Galaxy Digital：推理算力市場與微觀結構研究

作者：Vikram Singh，Galaxy Ventures投資人；來源：Galaxy Digital；編譯：Shaw，金色財經

要點速覽

  • 隨著開源模型普及，智能能力正在商品化。開源模型性能已接近前沿閉源模型；自 2025 年 1 月以來，調用規模暴漲 350 倍。由於開源模型推理服務無需准入許可，一個充分競爭的推理算力市場正在形成。

  • 推理「市場結構」在某種程度上類似於交易場所：存在Token買方（Cursor、Lovable、各類企業）、交易撮合平台（OpenRouter），以及Token賣方（Fireworks、Baseten、Together AI），賣方針對各模型Token掛出單邊訂單簿。

  • 推理服務商如同做市商：持續報價、以算力形式持有庫存、賺取買賣價差，並爭奪Token流量。撮合平台相當於交易所：OpenRouter 收取撮合服務費（分成比例 5.5%），未來還存在向 「做市商」 購買Token流量（訂單流付費 PFOF）收取費用的空間。

  • GPU 小時是生產每一組Token的標準化投入品，同時充當對沖推理Token生產成本風險的底層標的。算力期貨應運而生，用於應對 GPU 小時價格 130% 的波動率，幫助推理服務商管控主營業務成本（COGS）。

幾大趨勢正在同步上演：

  • 智能能力快速商品化、普惠化。自 GPT-4 問世之後，沒有任何一款前沿模型能夠持續領跑超過 100 天。全新模型平均每 41 天推出一款。開源模型追上頭部實驗室前沿模型所需時長已經從數年縮短至數月。這徹底改變前沿實驗室的盈利邏輯：它們僅有約 4 個月時間攤銷模型訓練資本開支，之後市場需求就會大量轉向開源模型。

  • 傑文斯悖論正在當下上演：企業切換至開源模型所節省的成本，會再度投入用於生成更多Token。因此，即便預算總額保持不變，Token消耗量仍會持續增長。OpenRouter 的數據印證了這一點：上周平台路由調度的Token總量達到 2025 年 1 月的 125 倍，其中開源模型流量占比從此前 27% 提升至 75%。

  • 開源模型的大量湧現，推動中短期 GPU 租賃需求上行。伴隨近期多款開源模型發布，Ornn H100 算力指數覆蓋範圍內，算力利用率與租賃價格大幅飆升。

  • 過去三個月，推理服務商、GPU 算力租賃交易平台以及流量調度平台領域的風險投資熱度急劇升溫。

隨著Token流量持續向開源模型轉移，Token採購方對價格愈發敏感，疊加推理服務無需許可准入，一個充分競爭的推理服務市場正在形成。競爭型市場通常會演化出成熟的市場結構。推理服務技術棧大致可類比為交易場所，深入剖析後能夠發現諸多耐人尋味的細節。

推理市場結構

類比交易市場框架，推理業務存在三類核心參與主體：Token買方、Token賣方以及交易撮合平台。

Token客戶/買方

和 ChatGPT 對話的終端用戶、使用 Cursor 的開發人員、Lovable 與 Harvey 等內嵌大模型能力的應用程序、開展後台調研的智能代理集群，以及將大模型 API 接入生產業務流程的企業 —— 以上全部屬於Token買方。這類用戶對Token價格具備不同彈性，可分為幾類：

  • 15% 高價格彈性：例如開發者試驗場景；

  • 25% 中等價格彈性：例如面向普通用戶的對話服務；

  • 40% 低價格彈性：例如企業 SaaS 業務；

  • 5% 價格無彈性：例如存在實時響應要求的業務。

在固定所用模型的前提下，需求彈性一定程度取決於誰在等待推理返回結果。面向人類交互的需求缺乏彈性，而由智能代理髮起的批量需求具備高彈性。舉例而言，如果接受 24 小時批量處理窗口、而非同步即時返回，同等Token的調用成本能夠降低一半。

