LLM Token Expenditure Index 是怎么算出来的？我们复现了一个
彭博社报道说 AI 交易正在失去一个关键信号——LLM Token 支出指数在下跌；财联社转述时，称它是 「外界目前所能获取的最清晰、最直接的市场风向标」。话说得有点满。作为算法出身、长期和数据打交道的人， 第一反应不是信或不信，而是：它是怎么算出来的，能不能用公开数据复现？ 这篇把口径拆开讲清楚，复现的结果就是每日更新的 TrakToken 支出指数（TTSI）。
一、这个指数在衡量什么
Silicon Data 的 LLM Token Expenditure Index（彭博终端代码 SDLLMTK），名字直译就是答案：市场为一百万个 token 实际支付的价格。 它和单纯的「价格表均价」相比，多了一个消耗权重——哪个模型被用得多，它的价格就更能代表市场。
举个例子：Claude 每 1M token 收 $10，卖出 10 份；GLM 每 1M 收 $1，卖出 100 份。 要衡量市场，当然得乘以各自的消耗量：(10×10 + 1×100) / 110 ≈ $1.82。 这 $1.82 就是市场愿意为 1M token 掏的真金白银——既不是 $10 也不是 $1， 也不是两者的简单平均 $5.5。
所以它本质上就是一个用量加权的平均价格。 指数下行，说明智能在变便宜（厂商降价，或用量流向更便宜的模型）；上行，说明市场愿意为更强的新模型付更高价格。 这也是为什么彭博的报道把它的下跌解读为「AI 公司可能正在失去定价权」——这个解读对不对， 我们在归因分解那篇里单独算。
二、Silicon Data 的官方口径，能拆到哪一步
Silicon Data 在官网免费展示指数的最新读数，这是一手数据；完整的历史序列与深度服务打包在 $499 的数据套餐里——他们是做金融数据生意的，这个商业模式合理。 方法论方面，官网给了一个大致框架：覆盖 400 多个模型、聚焦 20 多个头部模型的价格与消耗数据， 并对以下几项做了归一化处理：
- 输入/输出 token 比例（input/output token mix）
- 上下文窗口（context window）
- 批处理行为（batching behavior）
- 可靠性（reliability）
第一项好理解：输入和输出 token 单价不同，必须约定一个混合比例才能得到单一价格。 早期文本生成任务的输入/输出大约是 3:7；而以 coding agent 为代表的近期负载， 上下文（代码库、工具结果、多轮历史）每轮重发，实际比例是 8:2 甚至 9:1——从个人的 Claude 消耗统计里也能看出来。后三项的归一化方式官网没有展开，上下文窗口和批处理如何归一、 可靠性怎么进价格，我们没有看懂。如果有明白的读者，欢迎交流。
剥掉归一化的细节，骨架很清楚：实际消耗的加权平均价格，仅此而已。 这意味着只要有两样公开原料，任何人都可以复现它。
三、复现需要的两样原料：价格与用量
价格好办。TrakToken 本身就是一个 LLM token 比价站，追踪 500 多个模型的每日价格（Silicon Data 说自己覆盖 400 多个）。头部模型其实就那么些—— 强者拿下大部分市场，甚至吃掉自己上一代旗舰的份额。
用量是真正的门槛。厂商官方用量数据基本拿不到： 比如 Claude 的消耗大头走订阅套餐而非按 token 计价，非内部人员无从统计。 公开数据里够大且按日更新的，只有 OpenRouter 的模型排行——我们推测 Silicon Data 的用量权重也主要来自这里。TTSI 明确采用 OpenRouter 每日 Top 50 模型的 token 用量作权重， 价格则用本站与模型页同源的日更数据。
输入/输出混合比例，我们定为 8:2，理由如上：当下的消耗大头是 agent 类负载。 这个参数写死在公开的计算配置里，改动会升方法论版本号。
四、TTSI：我们的公式与结果
基期定为 2026-04 均值 = 100 点。剩下的是相对枯燥的数据接入、映射与清洗 （OpenRouter 的模型标识和各家定价页对不上，需要一张人工核对过的映射表）。 下面就是结果，每日 UTC 02:00 自动更新——不是截图，是和 指数页同一份数据：
和 SDLLMTK 公开走势对照：我们的数据同样在 1 月有小高峰、5 月见到近半年的高点、6 月回落， 7 月初重新有向上迹象。两个独立口径算出同一形状的曲线，可以互相印证。 对照 Citadel 证券《Tokenomics》报告里的两波上行也对得上：25 年底是 Claude 4.5 发布、 Claude Code 出圈的时间；26 年 3 月则是全球性的 agent 使用热潮，随后各大公司开始鼓励员工敞开用前沿模型。
五、已知偏差，先自己交代
做数据的人都知道，数据里可操纵的东西太多。别人口径里我们看不懂的地方已经在上面说了， 自己口径里的坑也应该摆在明处：
- 历史价格外推段：TrakToken 今年 3 月上线， 更早的模型价格无法逐日追溯，早期序列主要反映用量结构变化。这里存在幸存者偏差——价高好用的模型留了下来， 所以我们序列里 5 月之前的涨幅可能被低估（Silicon Data 称其指数自基期基本翻倍，我们的涨幅小于此）。 数据积累越久，这段的影响越小。
- 生态口径：OpenRouter 的用量以独立开发者和 agent 应用为主，大企业直连厂商的 toB 流量不在统计内。
- 篮子覆盖：只有进入当日 Top 50 且有有效价格的付费模型进指数， 长尾模型不进篮子，覆盖率随每日数据在指数页公开。
公式、每日篮子构成、映射表和异常处理规则全部公开在指数页的计算口径板块，数据以 CC BY 4.0 发布。「开源」的意义不在姿态，而在于任何人都可以指着某一天的篮子问「这个权重不对吧」——可以被挑错的指数，才谈得上可信。
六、去看今天的读数
指数页每天发布全市场加权价格、TTSI 点位，以及闭源前沿（TTSI-F）/开源权重（TTSI-O）子指数。 它和 SDLLMTK 还有哪些口径差异、分别适合谁用，见对比篇； 5 月高点回落 20% 到底是不是「失去定价权」，见归因篇。