百度词元所：日均 7000 亿 Token，平均一次调用 1.4 万

7000 亿除以 5000 万，等于 1.4 万。百度在 11 月 12 日的百度世界 2026 上给出这两个词元数字，一除就露出词元所的负载形状：平均一次调用 1.4 万 token，这不是聊天窗口的量级。

一、两个数字相除，先得到一次调用的体积

三个运营数字都是百度官方披露：入驻供应资源超过 100 个、日均调用次数突破 5000 万、日均调用 Token 超过 7000 亿。它们没有第三方核实，但彼此自洽，且「突破」与「超过」方向一致，都是往下保守，商值的量级站得住。

1.4 万 token 是一次调用的平均值

7000 亿 ÷ 5000 万 = 14,000。这个均值比普通对话高一个数量级：单轮问答的输入加输出通常落在 500 到 2000 token，带长文档的检索增强请求常见 1 万到 3 万。1.4 万正好落在后一档。

它说明柜台上跑的主要不是聊天，而是带上下文的任务型调用、批量处理和智能体循环。

这个判断在百度自己的另一组数字里有旁证：过去一年，百度内部日活智能体从日均 0.5 万个涨到 3.7 万个，智能体每周完成的有效任务从 8.4 万个涨到超过 100 万个。智能体天然是多步、长上下文的负载，与 1.4 万的均值互相印证。

摊到 100 个供应资源，每家每天 70 亿

100 是「资源数」而不是「供应商数」。按现场口径，同一个模型可以有多家供应商挂牌，买家能横向比价，所以真实分布是长尾，均值只能作量级参照。即便如此：7000 亿 ÷ 100 = 每家每天 70 亿 token，5000 万 ÷ 100 = 每家每天 50 万次调用。

这个体量改变的是抽检的性质。一次指纹核验不是发一个请求，而是几十到上百条探针，每条都真实消耗 token。当平台上有 100 个资源、每个资源若干模型，按月抽检一轮，成本已经是一笔需要预算的账，而不是上线前跑一遍测试。

一个分母：全国日均词元调用量

有行业分析文章把 2026 年 3 月的全国日均词元调用量写作 140 万亿。若按这个口径，7000 亿约占 0.5%。该数字未见官方发布，只能当量级参考。它说明的是柜台刚开张——0.5% 是起跑线，不是天花板。

图 1：三个官方数字的商落在「长文档请求」这一档，说明抽检一次的真实成本被抬高了。

二、验真要对的是一本 2026 年 3 月的账本

词元所的验真手段在官方现场说明里是四步：模型指纹比对、能力测试、性能与可用性测试、容量压测；上线后转入定期抽检拨测和全链路实时监测。这套方法并不新。

2026 年 3 月，德国 CISPA 亥姆霍兹信息安全中心的团队用同一条思路审了 17 个影子 API，论文标题就叫《真金白银，假模型》（arXiv 2603.01919）。它的结论可以直接当成这套机制的下限参照。

24 个端点，58.33% 没过关

45.83% 未通过指纹核验，另有 12.50% 的余弦距离显著偏离官方模型，合计 58.33%。也就是说，24 个端点里只有 10 个能通过「你给我的确实是你宣称的那个模型」这一关。

这些端点不是无名小站。论文选的是被学术论文正式引用过的服务商，也就是说，有研究者用它们跑过实验、发过结论，而那些结论建立在另一个模型之上。

MedQA 从 83.82% 掉到 36.95%

医疗基准 MedQA 上，官方 Gemini-2.5-flash 是 83.82%，影子 API 平均 36.95%，差 46.87 个百分点，保留率 44.1%。法律基准 LegalBench 低 40 至 43 个百分点，推理基准 AIME 2025 上部分端点低 40 个百分点。

这就是「能力兑现度」的实体。它不是榜单上的名次变化，而是医疗问答的正确率腰斩、法律条文引用的判断变错。虚标参数在演示里看不出来，在专业场景里就是错误率翻倍。

指纹方法的准确率是 96%，不是 100%

论文在已知真值的受控实验里测了两种判别方法：LLMmap 准确率 96.0%，MET 88.3%，两者一致性 Cohen κ = 0.512。96% 意味着审 24 个端点，期望仍有约 1 个判断是错的；若平台按月抽检 100 个资源，误判的量级是 4 个。

这个精度足够做准入，不足以下结论。所以验真的正确用法是：把可疑资源挡在门外，而不是给通过者发终身通行证。

图 2：同一批审计里，价格对准确率没有预测力，延迟标准差超过官方 2 倍则是掉包的强信号。

三、交易所挂出来的是价格，买家买的是兑现

词元所的产品页把同一模型的多家供应商排在一起，字段包括价格、首 token 延迟、近 7 天调用成功率、调用量、运行状态，以及信用测评入口。这套字段对采购方是真实的进步，过去这些信息只能靠试。

