建立单任务账本:抽样一组任务在主流模型上定期复测,记录引用次数、引用位置与转化的对应关系,把「模型降价的红利」换算成自己内容产出的预算效率。

五、别把降价红利全花在「多生成」上

还有一个容易被忽略的副作用:降价会让「大量生成」的诱惑变大。推理便宜了,很多团队的第一反应是批量生成更多页面去铺关键词。但这恰恰是反面教材——当所有人生成的成本都在降,生成量的差异会被模型的内容质量过滤抹平,堆量不再带来引用增量。降价红利应该花在数据质量上:把产品库、FAQ、参数表清洗成模型真正需要的形态,而不是再写一千篇同质化文章。稀缺的不是内容,是被模型信任的结构化事实。

六、结语:推理便宜了,判断更贵了

模型降价是AI基础设施成熟的标志,也是GEO从「营销技巧」走向「数据工程」的分水岭。当推理按任务计价,内容的价值也要按任务衡量:你的事实能不能被准确读取、在多轮调用里能不能保持一致、在比较中能不能进入候选。推理便宜了,判断更贵了——把账算清的人,才拿得到下一阶段的引用份额。

(文 / AI30媒体部 | 2026年11月18日)

© 版权声明

相关文章

暂无评论

none
暂无评论...