结论先说：输出长度第一次成了要写进选型表的独立一列；而长输出真正的代价不在价格表上，在它失败的那一次。
2026 年 10 月 13 日，Google DeepMind 发布 Gemini 4 Argon，API 介绍价每百万输入 token 2 美元、输出 10 美元，11 月 30 日之后恢复为 4 和 20。规格上最值得注意的不是上下文窗口（这部分大家都已经卷到百万级），而是另一行：单次输出上限从 6.4 万 token 抬到 100 万。这不是上下文窗口，是模型一口气能吐出多少内容的天花板。
我过去几年一直用一个很朴素的成本公式做选型：单价 × 输出量 × 重试次数。看到这个价格表的那天，我发现公式里三个词有两个的含义都变了。
一、从「能读多少」到「能写多长」
过去两年模型竞赛的营销指标高度同质：上下文窗口从 128K 卷到 1M、2M，比的永远是「一次能读多少」。但真实工作流里瓶颈往往不在读，在写。一个典型的例子是代码库迁移：agent 要遍历仓库、理解依赖、逐文件改写、跑测试、修编译错误，每一步都产生大量中间输出。输出上限一旦只有十几万 token，长任务跑到一半就被迫截断，只能拆成十几段一段段喂，连贯性在反复的请求切换里被磨掉，错误在拼接处悄悄积累。
Argon 把这道天花板抬到 100 万，官方给的落地场景也全部围绕「一次吐完整份产物」：100K+ token 的推理轨迹、全仓库单次重构、700 多个培训实验室的遗留代码迁移。官方口径是「months of work in weeks」，同时捕获 16 个以上隐藏 bug、节省 955 工程小时。
把几家的口径摆在一起，差距就清楚了：
| 模型 | 最大输出 token | 备注 |
|---|---|---|
| Gemini 4 Argon | 1,000,000 | 介绍期至 11 月 30 日，之后价格翻倍 |
| DeepSeek-V4.1 | 384,000 | 阿里云 Model Studio 模型卡口径 |
| Step 5 Preview | 384,000 | 阶跃星辰，10 月 15 日开源权重 |
| GLM-5.3 | 131,072 | 智谱，1M 上下文 |
这不是同一个量级的选项。输出长度决定的不是「能不能跑」，而是「一次能不能交付一个完整物」，它应该出现在选型表上，而且单独占一列。
二、成本主项从输入侧移到输出侧
介绍期输出价是输入价的五倍（10 美元对 2 美元），恢复原价后仍是五倍。一次吐 50 万 token 的长任务，单次调用就是 5 美元，涨价后 10 美元。以前算账时，「输出量」是一个大致稳定的估计值；现在它是真正的变量，而且乘在最贵的那个单价上。
这件事和输入侧正在发生的变化要放在一起看。10 月 14 日，阶跃星辰把 Step-5-preview 的缓存命中输入价从 0.35 元涨到 0.70 元每百万 token，涨的恰恰是 agent 型负载最依赖的那一档。输入在被定向加价，输出在被拉长，两头同时动。过去两年攒下的那些省 token 的习惯——长前缀复用、上下文缓存、模板化 system message——收益全押在「缓存命中价会一直降」这个从未被承诺过的假设上。
所以我的结论是：成本要看总账，而总账里的每一项都得能单独被拉出来算。输出量这一项，以前是背景，现在是主项。
三、一次跑完，是把失败的单位成本抬高了
长输出最诱人的地方是省掉编排：不用切任务、不用拼接、不用在几十次请求之间传状态。我做过变电站远程智能巡检的后端，最烦的就是一件现场任务被环境打断之后，前面算的东西全丢，只能从头再来。所以看到「一次干完」，我的第一反应是高兴的。
但高兴不了三秒。一次 100 万 token 的输出，中间没有任何检查点。它跑四十分钟，在第 90% 的地方偏了，你损失的是整个四十分钟和整笔钱；切成十段跑，你损失的只有最后一段。分段拼接是为了在中间留下可以回到的地方，不是为了讨好模型的输出上限，这个理由到今天还没过时。
所以长输出不是不能上，是必须配两件东西：
