不同模型的定价页面显示每百万token的价格，但token并非固定文本量。同一份TypeScript文件在GPT-5.x上为681个token，在Claude最新分词器上为1178个token，高出73%。Claude新分词器比旧版多产生约31%的token，而代码类工作负载的差距最大。

好的，这是根据您的要求，对原文进行中文重述和精简后的版本：

标题：同段TypeScript代码，Claude的计费Token比GPT多73%

核心发现：模型定价页上的“每百万Token价格”无法直接比较。 因为不同模型的分词器（Tokenizer）会将同一段文本切分成不同数量的Token，而你是按Token数量付费的。

我们测量了主流模型对同一份代码文件的Token计数，发现： - 同一份TypeScript文件，在GPT-5.x上被计为681个Token，而在Claude最新的分词器下则高达1,178个Token，差距达1.73倍。 - 与Claude自己的旧分词器相比，新分词器产生的Token数量增加了约31%，但标价相同，这相当于一次“静默涨价”。 - 对于AI编程助手而言，工作负载主要是代码，而代码正是Token计数差距最大的领域。

隐藏的计费真相

模型的实际费用是“内容产生的Token数”乘以“每Token价格”。定价页只显示后者，并假设前者是恒定的。但事实并非如此。两个模型可以标价相同，但处理同一段文字时，因为分词器不同，你的账单也会不同。

测量方法

我们选取了16个真实样本（包括英文散文、HTML、多种编程语言代码、JSON、中文文本等），使用各模型官方的Token计数工具进行精确测量，而非估算。

发现一：同一供应商，标价不变，Token增加约30%

以Claude Opus 4.6（旧分词器）和Opus 4.8（新分词器）为例，两者标价完全相同（$5/$25）。但处理相同内容时，新分词器产生的Token数量显著增加： - 英文散文：+34% - TypeScript代码：+31% - 系统提示词：+39% - 中文文本：几乎无变化

这意味着，对于典型的AI编程请求（英文提示词、工具架构、代码和JSON），新分词器每次请求的Token消耗增加了约32%。所谓的“降价”只是短期促销，促销期结束后，实际成本将因Token膨胀而增加约32%。

发现二：代码领域的Token差距最大

以GPT的Token计数为基准（1.00x），各模型处理不同类型内容的Token倍数如下：

| 内容类型 | Claude (新分词器) | Claude (旧分词器) | | :--- | :--- | :--- | | TypeScript | 1.73x | 1.32x | | Rust | 1.58x | 1.22x | | JavaScript | 1.52x | 1.26x | | Python | 1.50x | 1.22x | | 英文散文 | 1.40x | 1.05x | | 中文散文 | 1.44x | 1.45x |

代码类内容的Token差距（1.50-1.73倍）远大于英文散文（1.40倍）。对于AI编程助手，这个差距直接映射到你的账单上。TypeScript差距最大，是因为GPT的分词器对网络JavaScript和TypeScript进行了优化，效率极高。

对实际价格的影响

将标价与Token差距相乘，得到处理相同工作的“有效价格”。例如： - Claude Opus 4.8 标价 $5/$25，但有效价格为 $7.50/$37.50，比标价高出50%。 - GPT-5.x 系列因Token效率高，有效价格等于标价。 - Gemini 3 Flash 虽然Token略多，但因标价极低，仍是实际成本最低的选择。

结论与建议

• 不要只看标价，要基于你的实际内容进行比较。 你的语言和文件类型决定了Token乘数。
• 将分词器变更视为价格变更。 当模型“同价升级”时，检查分词器是否变了。
• 用“每任务成本”而非“每Token成本”来衡量。 这能综合反映分词器和模型本身的差异。
• 没有绝对正确的模型。 GPT在英文和代码上Token效率高，Gemini实际成本低，Claude则可能因质量而值得付出更高成本。关键在于，你比较的价格应该是你实际支付的价格，而不是标价。

根据评论内容，主要观点和论据如下：

1. 分词器效率差异显著 - 评论6（Tiberium）指出，OpenAI的o200k_base分词器比Claude当前版本高效1.6-2倍，实测代码库中GPT用1.12M tokens，Claude需2.2M tokens。 - 评论2（SwellJoe）认为OpenAI公开分词器文档是进步，且其分词器效率提升而非下降。

2. 实际成本受多因素影响 - 评论3（lolinder）强调，分词器只是成本计算的一小部分，模型行为（如上下文加载量、思考时间、交互次数）影响更大。 - 评论8（f311a）指出，子代理扫描整个仓库的频率和思考级别才是真实成本。 - 评论9（jnwatson）认为KV缓存读写定价是“房间里的大象”，对长上下文任务影响显著。

3. 模型间成本对比 - 评论14（ianberdin）实测：Sonnet 5比Opus 4.8便宜2-3倍，Fable 5完全不可负担；Opus 4.6比4.8便宜50%。 - 评论10（ricardobeat）减少Fable和Sonnet 5使用，Fable仅用于创意任务，Opus 4.6/4.7可无限使用。

4. 对文章质量的批评 - 评论19（robbie-c）质疑文章由LLM生成，标题“Two floors the rate card hides”不自然，影响可信度。 - 评论22（iLoveOncall）认为文章基础错误：仅用16个短文档测试（最长15K tokens），未考虑代理场景下输出和工具调用导致的4倍token差异。

5. 改进建议 - 评论21（dinobones）呼吁按字节定价，避免分词器实现细节泄露到API。 - 评论13（daft_pink）建议用实际任务性能定价替代token计算。

平衡性总结：多数评论认可分词器差异存在（1.6-2倍），但强调实际成本受模型行为、缓存、代理复杂度等更大因素影响。部分评论严厉批评文章方法论和LLM生成质量。