从 Token-Maxxing，到 Token-Minimizing

最近，各家都掏出了 flash 版的口粮模型：又快又好又便宜，干啥都不心疼无论国内的 DeepSeek V4.1-Flash、GLM-5.3-Flash，抑或是海外的 Gemini 3.8 Flash，都被各家作为便宜大碗的主力模型进行推广，让那些需要做，但投入产出评估上不值得 Fable 一类模型出马的事情，变得值得落地了 这个的背后，其实有个小小的时代变化：从 Token-Maxxing，到 Token-Minimizing Token-Maxxing Token-Maxxing 这个词是今年上半年传开的，直白一点就是「把 Token 猛猛地烧起来」，尽可能多的并发，尽可能多地去搞；到了国内，这个词还有个变形「全民养虾」 在当时，Meta 内部一个按 Token 用量给员工排名的看板，还会授予“Token Legend”这样的称号，大抵能翻译成「词元天尊」，用来表达对“先进个人，先用 token”的激励 在当时各个大厂都在想着法地让人去用 token，毕竟虽然 Agent 并不能 100% 搞定任务，但它可以并行几十种方案去探索，即便是没搞定也能让员工更好地积累经验。都是行业的早期阶段，浪费一些计算，好过错失一些可能，万一探索出来点东西，比如省了团队半年的开发，怎么看都是赚的 但到了这里，事情也开始分叉：有些人开始 token 空烧比如写一个脚本，每天上班的时候让他的 10 个 Agent 并行去「帮我解答哥德巴赫猜想」...然后在 1 小时内消耗掉了他的所有额度，进而美美去摸鱼了，更有甚者...把公司的 token 资源代理一下，成为了中转站大佬 于是，业内开始了一轮反思：我们应该如何更有效地利用 token？我们使用 token，本质上也是在做一种智力分配，在一些值得探索的问题投入更多的智力，而不是为了证明自己很会用 AI 而去消耗 于是，我们进入了下一种思潮：Token-Minimizing，去细致地核算每一份智力的产出 Token-Minimizing 任何公司都希望大家把 AI 用起来、去完成更多的任务，但任何公司的预算都是有限的，在这里就有了 Token-Minimizing 的提出：要压低每份合格交付的总成本，对不同的任务进行不同的预算规划，去降低每个任务的总成本 注意，这里用的是「总成本」，也就是「人力+token」的总消耗；假如是为了省下一百元的 Token，而去耗掉一万块的人力，这叫煞笔 也正是趁着更多模型跨过可用门槛，我们的模型厂商也顺势推出了甜品型 flash 模型，标准大概是： 智力在 Opus 4.6 以上 价格在头部模型的 1/10 以内 速度通常在 100 token/s 或者更快 比如 DeepSeek 的 V4.1-Flash 的价格，就只有 Opus 4.8 的 1/10；而 GLM-5.3-Flash（也就是牛来）则甚至做到了 Opus 4.8 的 1/40，斩杀了当时绝大多数的模型 于是，一个非常朴素的问题出现了：没有其他特殊要求的话，我为什么选你？一个模型不必赢过所有对手，但必须在斩杀线外找到一个位置。 因此，模型的比赛开始同时往两个方向走： 继续向上，探索此前做不到的事情 也努力向左，用更低成本完成已经能做到的事情 讨论于外滩大会 前几天我在外滩大会，在台上台下参与了很多场的分享，其中的部分场次也提到了「Token-Minimizing」的一些话题 百灵团队聊到阿福选模型的一个变化：过去优先使用最大、最好的模型，现在一些较小的模型也能跨过业务要求的“水位线”，成本和响应速度就开始影响选型 这个变化其实挺能说明问题：Token-Minimizing 如果只理解成“省 Token”，还是说窄了。 阿福技术负责人进捷说得很直接。用户规模起来以后，推理成本会变得非常高；而且 C 端应用还有一个特别现实的问题——用户不会一直等你。模型可能只是在 Benchmark 上慢了几秒，但放到产品里，等 5 秒用户可能就走了。 