大家好呀，我是飞鱼
现在工作中经常需要调用大模型的 API。
不知道大家有没有没有发现，你打开任何一家大模型 API 的定价页（如下：GPT 和 Claude的）。
同样是TOKEN，输出比输入贵 5 倍？缓存命中的 TOKEN 又便宜 10 倍？
今天就从原理层面，给大家科普解释下这些问题。
具体的话我们得进 GPU 里看看模型推理时究竟发生了什么？
首先当你向大模型发送一条消息，它在后台其实经历了两个阶段，预填充 Prefill 和 解码 Decode。
❝
这两个阶段的分界点恰好是你输入结束，然后模型开始吐字的那一瞬间。
Prefill阶段
❝
模型拿到你的 Prompt 后，会把你输入的所有 TOKEN 一次性塞进 Transformer，然后算出每一个位置的隐藏状态。
最后把最重要的产物 KV CACHE 键值缓存保存下来。
这一阶段是高度并行的。
假设你输入了 1000 个TOKEN， GPU 可以把这 1000 个 TOKEN 同时放进矩阵运算里，一次前向传播全部处理完。
GPU 最擅长的就是这种大矩阵并行计算，这个阶段的瓶颈是算力， GPU 的计算单元几乎被榨干。
每个 TOKEN 分摊下来的成本其实很低。
Decode阶段
❝
Prefill 结束后，模型开始生成输出。
但模型必须一个一个 TOKEN 的往外吐。
因为每生成一个新 TOKEN 都要把它拼回已有序列里才能算下一个。
比如：第 N+1 个 TOKEN 依赖第 N 个 TOKEN 的结果，这是 自回归（Auto Regressive） 的本质，没办法提前并行。
于是每生成一个输出 TOKEN， GPU 都要把整个模型的参数从显存搬到计算单元，然后把不断变长的 KV CACHE 也搬过来，算出下一个TOKEN。
重复以上步骤，这个阶段的瓶颈变成了显存带宽。
这时候 GPU 的算力大部分时间在空转，等着数据从显存慢悠悠传过来。
所以输入走 Prefill 路径：
❝
并行处理，算力拉满，吞吐量高，一张 GPU 一秒可能处理 10 万个输入TOKEN，分摊到单个 TOKEN 的成本自然低。
输出走 Decode 路径：
❝
串行生成带宽瓶颈， GPU 空转严重。
同样一张 GPU 一秒可能只能生成几百个输出 TOKEN 吞吐量差了两三个数量级，自然要贵 3 ~ 5 倍。
顺带也解释了为什么流式响应看起来是一个字一个字蹦出来，因为它就只能这样。
最后缓存命中的 TOKEN 为什么能更便宜？
其实是有一个 Prompt Catching 的设计：
❝
思路就是把 前缀 KV Cache 存在高速缓存里。
下次请求如果前缀一样，直接把现成的 KV Cache 加载进来，跳过 Prefill 的计算环节。
此时付出的成本只有存储这份 KV Cache 的开销，把它加载进计算显存的带宽开销，算力几乎不花。
但缓存是前缀匹配的，你的 Prompt 必须和之前某次请求的开头完全一致，哪怕改一个字，后面的部分就全得重算。
而且缓存有有效期，一般几分钟到几小时，过期就失效。
所以建议把固定不变的内容 System Prompt 长文档放在最前面，把变化的部分用户问题放到最后，能最大化缓存命中率。
最后有几个实用的优化方向
❝
能用缓存就用缓存，把稳定的长前缀放在 Prompt 开头。
控制输出长度，让模型少啰嗦，不只是节省阅读时间，而是实打实省钱。
真的不用害怕长输入，很多业务场景下塞进几千 TOKEN 的上下文，只要能换来一个精准的短输出，总价反而更便宜。
慎用让模型先推理再回答的模式，思考推理模型产生的思考过程往往会被算进输出TOKEN。
❝最后想看技术文章的，可以去我的个人网站：hardyfish.top/