شاخص قیمت توکن LLM سیلیکون دیتا به ۰.۹۷ دلار رسید
این شاخص بیش از ۵۰٪ از اوج تابستان زودتر کاهش یافته است، زیرا کاهش قیمتها و رقابت متنباز تأثیر میگذارد.
شاخص هزینه توکن LLM سیلیکون دیتا در روز دوشنبه به ۰.۹۷ دلار رسید که پایینترین مقدار از زمان راهاندازی این معیار در اواخر سال گذشته است. کاهش بیش از ۵۰ درصدی از اوج تابستان گذشته، یک نشانه واضح از کاهش قیمت استنتاج است که به کاربران کمک میکند اما قدرت قیمتگذاری آزمایشگاههای مرزی را پیش از بررسی IPO آزمایش میکند.
نکات کلیدی
- شاخص هزینه توکن LLM سیلیکون دیتا در روز دوشنبه ۰.۹۷ دلار چاپ شد که پایینترین سطح از زمان ایجاد این معیار در اواخر سال گذشته است.
- این شاخص بیش از نیمی از اوج تعیین شده در تابستان گذشته کاهش یافته و به کاهش سریع هزینههای استنتاج ادامه میدهد.
- این شاخص برای پیگیری نرخ بازار جاری برای توکن مدل زبان بزرگ طراحی شده است، واحدی که برای اندازهگیری و صورتحساب استفاده LLM به کار میرود.
- مدلهای چینی متنباز، کاهش قیمت GPT-5.6 اوپنای آی در اواخر ژوئیه و «قیمتگذاری پویا» مرتبط با تقاضا به عنوان نیروهای کلیدی که نرخهای توکن را پایین میآورند، ذکر شدهاند.
قیمتهای توکن LLM یک کف جدید ثبت کردند: ۰.۹۷ دلار در شاخص سیلیکون دیتا
شاخص هزینه توکن LLM سیلیکون دیتا، یک معیار روزانه برای قیمت بازار جاری توکن مدل زبان بزرگ، در روز دوشنبه به ۰.۹۷ دلار رسید. این پایینترین مقدار از زمان ایجاد این شاخص در اواخر سال گذشته بود.
این حرکت به کاهش شدید تابستان ادامه میدهد.کاهش. شاخص اکنون بیش از نیمی از بالاترین سطحی که اوایل تابستان گذشته ثبت شده بود، کاهش یافته است و عددی را نشان میدهد که چقدر سریع قیمتگذاری استنتاج در بازار LLM در حال کاهش است.
از نظر مکانیکی، شاخص آنچه را که کاربران برای اجرای درخواستها و دریافت خروجیها در اکوسیستمهای اصلی چتبات و API ردیابی میکند. قیمتهای پایینتر توکن به معنای استنتاج ارزانتر برای کاربران نهایی است که در حال اجرای درخواستها بر روی محصولاتی مانند ChatGPT اوپنای و Claude آنتروپیک و Gemini گوگل هستند، اما همین کاهش همچنین سقف درآمد به ازای توکن را برای آزمایشگاههایی که دسترسی میفروشند، تنگتر میکند.
چرا کاهش اهمیت دارد: استنتاج ارزانتر برای کاربران، قدرت قیمتگذاری کمتر برای آزمایشگاهها
کاهش قیمت توکن یک معامله دوطرفه است. کاربران کاهش هزینه مستقیمی در استنتاج دریافت میکنند که میتواند آزمایش را گسترش دهد و بارهای کاری بیشتری را به تولید منتقل کند. نکته این است که همین کاهش میتواند آنچه خریداران به عنوان نرخ «عادی» برای دسترسی در نظر میگیرند، بازنشانی کند و توانایی ارائهدهندگان مدل را برای حفظ قیمت حتی در حالی که استفاده افزایش مییابد، تضعیف کند.