但它同时暴露了缺口：这些字段都是可自动采集的「能用」指标，而买家付钱买的是「能力兑现」。

价格对准确率没有预测力

论文做了 OLS 回归，结论是价格对准确率保持没有预测力。贵的端点不比便宜的更可靠，便宜的也不必然更差。这条结论直接否掉了按单价排序的采购习惯。

词元所把价格、延迟、成功率并列展示是对的，但三者加起来仍然回答不了「我拿到的能力是不是我付钱买的那一档」。这一列只能由平台的抽检结论补上，而抽检过程买家看不到，只能看到结论——这就把信任从供应商转移到了平台。

三类风险，第三类最难抓

前两类是假货，指纹一比就露。第三类不是假货：模型是真的，只是中途换了版本，逐条比对每次都通过，问题出在时间维度上。现场提到的客户案例正是这一种——接入初期表现正常，用一段时间后质量下滑，直到投诉才发现。

这也解释了为什么「上线后定期抽检拨测」比「准入测试」更值得投入。准入是一次性动作，漂移是持续过程，闸门必须一直跑，不能只在门口跑一次。

信用分评的是差异，不是水平

官方口径把两件事拆开：质量分看能力、性能、质量、成本的绝对水平；信用分看真实性、性能、能力、合规、履约的兑现程度。

这个拆分是对的。绝对水平有公开榜单可参照，兑现程度却一直没人替买家查。但拆分也留了缺口：信用分的权重不公开，供应商无法自证，买家无法复算。这是交易平台治理的常见问题，不是词元所独有；只是当一个平台以「可信」为核心卖点，可复算就从加分项变成了必须项。

图 3：静默漂移是唯一一类准入测试必然放行的风险，也是唯一必须靠持续监测发现的风险。

四、同场的 2800 亿参数，与四条采购建议

5% 的激活率说明什么

同场发布的文心 5.5 Flash 预览版：总参数 2800 亿，每个 token 激活 140 亿，最长支持 100 万 token 上下文。2800 ÷ 140 = 20，激活率 5%。

这个比例与主流稀疏模型同一量级——DeepSeek-V3 是 671B 总参、37B 激活，约 5.5%。所以 5% 本身不构成差异点，稀疏早已是默认做法。真正的差异点在 100 万上下文的单价，而这次通稿没有给单价。

同期披露的还有两款应用模型：文心闪电深度思考模型用反馈式 KV 压缩稀疏注意力配合快慢思考协同，文心一镜微表情大模型支持 4000 字文本驱动、按 6 大维度 200 个子维度描述表情与动作。这两个是给具体场景用的，不是给榜单用的。

官方通稿这次没给分数

对 Terminal-Bench 与 AutomationBench，官方表述是「取得了具有竞争力的得分」，没有数值。

同一天，谷歌发布 Gemini 4 Hydrogen，给的是另一种密度：Artificial Analysis 智能指数默认档 51 分、超高思考档 54 分，Terminal-Bench 4.1 从 18.2% 提到 57%，定价每百万输入 1.50 美元、输出 7.50 美元。

这不是说谁藏拙，两家披露习惯不同。值得记下的是反差本身：一场以「能力可验证」为主题的发布会，自家新模型的能力披露落在可验证性最低的一档。要在词元所上被评级，文心也得接受同一套测评——规则制定者把自己放上秤，这杆秤才可能被别人接受。

采购方现在能做的四件事

① 把验真写进验收条款。不只要 API 可通，还要供应商提供指纹核验记录与模型版本号，并在合同里约定版本变更提前告知。这一条对静默漂移是唯一有效的前置手段。

② 自己攒一组固定探针。50 至 100 条覆盖自身业务的题，每月跑一次，记录准确率与延迟标准差。论文里延迟标准差超过官方 2 倍是掉包的强信号，比看任何榜单都直接。

③ 不要按单价排序。先按能力达标筛，再在达标集合里比价。价格与准确率无相关，先比价等于先放弃质量维度。

④ 把信用分的变动当事件，而不是把分数当指标。评级下调意味着兑现度变了，而静默漂移只在这个维度上可见。

词元所真正做的事，是把「Token 是不是真货」从售后纠纷变成准入条件。7000 亿一天的体量说明柜台前已经有人排队。

但交易所成立的前提是规则能被复算：指纹方法准确率 96% 而非 100%，抽检是抽样而非全量，信用分由平台算而非第三方算。这三件事决定了它现在是一个有准入的聚合平台，还不是一个可审计的交易所。

对采购方而言，结论反而简单：平台给的字段用来缩小候选集，验收标准必须自己定。把验真写进合同、把探针握在手里，比相信任何评级都可靠。

站内可对照的背景材料：单价口径见 11 月大模型 API 价格表，同一天谷歌的定价窗口见 Gemini 4 Hydrogen 的迁移成本，供给侧的资本开支结构见 Nebius 第三季度拆解。