OpenAI 又一次把价格砍了一半。但这一次，真正值得注意的不是降价本身，而是市场还在用“每个 token 多少钱”这把旧尺子，去量一个已经被重新定义的生意。
2026 年 10 月 26 日，OpenAI 发布 GPT-6.1 Terra，标准 API 定价为每百万输入 token 1 美元、输出 token 5 美元，缓存输入仅 0.05 美元。这个价格是 GPT-6.1 Sol（2 美元/10 美元）的一半，与上一代 GPT-5.6 Terra（2 美元/12 美元）相比直接腰斩，更是旗舰模型 GPT-6 Astra（10 美元/50 美元）的十分之一。OpenAI 同时宣称，Terra 完成任务的速度比 Astra 和 GPT-6.1 Sol 快三倍以上。
如果只看 token 单价，这只是一次寻常的价格战。但如果把账算到“完成一个任务要花多少钱”，故事就完全变了。在 Agents' Last Exam 基准上，Terra 在最大推理努力下，token 效率是 Claude Opus 5.5 的三倍多，而 token 单价只有对方的四分之一，单个任务的完成成本因此下降约九倍。AI 的定价逻辑，正在从“按 token 计费”切换成“按完成任务计费”。
这才是 GPT-6.1 Terra 真正可怕的地方。它不是在降价，它是在改写企业采购 AI 的预算公式，顺便抽空模型实验室过去赖以生存的定价权。
现象：一半的 token 价格，九倍的任务成本下降
先把账算清楚。
GPT-6.1 Terra 的标准 API 定价是 1 美元/5 美元每百万输入/输出 token。对比 GPT-6.1 Sol 的 2 美元/10 美元，直接腰斩；对比 GPT-5.6 Terra 的 2 美元/12 美元，输入降一半、输出降近六成。而站在金字塔尖的 GPT-6 Astra，价格是 10 美元/50 美元——Terra 的 token 单价只有它的十分之一。OpenAI 在官方公告里写得直白：在 ChatGPT Work 和 Codex 里，同样的使用额度，用 Terra 能完成比 GPT-5.6 Terra 更多任务，比 GPT-6.1 Sol 或 GPT-6 Astra 多得多。
但 token 单价只是分母的一半。更关键的是，更准的模型完成任务需要的 token 更少。OpenAI 的系统评估显示，在内部事实性错误基准上，Terra 在低推理努力下的错误率从 GPT-5.6 Terra 的 53.6% 降到 16.7%，下降近 37 个百分点；在最大努力下，错误率降到 4.3%，几乎追平 Astra 和 GPT-6.1 Sol。在 Terminal-Bench 4.0 上，Terra 在最大努力下解决 50.3% 的任务，是 GPT-5.6 Terra 公布分数 21.5% 的两倍多。
错误率下降意味着更少的重试、更少的兜底调用、更少的 token 浪费。当 token 单价降到四分之一、完成任务的 token 用量降到三分之一时，单个任务的完成成本下降约九倍——这不是线性降价，这是成本曲线的折叠。
于是出现了一个看似矛盾的画面：token 价格持续下跌，但企业 AI 支出没有收缩，反而在膨胀。行业统计显示，2026 年企业平均 AI 支出预计超过每年 1100 万美元，高于 2025 年的约 700 万美元。这就是杰文斯悖论（Jevons Paradox）：当一种资源变得更便宜、更高效时，人们不会少用它，而是用得更多。
降价没有杀死需求，它释放了需求。
分析一：定价权的转移，从模型实验室流向企业 CFO
过去两年，模型实验室掌握着一种近乎垄断的定价权。企业买 AI，买的是“能力”，而能力没有标准计量单位，只能按 token 计价。token 是个黑箱：同样的任务，不同模型、不同提示词、不同重试策略，消耗的 token 天差地别。企业无法预算，只能被动接受账单。
GPT-6.1 Terra 改变了这个游戏的计量单位。
当一个模型在低努力下把错误率压到 16.7%、在 Terminal-Bench 4.0 上解决一半以上任务、在 Agents' Last Exam 上以约三分之一成本追平旗舰时，它跨过了一个关键门槛：可监督的企业级部署。企业不再需要为“可能出错”预留大量兜底预算，不再需要层层人工复核，不再需要为每一次失败的重试买单。采购部门终于可以问出一个以前问不出口的问题：完成这个客服工单、这份合同审查、这段代码修复，到底要花多少钱？
这就是成本范式从 token 到任务的切换。对企业 CFO 来说，token 单价已经没有意义，有意义的是“单任务成本”（cost-per-completed-task）。而在这个新指标下，Terra 把标杆拉到了竞争对手的几分之一。
