作家｜硅谷 Tech news

裁剪｜赵虹宇

遐想一下这个场景：

你让 AI Agent 帮你修一个代码 Bug。它开放口头，读了 20 个文献，改了改，跑了一下测试，没过，又改，又跑，照旧没过……来去折腾了十几轮，终于——照旧没修好。

你关掉电脑，松了语气。然后收到了 API 账单。

上头的数字可能让你倒吸一口寒气——AI Agent 自主修 Bug 在国际官方 API 下，单次未缔造任务常烧掉百万以上 Token，用度可达几十至一百多好意思元。

2026 年 4 月，一篇由斯坦福、MIT、密歇根大学等说合发布的洽商论文，第一次系统性地开放了 AI Agent 在代码任务中的"消费黑箱"——钱到底花在哪了、花得值不值、能不可提前预估，谜底令东谈主颤抖。

发现一：Agent 写代码的烧钱速率，是世俗 AI 对话的 1000 倍

大家可能以为，让 AI 帮你写代码和让 AI 跟你聊代码，花的钱应该差未几吧？

论文给出对比显现：

Agentic 编码任务的 Token 破费量，是世俗代码问答和代码推理任务的  约 1000 倍。

差了整整三个数目级。

为什么会这么？论文指出了一个事实——钱不是花在"写代码"上，而是花在"读代码"上。

这里的"读"不是指东谈主类读代码，而是 Agent 在使命流程中，需要束缚地把扫数这个词口头的凹凸文、历史操作纪录、报错信息、文献内容一股脑儿"喂"给模子。每多一轮对话，这个凹凸文就变得更长一轮；而模子是按 Token 数目计费的——你喂得越多，付得越多。

打个譬如：这就像请了一个修理工，他每动一下扳手之前，齐要你把整栋楼的图纸从新念一遍给他听——念图纸的钱，远比拧螺丝的钱贵得多。

论文把这个风物纪念为一句话：驱动 Agent 资本的，是输入 Token 的指数级增长，而非输出 Token。

发现二：团结个 Bug，跑两次，破耗能差一倍——而况越贵的 Bug 越不褂讪

更让东谈主头疼的是立时性。

洽商者让团结个 Agent 在团结个任务上跑了 4 次，功令发现：

在不同任务之间，最贵的任务比最低廉的任务多烧约  700 万个 Token（Figure 2a）

在团结模子、团结任务的屡次运行中，最贵的一次粗略是最低廉的一次的  2 倍（Figure 2b）

而若是跨模子对比团结个任务，最高破费和最低破费之间不错进出高达  30 倍

临了一个数字尤其值得情切：这意味着，选对模子和选错模子之间的资本差距，不是"贵少许"，而是"贵出一个数目级"。

更扎心的是——花得多，不代表作念得好。

论文发现了一个"倒 U 型"弧线：

资本水平准确率趋势低资本准确率较低（可能参加不够）中等资本准确率一样最高高资本准确率不升反降，进入 " 充足区间 "。

为什么会这么？论文通过分析 Agent 的具体操作给出了谜底——

高资本的运行中，Agent 无数时分花在了"访佛劳动"上。

洽商发现，在高资本运行中，约  50% 的文献检察和文献修改操作是访佛的——也即是说，Agent 在反复读团结个文献、反复改团结滑代码，像一个东谈主在房间里转圈，越转越晕，越晕越转。

钱没花在解决问题上，花在了"迷途"上。

发现三：模子之间"能效比"霄壤之别—— GPT-5 最省，有的模子多烧 150 万 Token

论文在业界范例的  SWE-bench Verified（500 个真的 GitHub Issue）上，测试了 8 个前沿大模子的 Agent 倡导。换算成好意思元，Z6·尊龙凯时「中国」官方网站Token 效果高的模子每个任务不错多花几十块的区别。放到企业级利用——一天跑几百个任务——差距即是真金白银。

更有道理的一个发现是：Token 效果是模子的"固有性情"，而非任务使然。

洽商者把扫数模子齐到手解决的任务（230 个）和扫数模子齐失败的任务（100 个）分手拿出来相比，发现模子的相对排行险些莫得变化。

这证据：有些模子天生就"话多"，跟任务难度相干不大。

还有一个令东谈主深想的发现：模子阑珊"止损强硬"。

在濒临扫数模子齐无法解决的贫苦任务时，梦想的 Agent 应该尽早毁灭，而不是陆续烧钱。但现实是，模子开阔在失败任务上破费了更多的 Token——它们不会"认输"，只会陆续探索、重试、重读凹凸文，像一台莫得油表警示灯的汽车，沿途开到抛锚。

