坏！卖token的核心机密被老马学到了

文||象先志

SpaceXAI正式发布了Grok 4.5，这是他们收购cursor之后首次发布模型。

SpaceXAI是这样描述的:这是他们第一个专门为coding和agents训练的模型，和Cursor一起训练，已经进入Grok Build、Cursor全部计划和 SpaceXAI console。价格也摆在同一张桌面上：每百万input token 2美元，每百万output token 6美元。

Grok 4.5面向普通用户更全面开放。马斯克在X上煽风，说它是Opus-class model，但更快、更省token、成本更低。

这就有点意思了。硅谷模型发布过去最爱讲的，是前沿能力、智能涌现、推理突破、安全边界。Grok 4.5这一轮最像的反而不是传统硅谷发布会，而是过去一年国内模型厂最熟的那套打法：别先问谁是世界第一，看价格说话。

所谓核心机密，不是低价。

真正要紧的是性价比：一次调用多少钱，缓存命中多少钱，接进工作流以后谁来买单。

坏，GLM和MiniMax们的致富密码，让老马学去了。

便宜不是低端，是入口

中国模型厂过去一年最常被讨论的一件事，就是卖便宜token。

DeepSeek、阿里、百度、字节、腾讯们一轮轮把价格打下来，外界很容易把它理解成低端竞争：你没有最强模型，所以只能靠便宜抢调用量。AI的低频用户的人确实爱这样描述，毕竟他们自己不用花钱。

如果模型只是chatbot，便宜确实不够性感。用户一个月付20美元，如果只是聊聊天当陪玩，确实也没啥用。

但coding agent不是这么卖的。

它进IDE，进terminal。每一次调用背后可能是一个bug、一次review、一次失败重跑，再加上loop，再便宜的单价都会让人肉疼。所以说，没有最便宜，只有更便宜。

既然这个前提确定了，token价格就不是"便宜"两个字，而是入口，是真的让普通人能用起来的可能性。

SpaceXAI官方页很会刺激开发者神经。它在SWE-Bench Pro任务上给了一个token efficiency对比：Grok 4.5平均输出15,954 tokens，对照的Opus 4.8 max是67,020 tokens，少4.2倍。这个数当然来自 SpaceXAI自己发布，不能当第三方终审；但它很准确地暴露了这次发布想让市场记住什么。

图2：Grok 4.5官方页把token efficiency放到前台。

是agent这个商业形态，把中美模型厂都赶到了同一张价格表前。中国厂只是被价格战提前训练过，老马这次把这套语言讲成了一个硅谷故事。

OpenAI也掀桌了

同一天，OpenAI做了一件看上去很技术、其实很商业的事：它公开审计 SWE-Bench Pro。

先解释下：SWE-Bench Pro是coding agent的考试题库，包含的主要考题更接近真实工程场景的活：给模型一个代码仓库、一个issue或bug描述，让它像工程师一样改代码，再用测试验证到底有没有修好。模型厂说自己的agent会写代码、会修bug、能替工程师干活，很多时候就需要这类榜单来证明。

不过这次有点打脸，OpenAI以前说过，老考卷SWE-Bench Verified已经不好用了，大家应该改用新考卷SWE-Bench Pro。结果现在，它发现新考卷里也有大约三成题目有问题。

OpenAI给出一组数据：在731道公开题里，frontier models的通过率8个月里从23.3%涨到80.3%；自动审查确认200个broken tasks，占 27.4%；人工标注认为249个任务有问题，占34.1%。

这些技术细节不用记太多。所谓"撤回建议"，意思很简单：OpenAI 不再建议大家把SWE-Bench Pro当成可靠标准答案了。

其实核心指向点就一个，OpenAI开始质疑标准，他们认为现在得测评不能代表真实得产出，延伸一步来看，就是现有得测评不能真实反映模型是否经济。

OpenAI有Codex，Anthropic有Claude Code，SpaceXAI有Grok Build和Cursor入口。现在已经不完全是toke单价的竞争时代了，模型大厂们开始考虑以解决项目的能力作为卖点，直接影响企业采购、开发者心智和模型厂定价。