定价权随之转移。以前是模型实验室说“我的模型更强，所以更贵”；现在企业会说“完成同一个任务，Terra 比你便宜九倍，我为什么不用它？”模型实验室被迫从“卖能力”转向“卖结果”，从“按调用收费”转向“按效果收费”。这是一场静悄悄的权力交接。
分析二：市场为什么恐慌，500 亿美元营收信号戳破了什么
就在 Terra 发布前后，市场经历了一次错位的恐慌。
彭博社 2026 年 10 月 9 日报道，OpenAI 告诉投资者，截至 9 月底其年化收入约为 500 亿美元，低于此前流传的 680 亿至 700 亿美元。消息一出，AI 股票应声下跌，云算力公司 CoreWeave 单日跌幅接近 8%，纳斯达克综合指数下跌 1.25%。
但这里有一个关键的会计错位。此前流传的 680 亿美元，把云合作伙伴的总销售额也计入了收入口径；而 500 亿美元是 OpenAI 自身的年化收入节奏。这不是销售突然崩塌，而是统计口径的修正。彭博社同时报道，OpenAI 仍预计 2026 年底年化收入将达到或超过 700 亿美元；CNBC 援引投资者演示材料显示，OpenAI 第三季度年化收入同比增长 77%，其中企业客户增长 107%。
市场的恐慌，本质上是在用旧地图找新大陆。投资者还在盯着“收入数字是不是比传闻少了 200 亿”，却没有看到另一个更关键的信号：企业客户收入增长 107%。这意味着什么？意味着降价策略正在奏效——更便宜、更准的模型，正在换来更快的企业采用。
这恰恰是杰文斯悖论在 OpenAI 自身营收上的体现。token 单价下降，但企业用量爆发，总收入不降反升。市场在担心“降价会不会伤害营收”，而 OpenAI 用企业客户增速给出了反方向的答案。
真正的问题不是 OpenAI 能不能维持高价，而是它能不能在低价下维持规模。Terra 的发布，就是对这个问题的押注：用九倍的任务成本优势，换取十倍的企业用量。
分析三：谁在受益，谁在危险区
这场定价逻辑的切换，会重新分配赢家。
最先受益的是企业应用层。客服、合同审查、代码辅助、数据分析——这些有明确“任务”边界的场景，是成本范式切换的最大赢家。企业可以用 Terra 这类模型承担大部分常规任务，只在最复杂、容错率最低的场景调用 Astra。分层路由会成为标配：便宜的模型做 80% 的活，贵的模型只处理 20% 的硬骨头。
其次是模型实验室中的效率领先者。能把错误率压下去、把 token 用量降下来的公司，会在“单任务成本”这个新指标下获得定价空间。GPT-6.1 Terra 证明了一件事：降价不一定是利润的敌人，它可以是规模的杠杆。
危险区里有两类玩家。
第一类是还在靠 token 单价讲故事的二线模型厂商。当 OpenAI 把 token 价格打到十分之一、任务成本打到九分之一时，任何无法在效率上跟进的厂商，都会被挤出企业采购清单。价格战从来不是比谁更便宜，而是比谁更能在便宜的同时还能赚钱。
第二类是把 AI 支出当成固定成本来预算的企业。杰文斯悖论的残酷之处在于：当你以为降价能省钱时，用量会悄悄涨回来，甚至涨得更多。2026 年企业平均 AI 支出预计超过 1100 万美元，这个数字不是成本节约的故事，而是用量膨胀的故事。以为“模型便宜了就能少花钱”的 CFO，会在年底的账单上被教育。
结论：市场问错了问题
回到开头的问题。市场在问：“OpenAI 降价一半，是不是因为竞争压力？是不是因为增长乏力？”
这些问题都问错了。
真正的问题是：当 AI 的计量单位从 token 变成“完成的任务”，整个行业的价值分配会被重写成什么样？
GPT-6.1 Terra 的答案已经摆在桌面上：token 价格降到旗舰的十分之一，低努力下错误率降到 16.7%，最大努力下完成任务比 Claude Opus 5.5 便宜约九倍。这不是防守，这是进攻——用成本优势撕开企业市场，用量增长对冲单价下降，用规模重建护城河。
对投资者来说，盯着“收入是不是比传闻少了 200 亿”没有意义。应该盯的是企业客户的采用速度、单任务成本的下降曲线、以及杰文斯悖论在用量端的兑现程度。OpenAI 第三季度企业客户收入增长 107%，已经是第一个信号。
对企业主来说，真正的机会不是“等更便宜的模型”，而是立刻重构自己的 AI 成本模型：把预算单位从 token 换成任务，建立分层路由，把 Terra 这类模型放进常规任务的生产流。降价窗口不会一直开着，先用起来的人，才能把成本优势变成业务优势。
对模型实验室来说，定价权已经不在手里了。以后能卖出去的，不再是“我的模型有多强”，而是“我帮你完成一个任务能省多少钱”。
AI 的下半场，比的不是谁的模型更贵，而是谁的任务更便宜。
快报