发现四：东谈主类以为难的，Agent 不一定以为贵——难度感知齐全错位

你可能会想：那至少我不错凭证任务的难易进程来预估资本吧？

论文找来东谈主类巨匠，对 500 个任务的难度进行评分，然后和 Agent 的试验 Token 破费作念对比——

功令：两者之间惟有弱接洽。

用大口语说：东谈主类以为厚爱要死的任务，Agent 可能纵欲处罚不何如费钱；东谈主类以为小菜一碟的任务，Agent 可能烧到怀疑东谈主生。

这是因为东谈主和 AI "看到"的难度根底不是一趟事：

东谈主类看的是：逻辑复杂度、算法难度、业务雄伟门槛Agent 看的是：口头有多大、要读若干文献、探索旅途有多长、会不会反复修改团结个文献

一个东谈主类巨匠以为"改一滑就行"的 Bug，Agent 可能要先读懂扫数这个词代码库的结构才调定位到那一滑——光是"读"就要烧掉无数 Token。而一个东谈主类以为"逻辑很绕"的算法问题，Agent 可能刚巧知谈范例解法，三下五除二就处罚了。

这就导致了一个无语的现实：开辟者险些不可能凭直观预估 Agent 的运行资本。

发现五：连模子我方齐算不准我方要花若干钱

既然东谈主算不准，那让 AI 我方来估计呢？

洽商者遐想了一个小巧的实验：让 Agent 在真的开动修 Bug 之前，先" inspect "一下代码库，然后预估我方需要破费若干 Token ——但乌有际践诺缔造。

功令怎样？

扫数模子，拔本塞源。

最佳的收获是 Claude Sonnet-4.5 对输出 Token 的估计接洽性——0.39（满分 1.0）。多数模子的估计接洽性惟有 0.05 到 0.34 之间，Gemini-3-Pro 最低，仅为  0.04——基本等于瞎猜。

更离谱的是：扫数模子齐系统性低估了我方的 Token 破费。  Figure 11 的散点图中，险些所稀有据点齐落在"齐备估计线"的下方——模子以为我方"花不了那么多"，试验上花了更多。而况这个低估偏差在不提供示例的情况下愈加严重。

更讥嘲的是——估计自身也要费钱。

Claude Sonnet-3.7 和 Sonnet-4 的估计资本以致高达任务自身资本的  2 倍以上。也即是说，让它们先"估个价"，比凯旋干活还贵。

论文的论断悖言乱辞：

现阶段，前沿模子无法准确估计自身的 Token 用量。点下"运行 Agent "，就像开盲盒——账单出来才知谈花了若干。

这笔"蒙胧账"背后

藏着一个更大的行业问题

1. "按月订阅"的订价模式，正在被 Agent 撕开间隙

论文指出，像 ChatGPT Plus 这么的订阅制之是以可行，是因为世俗对话的 Token 破费相对可控、可估计。但 Agent 任务齐全冲破了这一假定——一个的任务可能因为 Agent 堕入轮回而烧掉巨量 Token。

这意味着，隧谈的订阅制订价对 Agent 场景可能不可合手续，按量计费（Pay-as-you-go）在止境永劫天职依然最现实的选项。但按量计费的问题在于——用量自身就不可估计。

2. Token 效果应该成为选模子的"第三方针"

传统上，企业选模子看两个维度：才略（能不颖悟）和速率（干得快不快）。这篇论文给出了第三个同等热切的维度：能效（花若干才调干成）。

一个才略略逊但效果高 3 倍的模子，在范围化场景下可能比"最强但最费"的模子更有经济价值。

3. Agent 需要"油表"和"刹车"

论文提到一个值得情切的当年标的——Budget-aware tool-use policies（预算感知的用具使用计谋）。通俗说即是给 Agent 装一个 " 油表 "：当 Token 破费接近预算时，强制它住手无效探索，而不是沿途烧到底。

当今，险些扫数主流 Agent 框架齐阑珊这种机制。

Agent 的"烧钱问题"

不是 Bug，而是行业必经的阵痛

这篇论文揭示的并非某个模子的弱势，而是扫数这个词 Agent 范式的结构性挑战——当 AI 从"一问一答"进化到"自主狡计、多步践诺、反复调试"，Token 破费的不可估计性险些是一种势必。

好音问是，这是第一次有东谈主系统性地把这笔蒙胧账翻出来算。有了这份数据，开辟者不错更忠良地选拔模子、确立预算、遐想止损机制；模子厂商也有了一个新的优化标的——不仅仅作念得更强，还要作念得更省。

毕竟，在 AI Agent 真的走入千行百业的坐褥环境之前，每一分钱花得清皑皑白，比每一滑代码写得漂漂亮亮，更热切。

注：本文基于 2026 年 4 月 24 日发表于 arXiv 的预印本论文 *How Do AI Agents Spend Your Money? Analyzing and Predicting Token Consumption in Agentic Coding Tasks*（Bai， Huang， Wang， Sun， Mihalcea， Brynjolfsson， Pentland， Pei）撰写。作家来自弗吉尼亚大学、斯坦福大学、MIT、密歇根大学等机构。该洽商尚未经同业评审。

（本文首发于钛媒体 APP）Z6·尊龙凯时「中国」官方网站