这是更深一层的战场：当benchmark不再可靠，企业会把信任从"榜单分数"搬到"真实工作流验证"。

谁能在真实repo里改bug，谁能接入权限系统，谁能解释失败重跑，谁能把一次agent任务拆成可审计的成本，谁就更有资格说自己的模型能干活。

这里刚好接上"卖token"的主线。

旧benchmark信不过了，企业不会因此停止采购agent。它们会换一种问法：别告诉我你榜单第几，先让我看一个真实任务，跑完到底化了多少钱。

这正是中国模型厂最熟的场景。因为卖token从来不只是卖一串数字，它卖的是可比较、可计费、可复现的工作单位。OpenAI审计SWE-Bench Pro，看起来是在清理评测噪音；放在Grok 4.5发布当天，它也客观上把"真实工作流+价格验证"推到了前台。

但OpenAI自己承认约30% 任务有问题，已经把弹药递到了他手里。

老马最擅长的，不是把复杂机构语言讲完整，而是把它压成X上一句能传播的话。他不需要成为评测裁判，他只要不断提醒开发者：裁判也会出错，真实任务才算数。

图4：OpenAI官网审计页。它清理的是评测噪音，牵动的是coding agent的商业信用。

IDE变成新的收银台

最总一切都关乎于计费，所以agent时代真正的计费模式不在命中缓存，也不在每百万token价格，而是在IDE里。

开发者每天睁眼打开Cursor，切terminal，刷GitHub，看CI面板到底是绿灯还是红灯。过去模型厂争的是网页入口，后来争手机App，再后来争 API。coding agent出现以后，入口往前挪了一步，挪到了代码被写出来的地方。

Cursor的定价页很直白：个人版每月20美元，Teams每用户每月 40 美元，功能写着Agent requests、frontier models、MCPs、skills、hooks、cloud agents、Bugbot usage-based billing、usage analytics。他正在把模型调用、agent能力、团队权限和使用统计打包成一个开发组织的账单中心。

Claude Code也在做同一件事，只是语气更像企业软件。Anthropic的成本文档不讲"革命"，它告诉你怎么追踪token使用、怎么设spend limits，还给出企业用户平均约13美元/developer/active day、150-250 美元/developer/month的参考区间，90%用户低于30美元/active day。

OpenAI的Codex论文则给了使用形态的另一面：2026年上半年Codex 活跃用户增长超过5倍，超过10%用户每周会管理3个以上并发agents，skills使用率到6月升到26.6%。

综合起来看，计费模式就很明确了。

Cursor证明入口在哪里；Claude Code证明账单怎么管；Codex证明agent正在从单次问答，变成并发任务队列。

Grok 4.5要抢的是Cursor里的默认模型、Grok Build里的agent工作流、开发团队的token预算，以及X时间线上"什么才算真的能干活"的解释权。

这也是为什么"成本"突然变锋利。

如果模型还停在聊天框里，成本只是厂商毛利问题。用户不太关心你推理一次烧多少钱，只关心回答是不是像人。可一旦模型进入IDE，成本就变成产品体验的一部分。上下文长不长、吞吐快不快、失败重跑贵不贵、团队用量能不能管，都会变成开发者每天能摸到的阻力。

便宜当然不是免死金牌。

agent改坏一次生产库，省下的token钱不够赔一次事故复盘。X上转得再欢，企业也不敢只靠这个买单。真正能让开发团队留下来的，是稳定性、权限、安全、上下文管理和可控失败。

所以Grok 4.5这张牌也有风险。

首先，SpaceXAI官方token efficiency数据还需要更多第三方复现。其次，Cursor 入口不等于长期默认，开发者会在真实任务里用脚投票。OpenAI、Anthropic、Google不会把IDE账单中心拱手让人，它们只会更快把cost-per-task、workspace integration和eval governance 写进产品叙事。

但这反而说明，竞争的本质已经变了。

以前模型厂争的是"谁更聪明"。现在它们开始争三个更具体的东西：谁定义能干活，谁占住工作入口，谁收走每一次任务调用的钱。

评测权、入口权、计费权，正在变成同一个战场。

Agent正在告诉所有人，AI是新时代的工位。

一次bug fix，一次PR review，一次CI修复，一次文档生成，一次失败重跑。每个单位都要被验证、被计费、被归因。

接下来1-3个月，真正该看的也不是哪家又刷了一个榜单。而是看谁家的token和agent配合的更加经济。

老马未必学了中国。

但这一次，他确实把中国模型厂最早承认的现实，讲成了一个硅谷故事。