總量數據會誇大需求的粘性：價格下調 10% 僅能帶動調用量提升 0.5%–0.7%。但這一均值是兩類需求混合後的結果：一類是願意不計成本保障核心業務的企業客戶，另一類是愛好者與開發流水線，會湧向報價最低的服務商。閉源模型承接高價值、對可靠性要求高的業務；開源模型承載低成本、大流量的需求。

由此可見，存量平均Token需求彈性偏弱，但增量邊際Token需求彈性極高。當前大部分流量來自等待即時結果的人類用戶：聊天回復、Cursor 代碼補全。這類買家對價格變化並不敏感，沒有人會為節省幾分錢，在對話中途切換模型。然而，下一階段的Token需求將由軟體程序驅動：智能代理循環任務、批量調研任務、持續集成流水線。這類增量需求的目標函數是兼顧效果上限與成本最小化，時延優先級更低。OpenRouter 已經針對這類未來需求做優化：默認調度策略按照「1 / 價格平方」權重，將模型流量分配至各家服務商。這意味著服務商報價減半，流量市佔率大致提升四倍。目前平台超過 70% 的調度Token來自命令行工具與智能代理，幾乎所有新增Token需求都屬於彈性需求。

推理服務商/Token賣方

也就是Token供給方（Fireworks、Baseten、Together AI 等廠商）。服務商消耗 GPU 算力小時生成Token，並在撮合平台上報Token報價。各家推理服務商在價格、性能多個維度存在差異，我們將在微觀結構章節展開詳述。

撮合平台/交易所

該平台對接Token買方與推理服務商，並收取服務費用。Token交易領域最典型代表即為 OpenRouter。

但Token撮合平台和傳統交易所有一處關鍵區別：並非雙邊交易市場。用戶可以向推理服務商購買Token，卻無法將Token賣回服務商或是第三方。根源在於Token屬於按需生產、交付即消耗的產品，不存在可供倉儲、轉售的存量。一類標的如果天然不存在買方報價盤（bid 端），價格發現機制會受到顯著制約。

那麼，缺少完備價格發現機制，在實際場景中表現如何？

下方是 OpenRouter 上 DeepSeek V4 Pro 的實時服務商報價面板：同一款開源模型，同時存在 18 家服務商掛出報價。

有三點現象十分突出：

  • 第一，Token報價集中在一個人為錨定價位。報價列表底部共有五家服務商（Weights & Biases、Together、Fireworks、Baseten 以及 Parasail）給出完全一致的報價：輸入Token 1.74 美元 / 輸出Token 3.48 美元。所有主流開源模型都存在相同規律。在 Kimi K2.6 模型報價中，七家服務商報價統一為 0.95 美元 / 4.00 美元（其中包含月之暗面原生平台）。

而在 GLM-5.2 模型報價中，六家服務商給出完全一致的 1.400 美元報價（包含智譜 AI），另有六家服務商以該基準錨定價為基礎推出促銷折扣。

有意思的是，模型官方一手報價並非永遠是市場底價。DeepSeek 官方提供最低價的 V4 Pro 接口，但在 Kimi K2.6、GLM-5.2 以及 V4 Flash 模型賽道，第三方服務商報價能夠低於該錨定價。

  • 第二，報價區間跨度極大，交付質量參差不齊。以 DeepSeek 為例，17 家服務商報價區間為 0.435 美元至 1.74 美元，價差最高達到 4 倍。量化精度相關資訊由服務商自主填報，且往往披露不全；五家報價相同的廠商里，有三家並未標註量化方案。新入場者很難區分：低價究竟源於服務商算力調度效率更高，還是模型精度被降級。

