按张计价的幻觉:一次 AI 修图到底要花多少钱
现在每个做图像功能的团队,表格里都有一格写着「单张成本」。但几乎没人真的拿账单核对过它。
一位经营小型修图工具的开发者最近做了件不讨喜的事:把同一批原始照片分别送进三个图像模型——通过 Gemini API 调用的 Google 模型,以及通过 fal.ai 调用的两个 OpenAI 图像模型——然后去看真实账单,而不是价目表。测试是在其中一个模型上线后的头几天里完成的。结论并不新奇,却几乎出现在每一次严肃的成本复盘里:按张估算的价格,和一次真实修图的成本是两个数字,而且差额通常是往上走的。
这个差额不是四舍五入的误差。对独立开发者来说,它是「定价可行」与「慢性失血」的分界线;对产品团队来说,它是一条没人负责的毛利线。
标价不等于单价

图示:来源页预览图(仅作编辑上下文;版权归属原发布方) · 来源引用:dev.to
厂商的定价方式读起来很干净:每张多少钱,有时再按质量档位分层。但这只是展示上的便利,不是合约。真正计费的事件是一次请求,而一次请求同时包含好几项各自计量的东西:
- 输入图片。 你送进去的图也要付费,不只是拿回来的图。修图不是查表,模型要读取你的原始像素。
- 提示词与推理 token。 会「先想再画」的模型,思考过程也要计费,而这在按张计价的表里完全看不见。
- 指定分辨率与质量档位的输出图。 同一次修图在低分辨率档和高分辨率档并不是同一个产品,也不是同一个价格。
所以诚实的心智模型不是「每张 X 元」,而是「成本 = f(输入尺寸, 提示词长度, 推理, 输出分辨率, 输出质量, 重试次数)」。六个变量,被包装成了一个数字。
账单究竟从哪儿开始偏
有四股力量把真实成本推向估算之上,而且它们都是结构性的,不是偶然的。
一、分辨率抬升由用户驱动。 没人会主动选便宜的那一档,他们要最清晰的,因为用户评判的是输出效果,不是你的成本表。如果价目表把友好档位当作宣传口径,那它宣传的是一个你的用户根本不会选的档位。
二、失败的生成照样计费。 用户会重试。提示词被拒、输出不对、有人因为前三张「差一点」而重新生成四次。真正重要的数字只有一个——每次被采纳的输出的成本,而它包含所有被放弃的尝试。用月支出除以成功数的人常常被吓一跳;用月支出除以总请求数的人,则是在自我安慰。
三、推理是你从外面看不见的成本。 先思考再作画的模型在复杂修图上表现更好,单次调用也更贵。你的按张估算,大概率是基于一次比你重度用户更简单的调用算出来的。
四、平均值会藏起最重的用户。 单次修图成本不是一个只有中心的分布,它有一条长尾——那个在大尺寸原图上做高分辨率精修的人。而这条长尾,恰恰就是你最活跃、留存最好、最爱发声的客户。
为什么这件事比听起来更严重

图示:HEXOPS 原创配图(受选题启发,非复制原文图片) · 来源引用:dev.to
如果你用估算的单张成本给功能定价,而实测的单次修图成本明显更高,你犯的不是一个小的预测错误,而是把商业模式倒过来了。每一个亏本卖出的单位,都是一个反向发力的增长单位:用得越多,烧得越多;最喜欢你的用户,成本也最高。
这是算力型产品的经典陷阱。和按席位收费的软件不同,它的边际成本永远不会归零。你没法靠增长填平负的单位毛利——你只能靠融资或耐心跑在它前面,直到其中之一耗尽。
反过来同样成立:真正做了实测的团队,常常会发现空间。最贵的档位只有 4% 的用户在用,重试率可以通过更好的提示词或一次廉价预检降下来,一个温和的价格调整就能把亏钱功能变成微利功能。实测不只是防御,也是发现。
反方观点:这难道不是早期市场的一次性学费吗?
部分是,而且值得认真对待。
图像模型的价格一直在快速下降,每一代模型都让同一次修图变得更便宜,厂商也在加缓存、加批处理、加低价档。你今天建的成本模型,两个季度后可能就作废了。围绕一个即将腰斩的价格去做重度成本工程,确实有过度设计的风险。
但有两点削弱了这个论点。
第一,问题在离散度,不在水平值。 价格下降会压低平均值,却留下方差。再便宜的模型,最轻请求与最重请求之间仍然存在数倍差距。如果你的定价把这个差距压成一个数字,降价之后你依然会算错——只是错在一个更低的绝对成本上,而那恰恰是最舒服的慢性亏损方式。
第二,单价变便宜会扩大用量。 当高分辨率输出变得可负担,它就会变成默认选项。单用户成本下降的速度,会慢于单价下降的速度,因为用户行为会把账单重新吹起来。能在价格切换中活下来的团队,是那些早就知道自己「每次被采纳输出」成本的团队——新模型上线当周,他们就能把数字重跑一遍。
还有一层反方的反方值得点明:不是每个产品都需要这种严谨度。如果图像生成只是一个订阅经济很强健的产品上的点缀,估算就够了。但当图像本身就是产品——用户为之付费的东西——估算就变成了负债。
用实测定价,而不是用价目表定价
一条实用规则:在一个按量计费的功能上,如果你还没记录过至少几百次真实用户的真实请求(包括失败的那些),就不要公布价格。
这意味着要始终维护三个数字:每次请求成本、每次被采纳输出成本、以及最重档位的 p95 单次修图成本。入门套餐按中位数定价,重度套餐按 p95 定价——因为重度套餐是对长尾用户的承诺,而长尾用户才是会去点那个 4K 按钮的人。
关键要点
- 一次图像修图的计费单位是「请求」:输入图、提示词、推理、输出分辨率与质量、重试次数——而不是一张图。
- 实测的单次修图成本会稳定高于按张估算,驱动因素是结构性的:分辨率抬升、失败生成、看不见的推理、以及重度用户长尾。
- 按估算定价不是小的预测偏差,它会把算力型产品的单位经济模型彻底倒过来。
- 模型降价不能解决问题:方差依然存在,而更便宜的单价会扩大用量。
- 解法是「先埋点、后定价」:记录每次请求成本、每次被采纳输出成本、以及 p95 单次成本。
下一步:30 天行动计划
第 1 周——埋点。 为每一次图像请求记录:输入尺寸、输出分辨率与质量档、提示词 token 数、可获取的推理 token、重试次数、以及用户是否采纳结果。按用户和套餐打标签。
第 2 周——算出真实数字。 计算每次请求成本、每次被采纳输出成本,以及各用户层级的 p50 / p95 单次修图成本。逐项和你定价表里的数字对比,把差额明确写下来——那个差额就是你此刻在这个功能上的真实毛利。
第 3 周——攻击方差,而不只是均值。 用廉价预检或提示词模板降低重试率;把最高分辨率档位放进特定套餐或消耗额度之后;考虑探索阶段用便宜模型、最终出图才用高端模型。
第 4 周——带着证据重新定价。 免费额度按每次请求成本设定,标准套餐按被采纳输出的中位数设定,重度套餐按 p95 设定。上线之后让看板持续运行——并在下一次模型升级上线当天重跑一次对比,然后再动任何一个价格。
来源
- Dev.to — GPT Image 2.6 pricing: what one edit really costs on fal, measured:https://dev.to/lygerone/gpt-image-26-pricing-what-one-edit-really-costs-on-fal-measured-5aan