所以当小模型也能跨过业务水位线之后，问题自然就从“谁最聪明”，变成了：谁能在足够聪明的情况下，更快、更便宜、更稳定地把事情办完，真正重要的是“端到端的任务成功率”。 单轮回答得又快又便宜，但最后任务没办成，前面省下来的 Token 也没什么意义。 外滩大会上，还有另一个模型的介绍，是百灵上个月发布的金融增强模型 Ling-3.0-flash-Fin。它沿用 Ling-3.0-flash 的架构，124B 总参数、5.1B 激活参数，再通过金融语料训练、领域后训练和工具使用优化，强化信息检索、研究推理、估值建模与研报撰写。它要交付的东西，包括能追溯数据、保留公式、继续编辑的研究文件 其中有一个 Google 2026 Q2 财务模型更新的演示：模型读取财报和一份包含 7 张工作表、5,000 余个公式的 Excel，把该季度的预测值更新为实际披露值，同时处理公式切换、跨表依赖和图表，最后交回仍可编辑的工作簿 沿着这个例子，思考还可以进一步展开：越来越多的任务，会便宜到不值得人陪同虽然 Flash 能够有效降低执行成本，但假如每次都需要研究员先发现变化，再不断检查，实际上也是一种浪费。于是可以构想出未来的一种工作方式：核心任务交给检验 Harness，把无法通过检验的任务再交给工作人员 对应着放出来的，还有蚂蚁集团联合中金打造了 FinFIRST（Financial Information Retrieval, Sourcing and Traceability）。该评测基准由 50 余名金融专业人士深度参与设计，从结果、过程和证据三个层面，系统评估答案是否准确完整、研究口径与计算是否合理，以及关键数据与结论能否回溯至权威原始资料 FinFIRST 与代表性金融 Benchmark 的能力维度对比 在这个过程中，机构可以把模型接进自己的数据和工具环境，用来帮助判断问题出在哪一步，其背后思考的理念也便是 Token-Minimizing对于金融这类需要严格把关的行业，除了要在高频调用下节省 token 外，还需要有效地降低复核和返工的用时，这样才能算是真的 Token-Minimizing 毕竟，在金融这种场景里，这个成本可能比 Token 贵多了。 百灵团队聊模型边界时提到一个挺反直觉的问题：现在很多 Benchmark 会鼓励模型“尽量答”。不知道也猜一个，反正猜中了有分，不回答反而没分，反正就是很“舔狗”。 但真实世界完全不是这么回事。 百灵金融模型负责人月引举了一个金融评测里的现象：有些模型碰到不确定的问题，会一口气给出几十种口径；从 Benchmark 的角度看，它可能覆盖到了正确答案，但一个真正的研究员不可能拿着几十个互相冲突的判断去做决策。 所以在严肃场景里，百灵反而会提高对拒答的奖励——不知道的时候，宁愿告诉用户不知道。 这其实也是另一种 Token-Minimizing： 不是少说几个字，而是少制造一次错误，少让一个人花半小时帮 AI 擦屁股。 FinFIRST 候选题依次经过专家编写、独立复答、交叉验证、Rubric 审核、压力测试和一致性检查，最终保留 123 道任务 或许，站在 5 年前的视角看现在，一切都有点魔幻：人工智能在自我递归迭代，并在产生各种可被执行的需求如果再沿着百灵的思路补半句，或许是：真实世界最终会告诉模型，什么才叫“把事做成” 最后 我们甚至可以假设：即便是今天强如 Fable，也未必打得过六个月后的 Gemini Flash（虽然也，反正我是觉得旗舰的溢价里，很大一部分是时间优势 然后随着模型智能水位的不断提升，叠加到并不是所有的厂商都能够占据最头部的智能生态位，我们便会看到许多的模型以 Flash 的名义被推出（或许这些模型本就应该标记为 pro），对于所有模型都做得到的工作，其实并没必要多瞎花钱 于是，那些原本需要人做，或者 Fable 级别模型来做，以至于 ROI 很难看的事情，现在便有了规模化的可能，大抵便是：Pro 告诉我们啥事儿能交给 AI，Flash 告诉我们啥事儿值得交给 AI