  • 第三，Token市場不存在促使價格收斂的機制。由於市場僅有單邊報價盤，同時缺乏二級市場 —— Token無法轉售，也就不存在可供套利的交易場所。

現階段Token本身無法交易，但深入拆解Token交易各方的微觀結構能夠發現，雙邊市場形態轉移至其他環節。

推理市場微觀結構

本文所指的微觀結構，聚焦Token交易底層運行機制：各參與方實際持有的標的、利潤空間如何形成，以及各方賬面承載的風險。

Token買方

毛利 = 使用Token創造的價值 − Token採購成本

買方採用價值導向商業模式：消耗Token，並對外輸出具備價值的產品。因此，想要最大化毛利，就必須持續壓低Token成本。當前買方主要通過以下方式實現：

  • 高效模型流量調度：Coinbase 將請求調度至開源模型，Token現金支出削減 90%，在Token調用量指數級增長的同時穩住 AI 總成本。Lindy 將全部流量切換至 DeepSeek，節省數百萬成本。Cognition 與 Factory 已在自研框架內內置模型調度能力；Cursor 昨日上線自研調度系統，可為用戶降低 60% 成本。以上現象說明：在非高價值任務場景中，開源模型正在從閉源前沿實驗室手中搶占Token流量。

  • 業務負載重構：批量任務定價僅為實時調用價格的一半；緩存機制能夠將重複請求的成本降低 60%–80%。例如 Sail Research 專注於長周期後台智能代理任務，對於能夠容忍分鐘級延遲、無需毫秒級響應的業務，宣稱每美元算力可產出最高 12 倍的Token。

  • 採購流程專業化：流量調度策略、多模型預算配比、模型替代方案正逐步成為主營業務成本管控工具。雲服務行業也曾經歷相似轉變：當 AWS 賬單規模擴大後，FinOps 團隊應運而生負責成本管控。如今Token支出領域正在復刻這一歷程。

撮合平台（交易所類比）

撮合平台毛利公式：毛利 = 價差 + 服務費 + 其他衍生收入

對於 OpenRouter 這類Token撮合市場而言，平台本身不存在加價價差 —— 服務商報價直接原價流轉。但 OpenRouter 在用戶充值時收取 5.5% 服務費；若平台總交易規模（GPV）達到 10 億美元，可實現 5500 萬美元凈收入。

這 5.5% 屬於便捷服務費。OpenRouter 提供模型聚合能力（單一賬號即可調用 400 餘款模型）、統一賬單、故障容災保障、完善交互體驗，近期還上線智能自動選型功能 openrouter/auto（類似 Coinbase 內部搭建的模型調度系統）。選用 OpenRouter 的核心優勢之一，是能夠接入全部可用算力資源，故障兜底是核心價值點。即便應用或企業自建內部調度聚合系統，算力服務商通常也會優先承接 OpenRouter 下發的流量。

聚合平台掌握終端用戶體驗，理論上可以向交易兩端收取收益，而非僅向買方收費。未來 OpenRouter 或許會向推理服務商抽取費用，憑藉導流分成服務商毛利，模式類似於 Robinhood 向 Citadel 收取訂單流付費。

與此同時，OpenRouter 存在切換成本，但並非無法逾越。1000 萬美元Token支出，意味著需要向 OpenRouter 支付 55 萬美元服務費。平台不承擔任何風險卻收取 550 個基點的交易費用，該水平偏高；想要長期維持無本金風險下的高額毛利存在難度。市場大機率會出現以低價引流的競爭者，但競爭者需要在產品體驗層面展開比拼。

當然，撮合平台仍存在維持分成比例的抓手。用戶採購階段無法直觀辨別Token質量，而 OpenRouter 作為買賣雙方之間可信仲介，統一記錄各家推理服務商的量化方案、可用率、延遲、吞吐以及數據使用規則。平台可以憑藉這種第三方核驗與信任能力收取費用，運作模式類似評級機構。

推理服務商

Baseten、Fireworks、Together AI 這類推理服務商自有或租賃 GPU 資源，在硬體上運行模型推理。絕大多數推理服務商僅可部署開源模型；而 Anthropic、OpenAI 閉源模型推理服務僅能由原廠，以及亞馬遜 Bedrock、Google Vertex 等基礎設施合作夥伴提供。

