前沿模型拿走 80% 的收入，开源与低价模型处理 80% 的 token
这句话很像一个 AI 时代的二八定律：
前沿模型拿走 80% 的收入，开源与低价模型处理 80% 的 token。
它真正重要的地方，不在 80% 这个数字是否精确。
而在于它把模型市场拆成了两个完全不同的量纲：收入和 token。
过去我们讨论模型，习惯问一个问题：谁更聪明？
接下来更关键的问题会变成：什么任务值得用最聪明的模型？
高价值任务才看得到模型上限
参考文章用 Fable 5 的评价分化，讲了一个很重要的现象。
同一个模型，有人觉得它已经接近 project owner：会补上下文、拆任务、调用工具、推进流程、自己验证。
也有人觉得它没有带来底层智能质变，只是更贵、更复杂。
这两种体感并不矛盾。
如果任务只是改格式、写普通代码、做生活规划，旧模型和低价模型已经够用。你把最强模型放进去，也很难看出差异。
但如果任务变成大型系统改造、反编译、自动研究、安全攻防、复杂 workflow 搭建，模型就不再是一个“回答器”。
它要自己找上下文，自己做计划，自己调用工具，自己在错误里爬出来。
这时候，模型上限才会显影。
前沿模型的溢价，不来自“所有任务都强一点”。
而来自“少数任务只有它能稳定推进”。
收入在塔尖，token 在塔基
模型市场可能会出现一个很反直觉的结构：
最贵的模型，不一定处理最多 token。
处理最多 token 的模型，也不一定赚最多钱。
塔尖任务的特征，是单次任务价值很高。
一个投资决策、一次核心基础设施重构、一个企业关键流程的自动化、一个能影响研发效率的 internal research loop，额外几百美元、几千美元的 token 成本，并不是主要矛盾。
真正的矛盾是：它能不能做成，结果能不能验收，错误能不能被控制。
塔基任务则完全不同。
它们数量巨大，边际价值较低，结构相对清楚，很多 step 只需要 GPT-4 级别甚至更低的智能。
客服、信息抽取、表格处理、批量内容生成、普通代码修改、企业 workflow 里的中低难度步骤，都会吞掉大量 token。
这就是“收入”和“token”的分叉。
收入流向稀缺的智能上限。
token 流向便宜、稳定、可批量化的智能供给。
低价模型不是低端市场
很多人会把低价模型理解成“低端替代品”。
这个判断太粗。
低价模型真正的机会，是成为企业智能系统里的劳动密集层。
一个 long horizon 任务表面上很复杂，但拆开以后，里面可能有大量简单动作：读文件、改字段、跑测试、整理日志、生成中间摘要、检查格式、填充模板。
这些动作不一定需要最强模型。
如果每一步都用前沿模型，成本结构会很快失控。
如果把其中 80% 的步骤交给开源模型、国产模型、本地小模型或低价 API，系统总成本才有机会下降一个量级。
所以低价模型不是在“替代前沿模型”。
它是在吸收前沿模型释放出来的任务规模。
模型越强，能自动化的任务越多；任务越多，越需要便宜模型承接中间环节。
这是一个典型的杰文斯悖论：单位 token 变便宜以后，总 token 消耗反而可能更大。
真正值钱的是智能分配权
如果这个结构成立，最关键的位置未必只在模型公司。
还在 harness 层。
因为用户真正需要的，不是手动判断每一步该用哪个模型。
用户需要的是：我把目标、边界、上下文、预算和验收标准交给系统，系统自动决定哪里该用前沿模型，哪里该用低价模型，哪里该让人介入。
这就是模型路由从“成本优化”升级为“智能分配”。
普通 routing 只看价格和延迟。
真正有价值的 routing，要理解任务目标、上下文厚度、失败代价、可验收程度、用户偏好、模型池能力和企业预算。
它本质上是在回答一个问题：
这一点智能，应该花在哪里？
Coding agent 之所以会最先跑出来，是因为它有天然闭环。
它能读仓库，能改代码，能跑测试，能看日志，能知道自己有没有做成。
很多 vertical agent 还停留在一次 API call 的世界里，不知道任务 ROI，也不知道失败代价，更不知道这一步到底该用哪个模型。
所以未来的竞争，不只是 model scaling。
也是 allocation scaling。
Tokenmaxxing 会让位于 Valuemaxxing
参考文章里还有一个词很重要：Tokenmaxxing。
企业刚开始用 AI 时，容易把 token 用量当成 AI 转型指标。
谁用得多，谁就更 AI-native。
这很容易变成 reward hacking。
就像云计算时代，query 越来越多，Snowflake 账单越来越高，最后企业必须问：这些 query 到底支撑了什么业务价值？
AI 时代也会走到同一步。
dashboard 不能只看 token 花了多少。
还要看 token 流向哪里：哪些人、哪些 workflow、哪些 practice group、哪些任务消耗了 token，它们有没有流向更高价值的工作。
从 tokenmaxxing 到 valuemaxxing，是企业 AI 预算成熟的标志。
也只有到这一步，前沿模型和低价模型的分工才会变得清楚。
不是所有 token 都值得省。
也不是所有任务都值得贵。
对企业来说，问题不是买哪个模型
最后落到企业，问题会从“买哪个模型”变成“怎么组织智能”。
前沿模型负责突破边界。
低价模型负责规模化执行。
人负责定义目标、提供现实感、判断风险、验收结果。
系统负责维护上下文、拆分任务、调度模型、记录状态、复盘价值。
这其实和智能组织的公式是一致的。
算力不是只买 GPU，也包括 builder 和 agent。
算量不是泛泛的数据量，而是外部市场情报和内部企业知识形成的 context。
算法也不是某个工具，而是组织把使命、文化、流程、知识系统和协作机制连起来，让生产力持续释放、自我修复、自我进化。
模型市场的二八结构，只是外部供给侧的变化。
真正的组织差距，会出现在内部需求侧：谁能把任务定义清楚，把上下文沉淀下来，把验收标准写出来，把高价智能用在刀刃上。
结尾
前沿模型拿走 80% 的收入，开源与低价模型处理 80% 的 token。
这不是一句关于模型价格的判断。
它是一句关于智能分工的判断。
未来的 AI 公司，不会只问“哪个模型最强”。
未来的 AI 组织，也不会只问“我们用了多少 token”。
更重要的问题是：
我们有没有能力，把最贵的智能用在最值钱的任务上？
把最便宜的智能铺到最大规模的流程里？
把每一次 token 消耗，都变成可复盘、可迁移、可积累的组织能力？
如果答案是有，模型价格下降就不是利润压力。
而是智能扩张的入口。
参考
- 《深度讨论 Fable 5：模型收入分化，RSI，Tokenmaxxing 减速｜Best Ideas》，海外独角兽，2026年6月23日。https://mp.weixin.qq.com/s/EjcQ1x-uGodUKHdSmsZ4rw