این موضوع بیشتر برای آزمایشگاههای مدل بنیادی اهمیت دارد، جایی که پایه هزینه بهطور خالص متغیر نیست. چارلز-هنری مونسو، رئیس سرمایهگذاری در گروه Syz، این خطر را بهطور صریح بیان کرد: «آزمایشگاههای مدل بنیادی بیشترین آسیبپذیری را دارند»، و افزود: «کاهش توکن خط درآمد را فشرده میکند در حالی که تعهدات محاسباتی ثابت میمانند.» اگر محاسبات قبل از تقاضا قرارداد یا تأمین شود، قیمتهای واحد در حال کاهش میتوانند به عنوان فشار حاشیهای قبل از رسیدن هرگونه افزایش کارایی ظاهر شوند.
زمانبندی همچنین با روایتهای بازار عمومی تلاقی دارد. کاهش شاخص به فشار سود بالقوه بر رهبران AI مانند اوپنای و آنتروپیک مرتبط بود، زیرا آنها در حال بررسی عرضههای عمومی هستند، و هر دو شرکت بهطور محرمانه برای IPO با تنظیمکنندگان در این تابستان ثبتنام کردهاند. برای معاملهگران، سوال کوتاهمدت کمتر درباره وجود تقاضای AI است و بیشتر درباره اینکه آیا بازار استنتاج را به عنوان یک قابلیت کمیاب یا به عنوان یک خدمات رقابتی قیمتگذاری میکند.
این خوانش به گسترش کلی AI نیز مربوط میشود. شرکتهای فناوری بزرگ شامل انویدیا و مایکروسافت میلیاردها دلار برای گسترش ظرفیت AI سرمایهگذاری کردهاند و کاهش قیمت توکنها میتواند مجبور به ارزیابی مجدد بازده مورد انتظار از سرمایهگذاری شود اگر درآمد به ازای هر واحد استفاده سریعتر از هزینهها کاهش یابد.
چه چیزی کاهش قیمت را به وجود میآورد: چین متنباز، کاهشهای اوپنای و قیمتگذاری پویا
رانندگان اشاره کردند که رقابت و طراحی قیمت، نه یک چرخه تبلیغاتی واحد، عامل اصلی هستند. مونشاو بخشی از کاهش را به افزایش مدلهای متنباز چینی مانند Kimi K3 از Moonshot نسبت داد که به گفته او میتوانند قیمتهای کمتری نسبت به گزینههای موجود از آزمایشگاههای پیشرفته ارائه دهند.
انتشارهای با وزن باز زمان را برای آزمایشگاههای پیشرفته که میتوانند فقط به خاطر قابلیتها هزینه بیشتری دریافت کنند، فشرده میکند، زیرا عملکرد قابل مقایسه میتواند توسط طرفهای ثالث با هزینه کمتر تکرار و ارائه شود.
آزمایشگاههای پیشرفته همچنین به قیمت فهرست تغییر کردهاند. OpenAI در اواخر ژوئیه کاهش قیمت برای دو مدل GPT-5.6 اعلام کرد که یک کاهش مستقیم در آنچه بازار برای استنتاج "سطح بالا" به آن تکیه میکند، است. وقتی رهبر قیمت کاهش مییابد، بقیه زنجیره یا پیروی میکنند یا بر اساس چیزی غیر از توکنهای خام تمایز قائل میشوند.
اهرم دیگر ساختار قیمتگذاری است. مونشاو گفت که سایر آزمایشگاههای پیشرفته پیشنهاداتی با "قیمتگذاری پویا" ارائه دادهاند که اجازه میدهد نرخهای دسترسی با تقاضا افزایش و کاهش یابد. در عمل، قیمتگذاری مرتبط با تقاضا میتواند اوجهای ظرفیت را هموار کند، اما همچنین تخفیف را به یک ویژگی ذاتی تبدیل میکند نه یک رویداد یکباره، که میتواند مسیر را به سمت قیمت تسویه پایینتر تسریع کند.
مونشاو همچنین به کاهش هزینهها در سراسر صنعت برای تولید یک توکن اشاره کرد. این موضوع مهم است زیرا نشان میدهد که شاخص نه تنها منعکسکننده کاهش رقابتی است، بلکه یک منحنی هزینه در حال تغییر را نیز نشان میدهد که قیمتهای پایینتر را پایدار میکند.
