截至 2026 年 11 月 13 日,Vercel 官方在 9 Nov 2026 发布的 Vercel AI Gateway Production Index 十一月号报告 仍是一份值得逐字读的网关侧观测页,署名 Amelia Charles 与 Harpreet Arora。这是一篇官方流量与支出口径报告的解读式横评,不是模型跑分横评:全文零跑分、零排名、零推荐,不比较强弱,也不给选购结论。报告里的数字一律按官方原文逐字引用,读法也按报告自己划定的口径走,不把媒体折算过的数字当成官方口径。
半衰期与采用节奏
报告最抓眼的一句,是 AI models now have a half-life of about six weeks,也就是标题里那句半衰期约六周。这里的半衰期是报告对采用节奏的一个观测说法,不是说模型过了六周就不能用了;about 一词也标明这只是近似,不是精确的截止日。把官方这句自行折算成别的周数或月份,都不是报告页上的原文,读的时候宜按原句逐字保留。半衰期讲的是换代理的速率,和模型本身能不能继续调用是两件事,把两者混在一起,就会把一份流量观测读成产品寿命说明。
同页还有几句官方限定:a typical model peaks within a month of launch,说典型模型在发布一个月内触到峰值;Four weeks later, three in four of the teams using it at its peak aren't using it anymore,说再过四周,峰值时还在用它的团队里已有四分之三不再使用;More than half of October's language-model requests went to models less than 60 days old,说十月里超过一半的语言模型请求流向发布不到六十天的模型;以及 a new version arrives every 61 days at the median,说按中位数算,每六十一天就有一个新版本到来。
这几句从峰值时间、团队留存、请求年龄和新版本间隔四个角度描述同一件事:模型更替很快。但它们是四种不同口径,不该合并成一个周数,也不该互相代替。半衰期约六周是宏观的换代理节奏,peaks within a month 说峰值来得早,three in four 说四周后留存下滑,less than 60 days old 说请求集中在新模型上,every 61 days at the median 说新版本到来的间隔,而且这里的 median 说的是一个分布的中位,不是对任何单个模型的保证。把它们分别读、分别引,才不会把观测写成结论。整段没有一句在给模型排座次,也没有一句在说哪个模型因此更强,这恰恰是这类流量报告的体裁:它记录的是用得多快被换掉,不是谁好用。
把这几句连起来看,还能看出报告在措辞上留了余地:peaks、three in four、More than half、median 都不是把话说满的词,而是分别对应峰值时点、留存比例、请求年龄分布和新版本间隔的统计描述。读者若要引用,稳妥的做法是连同这些限定一起引,比如把 about 保留、把 median 保留,而不是只摘出一个周数。这类观测的价值,在于它给出了一个网关上模型更替的速度感,而不在于把速度换算成某个可以直接套用到别处的定数;这一速度来自单一网关的观测,本身不附带跨平台的适用性,读的时候也不必替它补一个。
六款模型的使用广度
报告给出的是六款模型的使用广度,不是四档,也不是请求量排名。六个数字都按 reaching ... of paid teams 的口径写,意思是触达到多少比例的付费团队,而不是这些模型各拿了多少请求,更不是能力高低。官方逐字是 Sonnet 5.5 (reaching 26% of paid teams), Haiku 5.5 (22%), Haiku 4.5 (20%), and Opus 5.5 (18%). Jev (28%) and GPT-6 Luna (19%) are the other two。六个模型里四个来自 Anthropic,另两个是 Jev 与 GPT-6 Luna,两个都不能漏,写成四档就少了后面这一句的内容。
| 模型 | 触达付费团队比例 | 说明 |
|---|---|---|
| Sonnet 5.5 | 26% | Anthropic,标题里触达的数字 |
| Haiku 5.5 | 22% | Anthropic |
| Haiku 4.5 | 20% | Anthropic |
| Opus 5.5 | 18% | Anthropic,支出段另有一组口径 |