推理服務商盈虧公式：盈虧 = Token銷售收入 − Token生產成本

做市商持續報價、持有庫存，賺取庫存成本與市場訂單成交價之間的價差。與之類似，推理服務商為自產Token持續報價，以GPU 算力小時作為生產Token的庫存載體，賺取Token生產成本與市場售價之間的價差。

不同推理服務商所能提供的Token存在不同 「品質等級」。即便運行同一款模型，各家在非價格維度上仍存在顯著差異：

  • 量化精度（FP8 / FP4 / INT8）：權重占用比特數越低，推理成本越低、速度越快，但會在一定程度上損失模型輸出質量。

  • 首詞生成時延（TTFT）：從發起請求到返回首個輸出Token所需時長，面向人類對話場景至關重要。

  • 每秒Token產出（TPS）：流式輸出的速度，對智能代理類任務尤為關鍵。

  • 服務可用率：業務緊急請求期間服務商發生中斷會造成嚴重負面影響。

對於推理服務商而言，收入 = 流量規模 × Token單價。而在撮合平台上，流量會流向綜合競爭力最強的報價（OpenRouter 按照 1 / 價格平方 權重分配流量）。因此想要在具備競爭力的報價水平上守住利潤，就必須壓低Token生產成本。在 OpenRouter 平台機制下，同等質量條件中最低報價會優先獲得流量，市場或將自然演化出低價引流的競爭格局。

某種意義上，推理服務商針對 GPU 算力小時執行裂解價差（Crack Spread）策略。原油市場中，煉油商的裂解價差，即採購原油原料與銷售成品油（汽油、柴油）之間的毛利。煉油商做多原油、做空成品油，依靠煉化環節賺取兩端價差。與之相似：推理服務商做多遠期 GPU 算力小時、做空現貨Token，推理服務棧就相當於中間的煉化工廠。

我們可以寫出服務商每 GPU 小時的毛利公式：m=p⋅R⋅u−c。

其中：

  • p = Token單價

  • R = 煉化產出率（每 GPU 小時可生成的Token數量）

  • u = 算力利用率

  • c = GPU 小時租賃成本

我們通過實例直觀理解：固定 GPU 小時成本為 2.74 美元 / 小時（7 月 21 日 Ornn H100 算力報價）。某服務商以此價格租賃算力，Token定價 0.90 美元 / 百萬Token，輸出速度 1000 Token / 秒。算力滿負荷運行時每小時產出 360 萬Token，對應收入 3.24 美元 / 小時，扣除 2.74 美元租金，每小時價差收益 + 0.50 美元。若算力利用率降至 50%，收入減半至 1.62 美元 / 小時，價差轉為虧損 −1.12 美元 / 小時。該場景下，這套 「裂解價差」 模式的盈虧平衡利用率為 85%。

有兩點需要注意。第一，Token單價（p）與Token產出率（R）二者相互制衡。想要提升響應速度，就要縮小批處理規模；而更小的批次意味著單 GPU 小時產出的Token數量變少。更快地為用戶提供服務，能夠支撐更高定價，但會壓低Token產出率。這也就解釋了：相同模型、相同硬體條件下，吞吐 50 Token / 秒的定價為 0.56 美元 / 百萬Token，而 125 Token / 秒的定價可達 4 美元 / 百萬Token。服務商通常會優化自身服務棧，選擇在這條權衡曲線上占據特定營運點位。