| 配套 | 具体做法 | 防的是什么 |
|---|---|---|
| 中间产物落盘 | 每完成一个可判定的子步骤就写一次状态文件，中断后从最后一个状态续跑 | 长任务中途失败全量重来 |
| 按时间间隔的监控 | 跑满 N 分钟没有新产出就告警，不依赖完成回调 | 无人值守窗口里的静默失效 |
第二条有现成的反面样本。CSO 在 10 月 14 日的调查里复盘了 OpenAI 侵入 Hugging Face 那次事件：持续了好几天没人发现，安全专家的原话是「人们启动了实验，然后就没看着了」。任务越长，没人看的时间窗越大，而失败的任务永远不会回调。
四、同一周的另外两个信号
10 月 13 日，Anthropic 公布自研源码控制系统 Scion。 日合并量从 2,500 涨到 30,000，main 分支历史近 100GB，每天为 CI 做约 2,500 万次检出，7 人团队 5 个月完成迁移，基础设施占用比原方案小 200 倍。最反直觉的一条：合并队列在 agent 规模下失效了，测试还在跑的时候可能已有数百个变更合入，他们放弃复制全局仓库锁，改投合入后与部署前的自动化测试。能力侧的跃迁和基础设施侧的崩塌，是同一件事的两面。
同一天还有一条值得记的反面视角：前 Meta Mononoke 团队成员指出，Scion 的核心设计「derived data」与 Meta 2017 至 2018 年间开发、已开源的 Mononoke 高度一致，而 Anthropic 只提了 Sapling 的「hard-won lessons」。作者实测 Opus 5.5 与 GPT-6 Astra，被问 prior art 时都立刻指向 Mononoke。让 AI 参与架构设计，它给出的往往是训练语料里最常见的那个方案，而不是最适合你这个约束集的那个。
10 月 15 日，阶跃星辰开源 Step 5 Preview 完整权重，但官方许可证仍未发布。 自称社区许可的文档只存在于第三方 Hugging Face 页面，官方组织下没有任何 Step-5 仓库；BF16 推理需约 1.2TB 显存。开源解决的是不被锁死，不解决单价，这两件事在选型表里必须是两行，不能互相抵扣。
接下来可以做的三件事
一、给选型表加一列「最大输出 token」。 顺手把成本公式里的输出项按实际输出长度重算一遍，别用估算的平均值——长任务的分布是长尾，平均值会骗人。
二、给任何启用长输出的链路加中间产物落盘。 每个可判定的子步骤完成就写一次状态文件，恢复时从最后一个状态继续。这一步不花预算，改的是编排层，不是模型。
三、把长任务的监控改成按时间间隔。 跑满 N 分钟没有新产出就告警，不依赖完成回调。我自己的日报自动化流水线就是靠这条活下来的，它断在哪一步都能续上，所以我不怕它断。
如果你在关注 agent 的可靠性这条线，可以接着读上一篇《AI 会偷偷改你的验收标准》，讲的是验收物被 agent 自己篡改的另一个方向的问题。
数据说明
- Gemini 4 Argon 的规格、价格与基准数据来自 Google DeepMind 官方博客与 Google AI for Developers 文档（2026-10-13），所有基准分数均为厂商自报，未独立复现；官方表格同时列出落后项（FrontierSWE v2 55.0%、Terminal-bench 4.0 57.4%、OSWorld-2.0 69.2%）。
- 国内对照数据（GLM-5.3、Step 5 Preview、DeepSeek-V4.1 的输出上限与价格）来自各厂商官方页面与第三方聚合平台，以官方口径为准。
- Scion 相关数字来自 Anthropic 工程博客（2026-10-13）；Mononoke 对照来自 sunshowers.io（2026-10-14）。
- 阶跃调价来自北京商报等多源报道（2026-10-14 生效）；许可证缺位状态为 Forkast 2026-10-11 报道，10-15 之后是否补齐待核。