| Jev | 28% | 六款之一,不可漏 |
| GPT-6 Luna | 19% | 六款之一,不可漏 |
把这张表读成强弱榜会越出报告口径。26%、22%、20%、18%、28%、19% 说的是付费团队里有多少比例在用,是覆盖面;表里没有跑分,没有胜负,也没有谁替代谁的结论。标题里的触达 26% 指的正是 Sonnet 5.5 这一行的 reaching 26% of paid teams,而报告另处写的 26% of all requests 是请求口径,两处数字虽同为 26%,量的却不是一回事,读时不能当成同一个数。四个 Anthropic 模型同时出现,说明这份观测里该系覆盖面较广,但这只是组成上的描述,不是对任何一家的评价;Jev 28% 与 GPT-6 Luna 19% 同样只是触达比例,不能因为数字高低就推出优劣。读表时把触达和请求量分开,是理解整份报告的前提,因为下面的支出数字用的又是另一套分母。
还要留意表头里的口径名。reaching ... of paid teams 里的 paid teams 指的是付费团队,不是注册用户,也不是调用次数;一个模型触达 26% 的付费团队,意味着在这份观测的窗口里有这个比例的付费团队用过它,并不意味着它拿走了全部请求的 26%。报告把使用广度和请求占比分在不同句子里写,正是为了不让这两类比例被当成同一个数。表格只是把六个逐字数字排在一起便于对照,没有重新加权,也没有把不同口径的数字合并计算,因此表里不存在总分或名次。
支出与流量是两套口径
报告里最容易混在一起读的,是请求占比和支出占比。官方逐字写 In September, about one in six language-model requests went to models less than two weeks old,说九月里约每六个语言模型请求就有一个流向发布不到两周的新模型;又写 Opus 5.5 was the top model by spend in its first full month. It took about one in seven dollars across all teams,说 Opus 5.5 在上线满一个完整月时按支出计的份额居前,全部团队的支出里约每七美元有一美元归到它名下。about one in six 与 about one in seven dollars 都是官方原文的分数说法,前一句讲请求年龄,后一句讲支出份额,分母不同,也不宜自行折算成百分比。
两句都带着 about,都刻意用分数而不是百分比来写,这不只是文风。一旦折算成百分比,就等于替官方句声称了它并没有给出的精度,也容易诱使读者把两个本不在同一标尺上的数字拿来比较。逐字引用,才能让请求侧和支出侧的观测各归各。top model by spend 说的也只是支出,而不是能力名次或选购推荐,它出现在讲钱流向哪一段里,并不在讲哪个模型表现最好。
关于 one in seven dollars,还可以再补一层口径提醒:官方说这笔钱是 across all teams,也就是把该网关上所有团队的支出放在一起看,不是某一个团队的单笔账单,也不是某个行业的采购总额。把它和 reaching ... of paid teams 的触达比例放在一起读,会发现一个是团队覆盖比例,一个是支出份额,两者连分母都不一样;这两类比例在报告里是并列的两句,不是可以互相推算的两项,逐字引用即可,不必替它补一个换算。
报告还另外逐字列出 26% of all requests 与 0.53% of total spend 两个数字,一个属请求口径,一个属支出口径,官方把它们分开陈述,读的时候同样不宜把两组数字串成因果。更关键的是那句口径注记:Spend is estimated at published list prices; actual bills may differ,支出是按公布牌价估算的,实际账单可能不同。换句话说,报告里的钱是按统一牌价折算出来的观测量,不是各团队最终付给厂商的账单;把 about one in seven dollars 当作精确结算值会失真。全文不做价格横评,也没有单价对比表,因为定价本身不由这份流量报告回答。
这份观测的边界在哪
把数字放回它自己的范围里,才不会读过头。报告给的是单一网关的流量与支出观测:more than 100 trillion tokens a month 一句给出的是网关每月经手的 token 体量,说明样本不小,但它仍是一家网关的记录,不是全行业份额。语音侧占比升到 11%,七月时是 4%,是同一网关内部结构的变化,不是各家语音模型的能力对比。新付费团队第一次选择模型时,报告列出的占比是 Anthropic 42.7%、OpenAI 24.0%、Google 16.5%、DeepSeek 6.6%,这组数字描述的是团队入场时的首择分布,同样不是模型强弱榜,也不是全体开发者的选择比例。