第二，上述案例中 15% 的毛利率，遠低於當下推理服務商實際披露的 45%–50% 毛利率水平。

服務商可以通過以下方式增厚利潤：

  • 提高定價（p ↑）：承接吞吐量 — 成本曲線遠端的用戶流量，支撐更高報價；

  • 壓降低成本（c ↓）：簽訂長期 GPU 算力鎖定協議；

  • 提升利用率（u ↑）：動態調度、復用 GPU 算力集群（下文詳述）；

  • 拉高產出率（R ↑）：對推理服務棧進行深度優化（下文詳述）。

Token 單價 p 由賣方市場競爭決定，算力成本 c 由 GPU 市場行情決定。產出率 R 與算力利用率 u 是服務商能夠完全自主掌控的兩大變量。

因此，服務商致力於最大化 R，並依託這兩個維度構建相較於同行的差異化競爭力。優化成本、提升Token產出率 R 的主流技術手段如下：

  • 模型量化（FP8 → FP4/INT4）Token：解碼環節受限於內存帶寬：每生成一個輸出Token，都需要從高帶寬內存（HBM）中持續加載模型激活權重。採用 FP4 替代 FP8 量化方案，單個權重占用字節數減半，帶寬占用同步降低。生產環境中 FP4 相比 FP8 可實現 1.8 倍產出提升；搭載 FP4 量化的 B200 算力，單位成本性能最高可達 FP8 模式下 H200 算力的 3.65 倍。但量化優化需要犧牲一定模型輸出質量。

  • 前綴緩存 / KV 緩存：智能代理髮起的絕大多數工具調用，僅在原有提示詞末尾新增少量文本，主體內容重複。服務商無需每次從頭完整處理整條提示詞，而是緩存上一輪的計算結果，僅增量處理新增內容。生產環境中，代碼智能代理場景下提示詞復用率可達 85%–97%；緩存復用率從 0 提升至 90%，GPU 算力開銷大約降低 90%。針對智能代理流量，緩存命中率是決定算力成本最核心的指標。

  • 推測解碼（Speculative decoding）：輕量 「草稿模型」 提前預判後續多個Token，主大模型一次性批量校驗全部預測結果。校驗運算成本遠低於從頭生成Token，主模型單次讀取權重資源即可產出多個Token，而非單個Token。

  • 預填充/解碼任務分離：部署預填充（處理輸入提示詞）屬於算力密集型任務，解碼（生成回復內容）屬於帶寬密集型任務，但兩類任務原本共用同一批 GPU 資源。將兩類任務拆分至獨立算力集群，分別針對各自瓶頸專項調優，整體性能可提升 10%–30%；機櫃級集群上運行大型混合專家（MoE）模型時，單 GPU 最高可實現 4.4 倍吞吐提升。

  • MoE 專家模塊並行：調度前沿混合專家模型，每生成一個Token僅激活 3%–5% 的參數。將不同專家模塊分散部署在 32–144 張 GPU 上，縮減單卡所需存放的權重容量，釋放 HBM 資源承載更大批次；僅依靠專家負載均衡，就能實現 1.5–2.5 倍吞吐增長。DeepSeek 自有算力集群已採用該架構（提示詞預填充單元配置 32 卡，生成解碼單元配置 144 卡）；開源推理引擎 SGLang 已在 96 卡環境復現該部署方案，英偉達機櫃級 GB200 NVL72 系統正是圍繞該架構設計。

各類優化手段具備乘數效應。儘管模型參量持續擴大，GPU 小時租賃價格有所上漲，但歷經多輪迭代，推理成本仍大幅走低。DeepSeek 旗艦模型輸出Token報價自 2025 年 1 月以來下跌約 8 倍（R1 模型 2.19 美元 / 百萬Token → V4 Flash 模型 0.28 美元 / 百萬Token）；同期 H100 算力指數反而上漲 17%，價格由 2.34 美元升至 2.74 美元。