استیو هاو، رئیس تحقیقات Silicon Data، تفسیر عرضهمحوری ارائه داد: کاهش ممکن است نشان دهد که بین مدلهای پیشرفته و رقبای ارزانتر، ممکن است در حال حاضر عرضه کافی برای "تأمین قابلیتهای کافی برای اکثر وظایف" وجود داشته باشد، که به معنای کمبود کمتر و قیمتگذاری شبیه کالا است.
سیگنالهایی برای نظارت بر قیمتهای توکن AI به رکوردهای پایین رسیدهاند.
اولین سیگنال این است که آیا شاخص در اطراف قیمت ۱.۰۰ دلار تثبیت میشود یا پس از قیمت ۰.۹۷ دلار به کاهشهای جدید ادامه میدهد. یک خط صاف نشان میدهد که بازار در حال یافتن قیمت تسویه است، در حالی که کاهشهای بیشتر نشان میدهد که یا عرضه هنوز سریعتر از تقاضا در حال ورود است یا تاکتیکهای قیمتگذاری هنوز در حال سقوط هستند.
بعدی این است که آیا آزمایشگاههای پیشرفته کتابچه راهنمای اوایل ژوئیه را با کاهشهای اضافی قیمت فهرست گسترش میدهند یا دامنه قیمتگذاری "پویا" مرتبط با تقاضا را گسترش میدهند. اگر قیمتگذاری پویا به پیشفرض برای نقاط پایانی ممتاز تبدیل شود، معاملهگران باید انتظار کشف قیمتهای مکرر و نرخهای سرخطی کمتر پایدار را داشته باشند.
زمانبندیهای IPO سطح دیگری از کاتالیزور هستند. OpenAI و Anthropic قبلاً به طور محرمانه ثبتنام کردهاند، اما هر بهروزرسانی که انتظارات حاشیه یا روایتهای قدرت قیمتگذاری را دوباره فرموله کند، در یک نوار انقباضی بیشتر از یک نوار کمبود اهمیت خواهد داشت.
در نهایت، به ریتم انتشارهای رقابتی از مدلهای متنباز چینی با قیمت پایینتر توجه کنید، از جمله نسخههای جدید یا پذیرش وسیعتر. تأثیر بازار نه تنها عملکرد است، بلکه این است که این مدلها چقدر سریع به جایگزینهای قابل استقرار تبدیل میشوند که قیمت تسویه را پایین میکشند.
خوانش از تجاریسازی و شکافهایی که معاملهگران باید به آن احترام بگذارند
آستانهای که اهمیت دارد این است که آیا قیمتهای توکن میتوانند اینقدر سریع کاهش یابند بدون اینکه تغییر قابل مشاهدهای در نحوه بستهبندی و درآمدزایی دسترسی توسط آزمایشگاههای مرزی ایجاد شود. نکتهی منچو درباره تعهدات محاسباتی ثابت، محدودیت مکانیکی است و به همین دلیل است که کاهش بیش از ۵۰٪ از اوج تابستان گذشته به ۰.۹۷ مانند فشار حاشیهای به نظر میرسد و "استفاده بیشتر آن را حل خواهد کرد".
شکافهایی که معاملهگران باید به آن احترام بگذارند، روششناسی و دامنه است. این بخش، شاخص را به عنوان معیاری برای قیمتهای روزانه و نرخ بازار جاری برای یک توکن LLM توصیف میکند، اما پوشش، وزندهی یا چگونگی نرمالسازی آن در بین ارائهدهندگان و سطوح را مشخص نمیکند.
همچنین از "قیمتهای توکن AI" برای اشاره به قیمتگذاری استفاده LLM استفاده میکند، نه توکنهای کریپتو، بنابراین نتیجهی واضح، ریسک تجاریسازی در اقتصاد استنتاج است، نه سیگنال مستقیم برای ارزیابیهای توکن AI زنجیرهای.
اگر شاخص همچنان کفهای جدیدی را چاپ کند در حالی که آزمایشگاهها خندقها را به سمت توزیع، حافظه و زمینه تغییر میدهند، داستان به ساختاری تبدیل میشود: قدرت قیمتگذاری در حال حرکت به سمت بالا است و توکنهای خام به عمد بخش ارزانتری میشوند.