报告的日期是 9 Nov 2026,署名与数字都以那一页为准;本文的时间锚点则是截至 2026 年 11 月 13 日,两者不混。前者是来源页的发布日,后者是本篇读数的时间点,报告里没有补进更晚的数字,也不拿外部数字去更新它。报告自己把支出限定为牌价估算,把使用广度限定为付费团队触达,把请求年龄、新版本间隔与首择分布分别列在不同句子里,这些限定合起来划出一条清楚的线:它是一份关于谁在被用、用得多快被换掉、钱按牌价怎么分布的观测,既不是模型能力评测,也不是跨平台行业份额统计。
线内是流量与支出的观测,线外是能力评测、行业普查和该选哪个的建议。把它读成强弱结论或选购建议,都已经越过报告逐字给出的范围。核验这些数字最直接的方式,就是回到 9 Nov 2026 那一页逐字对一遍,保留官方措辞,而不是用过折算值。
同理,more than 100 trillion tokens a month 这句只说明观测所依托的量级,不能反过来当成行业规模的证明;11% 与 4% 描述的是同一网关里语音请求占比的变化,不是各家语音模型之间的胜负;首择四家的占比说的是新付费团队第一次选了谁,不是这些团队此后一直用谁,更不是模型能力的排序。报告把首择、留存、峰值、请求年龄分别列开,等于提醒读者:每个数字只回答它那一句所问的问题。把某一句的回答挪去回答另一句的问题,数字虽是官方的,结论却已经不是官方的了。
与站内几篇横评的错角
站内已有的几篇横评各有各的口径,和本篇并不重合:免费层横评 写各家免费层能拿到什么,旗舰能力横评 写旗舰模型的定位,单价横评 写每百万 token 的牌价,轻量档横评 写轻量执行模型的取舍。那几篇的对象是免费层、能力、单价或轻量档,本篇的对象是 Vercel 官方报告里的流量与支出口径,尤其要和免费层那篇错开:一个谈能不能免费用,一个谈付费团队里谁被触达、钱按牌价怎么分布,问题不同,结论不能互相套用,触达 26% 这样的数字也不能搬去论证免费层或每百万 token 的单价。
常见问题
Q1:这篇横评和站内的免费层、单价、旗舰、轻量档横评有什么不一样? A1:那几篇分别写免费层、能力、单价与轻量档,本篇只解读 Vercel 官方报告逐字给出的流量与支出口径,不重做能力横评,也不给选购建议。
Q2:半衰期约六周是不是说一个模型只能用六周? A2:不是。官方逐字是 AI models now have a half-life of about six weeks,是报告对采用节奏的观测,about 标明是近似而非截止日;同页还有 a typical model peaks within a month of launch、three in four of the teams using it at its peak aren't using it anymore 等不同口径的句子,都不宜折算成别的周数。
Q3:那张六款模型的表,列的是请求量还是付费团队触达率? A3:是 reaching ... of paid teams,即触达了多少比例的付费团队,共六个模型:Sonnet 5.5 26%、Haiku 5.5 22%、Haiku 4.5 20%、Opus 5.5 18%、Jev 28%、GPT-6 Luna 19%。它不是请求量,也不是能力评分。
Q4:about one in six 和 about one in seven dollars 能写成百分比吗? A4:不宜。两者是 Vercel 官方原文的分数说法,前一句讲九月里发布不到两周的模型拿到的请求,后一句讲 Opus 5.5 上线满一个完整月时的支出份额,分母不同;引用时按官方逐字保留,自行折算会失真。
Q5:这份报告能当作模型能力评测或选购依据吗? A5:不能。它是单一网关的流量与支出观测,不是模型能力评测,也不是全行业份额;支出还带着 Spend is estimated at published list prices; actual bills may differ 的注记。把它读成强弱结论或该选哪个,会越过报告逐字给出的范围。
延伸阅读
如果读完这份报告,想顺着网关与成本两条线再往下看,站内另有 AI 网关横评 处理网关选型,以及 token 成本横评 处理 token 成本的算法,两篇都和本篇的流量与支出口径不同,可对照着读。若想回到报告本身,按 9 Nov 2026 那一页的逐字数字核一遍,仍是本篇最直接的核验方式。