推理服務商依託上述各類優化技術構建自研深度能力，以此形成差異化競爭。Fireworks 開發了定製注意力算子 FireAttention，加載相同模型權重時，推理速度達到原生 vLLM 的 4 倍，在低時延業務場景具備顯著優勢。Together 打造了 ATLAS 推測解碼系統，該系統的草稿模型能夠基於實時流量持續學習，實現提速效果隨業務規模疊加放大。Baseten 為每位客戶訓練定製化 EAGLE-3 草稿輸出頭，在專屬私有化部署領域表現突出。SAIL 則針對時延不敏感業務完成全棧調優，深耕長時間運行的後台智能代理任務。

但這類優化方案最終都會向 vLLM、SGLang 等開源推理引擎擴散。由此，推理服務商依靠技術優勢獲取的超額收益會逐步衰減，並且技術擴散、優勢消退的速度還在不斷加快。預填充與解碼任務分離技術耗時 11–16 個月完成普及；多頭隱注意力（MLA）耗時 3–8 個月；EAGLE-3 僅用時 1–2 個月；到 DeepSeek V4 發布時，官方開箱即附帶當前性能領先的推理服務棧。

技術優勢消退具備結構性特徵。並非所有優化方案都會對外公開，但重大技術突破大多會以論文形式發布 —— 研發這些技術的實驗室，希望自家模型一經推出就能獲得廣泛、低成本的推理部署支持。紅帽資助 vLLM 核心維護團隊，英偉達也持續向 vLLM 與 SGLang 兩大開源項目貢獻代碼。

行業內還存在另一層運作細節：部分開源模型實驗室與推理雲服務商深度合作，允許服務商在模型正式開源前提前獲取權重文件；作為交換，服務商需要把該模型無服務器推理業務生命周期收益的 15%–30% 分成給實驗室。推理服務商相當於出讓一部分未來收益，換取十天先發窗口期，提前完成算力優化、圍繞新模型上線規劃算力儲備。服務商還可以擴容儲存資源，提升緩存命中率，以此吸引更多流量。模型生命周期普遍較短，新版本發布初期的流量爆發階段盈利空間可觀，這一幕很像做市商在首次公開發行（IPO）或代幣發行（TGE）期間爭奪訂單流量。

由此可見，推理服務棧帶來的技術優勢僅具備短期時效，和所有交易超額收益一樣，服務商必須持續創新才能守住優勢。

因此，當推理技術優化空間（產出率 R）見頂之後，主營業務成本管控重心就轉向金融與資源調度層面：

  • 算力調度優化（提升利用率 u）：服務商通常將算力集群劃分為兩類資源：專屬算力（客戶鎖定指定 GPU 專供自身模型使用）與面向大眾的共享無服務器算力池。專屬算力按全天計費，但很難做到全天候滿載，閒置時段具備可預測性。其中關鍵解法在於：絕大多數客戶微調方案採用 LoRA 適配器 —— 只是疊加在基礎模型之上的小型權重增量，而基礎模型早已加載在顯存中。當專屬客戶夜間業務低峰時，服務商可以卸載該客戶的 LoRA 適配器，將共享無服務器流量調度至這片預留 GPU；待客戶業務恢復，再切回原有適配器。通過這套模式，同一單位 GPU 小時算力基本實現兩次售賣：一次作為算力預留資源，一次承接共享流量，把有效算力利用率從 50% 推高至 120%。這和航空公司超售機票邏輯相似：航司預判部分乘客不會登機，而此處的 「空座」 就是專屬客戶的算力閒置時段。

  • 算力成本管控（壓降低成本 c）：算力是整條Token交付供應鏈中占比最高的成本項。每創造 100 美元價值的Token，大約有 50 美元消耗在 GPU 算力租賃上。GPU 小時是生產任意Token的標準化投入品，貫穿Token全生命周期，處於核心地位。自建 H100 算力的綜合總成本構成如下：

現階段，推理服務商依靠長期合約與短期租賃協議管控算力成本 c，同時獨自承擔全部資產折舊、價格波動風險。GPU（以及顯存）期貨、遠期曲線這類金融衍生品，能夠幫助推理服務商轉移風險、高效管控成本。

