100万トークンあたりの価格は無意味である
Price per 1M tokens is meaningless (janilowski.pl)
要約
AIモデルのコストを比較する際に、100万トークンあたりの価格だけを見るのは誤解を招く。トークナイザーの違いや、トークンが「思考」にどれだけ費やされるかといった「思考連鎖」の効率性が、実際のタスク完了あたりのコストに大きく影響するため、単純なトークン単価での比較はモデル選択を誤らせる可能性がある。
全文翻訳
トークンあたりの価格は無意味
2026年7月5日 · 4分で読めます
- tech
- machine learning
APIの請求書が届くと、もはや雰囲気だけでは済まなくなります。多くの企業が、AIは確かに高価になりうることを発見しています。AIの請求額を押し上げている習慣の一つに、モデルを「100万トークンあたりXドル」で比較することがあります。数字が低ければコストも低い、ということになるはずですよね?しかし、実際はそうではありません。
100万トークンあたりのXドルは比較不可能
各最先端ラボは独自のトークナイザーを持っており、それがテキストがいくつのトークンに分割されるかを決定します。例えば、この投稿のこれまでのすべてのテキストは、gpt-4oでは160トークンに分割されるでしょうが、同じ入力でもgpt-4 (1106-preview、tiktokenizer.vercel.appで生成) では200トークンかかるでしょう。一つの最先端ラボ内であっても、OpenAIの場合、トークンあたりのモデル価格は比較できません。異なるラボ間で数字を比較すること、特にそれらが独自のトークナイザーを常に微調整している場合、測定が困難な誤差が生じます。Anthropicは最近トークナイザーを変更し、その結果Claudeは同じテキストを30%多くのトークンに分割するようになりました。他の条件がすべて同じであれば、これはかなり急激な価格上昇に相当しますが、考慮すべきもう一つの重要な要因があります。
トークン効率の極端なばらつき
トークナイザーの影響を無視したとしても、もう一つの重要な要因は、トークンがどれだけ実際に価値があるかということです。トークンの価格ではなく、それを使って実際に何を達成できるかということです。AIを真剣な仕事に使っている場合、トークン消費の大部分は「思考」に使われている可能性が高く、これはしばしば隠されているか不明瞭ですが、表示される出力トークンと同じレートで請求されます。この技術は出力品質を大幅に向上させることができますが、いわゆる「思考連鎖」の長さがAI利用の全体的なコストに影響を与える主な要因となり得ます。そして、これは大きく変動する可能性があります。
私は、アメリカの最先端ラボの現在の最高のAIモデルと、中国のラボの最高の提供物(しばしばアメリカのモデルと同等かそれ以下で、コストは1/x、多くの場合x > 10)をいくつか選び、下の表にまとめました。また、AIモデルにタスクを完了させるArtificial Analysisベンチマークでの各モデルのスコアも含まれています。AAの研究者の目標は、モデルの能力を測定することと、完了した各タスクに対していくら請求されたかを測定することでした。
| Model | $ per 1M tokens input/output | AA Intelligence benchmark result | Cost per benchmark task |
|---|---|---|---|
| Claude Fable 5 | $10 / $50 | 60 | $3.25 |
| Claude Opus 4.8 max | $5 / $25 | 56 | $1.78 |
| Claude Sonnet 5 max | $3 / $15 | 53 | $2.29 |
| GPT-5.5 xhigh | $5 / $30 | 55 | $0.99 |
| GLM-5.2 max | $1.40 / $4.40 | 51 | ~$0.46 |
| DeepSeek V4 Pro max | $0.435 / $0.87 | 44 | ~$0.04–$0.05 |
| MiniMax-M3 | $0.30 / $1.20 | 44 | ~$0.18 |
| Kimi K2.6 | $0.95 / $4.00 | 43 | ~$0.31 |
GPT-5.5は名目上Claude Opus 4.8よりも高価ですが、Anthropicのモデルと比較してタスクあたりのコストはほぼ半額で完了することに注目してください。GLM-5.2はGPT (3.57倍/5.68倍) およびClaude (3.57倍/6.82倍) よりもトークンあたりの価格ははるかに安いですが、タスクあたりのコストは比例して低くなく、これは西側の最先端モデルよりもトークン効率が低いことを示唆しています。
Sonnet 5は私を困惑させるモデルです。Opus 4.8よりもパフォーマンスが悪く、トークン効率がはるかに低いため、タスクあたりのコストも高くなっているように見えます。もしこれを使用している方がその目的を説明してくださるなら、喜んでお聞きします。(陰謀論:Anthropicによる、最終的に請求額を増やすことになるトークン効率の低いモデルの使用を促すための、より低い表示価格を持つ何らかの心理作戦でしょうか?)
DeepSeek V4 Proは、コスト効率の優れた例外のように見えます。インテリジェンスベンチマークでのスコアは明らかに低いですが、タスクあたりのコストは非常に低いです。Fable 5 (セキュリティミュート付きのMythos) は、GPT-5.5と比較して3倍以上の価格上昇で、わずかな改善を示しているようです。
全体として、この表は100万トークンあたりの価格が意味のあるコスト指標ではないことを示していると思います。タスクあたりの実際のコストを考慮しないと、モデル選択の誤った判断を下し、より高い価格で劣ったパフォーマンスに終わることになります。