換言之，當推理服務商軟硬體優化空間逐步趨近上限，其經營模式會愈發趨近於交易帳戶。

算力期貨：雙邊交易市場

一類可交易標的需要滿足兩大條件：標準化（單位標的之間可相互替代）、穩定性（當下簽訂的合約，到期交割對應同一種商品）。

目前Token無法滿足以上兩點：

  • 標準化不足：Token是由「模型 × 量化方案 × 上下文窗口 × 時延等級」共同構成的組合產品。即便鎖定同一模型，也會衍生出大量品質組合：3 種量化方案 × 2 種上下文配置 × 3 檔時延等級，單款 「同款」 模型就能形成 18 種互不通用、不可互換的產品。

  • 穩定性不足：新型模型的市場存續窗口持續收縮。當前平均每 41 天就有新模型發布，往往會讓一整批舊模型喪失競爭力，相關需求斷崖式下跌。

能否依靠Token指數解決該問題？作用有限。Token定價由模型實驗室自主決定，機制本身存在被操縱的空間。即便是 SIT 提案，也僅標準化了輸入條件、針對模型本身打分，而非面向實際推理服務環節 —— 而品質差異恰恰產生在服務側（相同模型權重，不同服務商運行下工具調用能力得分區間可達 76%–100%）。

因此，Token指數僅適合作為參考價格，無法實現風險轉移。風險轉移必須下沉一層，落在具備同質性的生產要素：GPU 算力小時。

GPU 算力小時領域已經誕生用於標準化價格發現的行業指數，例如 Ornn 算力價格指數；同時也出現具備雙邊流動性的交易平台，如 Architect Innovation Exchange。

推理服務商為何必須管理 GPU 價格風險？推理服務商全部成本端，只依賴一項波動劇烈的現貨投入品 —— 算力採購成本。在公式 m=p⋅R⋅u−c 中，服務商能夠掌控產出率R與算力利用率u，Token售價p由市場競爭決定；而算力成本c隨行就市，現貨市場年化實際波動率均值高達 130%，當前實際波動率已達到 312%。

實際上，供應商的資產組合包括自有 GPU 庫存、1-3 年期合約以及價格接近現貨指數的短期租賃。如果不進行對沖，這種組合在價格波動中會遭受損失。

當租金飆升時（2026 年 5 月：比谷底上漲 101%），現貨交易的成本翻倍，而 Token 價格保持停滯（到目前為止，Token 價格一直在單調下降），因此每一分每一秒的 GPU 服務都會造成虧損。

而當算力租金大幅回落（最低觸及 1.63 美元）時，長期算力合約的採購成本高於現貨市場價；競爭對手採用現貨算力租賃，能夠給出低於該服務商成本線的Token報價。

引入對沖機制後，毛利公式更新為：m=p⋅R⋅u−(F0+f)其中：F0 = 對應鎖定期限的期貨價格；f = 持倉資金成本（占用作初始保證金的擔保資金，外加逐日盯市變動保證金成本）。

和所有期貨品種一樣，市場存在正向市場（升水）與反向市場（貼水）兩種結構。我們藉助一組模擬遠期曲線舉例說明：

  • 正向市場（Contango，F0>cspot）：遠期曲線向上傾斜，買方需要承擔持有成本。毛利表達式寫作：m=p⋅R⋅u−(cspot+持有成本+f)。回顧 2 月算力供給過剩階段：現貨價格跌至 1.63 美元，而本次模擬期貨報價高於現貨 ——5 月交割合約報價 2.05 美元，更遠期合約報價 2.20 美元。背後邏輯是市場預期算力租金將會均值回歸。當時開展對沖的服務商，需要相比現貨溢價 0.40–0.60 美元鎖定期貨價。等到 5 月算力緊張推動現貨價格飆升至 3.28 美元時，完成對沖的服務商仍只需按 2 美元成本結算，鎖定了 1.28 美元的成本價差。

  • 反向市場（Backwardation，F0