Meta 推出“贡献者定价”模式：分享数据换九五折优惠
Meta 近日为面向编程与 AI 代理场景的新模型 Muse Spark，引入了一种颇为激进的定价策略——用户若同意将自己的提示词与模型输出共享给 Meta 用于未来模型训练，可享受约 95% 的折扣。这一做法将“数据贡献换优惠”从隐性的默认选项，变成了明码标价的商业产品。
核心数字对比
| 标准定价（每百万 Token） | 贡献者定价（每百万 Token） | |
|---|---|---|
| 输入 Token | $1.25 | $0.10 |
| 输出 Token | $4.25 | $0.20 |
也就是说，同等用量下，选择贡献者计划的企业用户成本仅为标准版的 1/12 至 1/20。
Meta 在获取训练数据方面并不顺利。今年初，公司曾推出一项针对内部员工电脑使用行为的追踪计划（即鼠标追踪），因引发内部广泛争议于 6 月暂停。Muse Spark 的贡献者定价模式，可以视为 Meta 在外部绕过这一障碍的替代方案：通过直接向用户付费（以折扣形式）换取数据。
这一需求并非 Meta 独有。开发者 Mario Zechner（开源测试框架 Pit 的作者）向 TechCrunch 指出，2025 年 4 月至 10 月间编程代理能力出现大幅跃升，关键原因之一是 Claude Code 默认将所有编程会话存储并用于强化学习训练。对于 AI 厂商而言，真实用户与 AI 代理的交互数据，是打磨下一代模型的核心燃料。
企业为何抗拒“便宜但要数据”的方案
普林斯顿大学计算机科学教授 Arvind Narayanan 在社交媒体上指出，有充分证据表明，大型企业在模型训练数据使用上极为谨慎：即便按 Token 计费的 Enterprise 方案比订阅制消费方案贵 10 到 20 倍，这些企业仍会选择前者——因为前者通常明确不将用户数据用于模型训练。他将此形容为“数据治理”与“成本”之间的取舍困境。
Meta 的贡献者定价指南也暗示了这一点：折扣计划“降低了原型开发、集成测试和规模化实验的门槛，适用于那些认为用自己的数据训练模型是可接受的场景”。Narayanan 认为，这种机制有可能倒逼企业更仔细地区分哪些数据真正不可外传、哪些可以与模型厂商共享。
竞争格局：价格战持续加码
这一动态恰逢前沿模型厂商价格竞争加剧。Anthropic 近日发布的 Fable 和 Mythos 模型，已降低缓存 Token 的处理费用；OpenAI 则在 7 月底对最新模型实施了大幅降价。可以预见，数据获取成本与模型推理成本的同步压缩，将成为接下来各厂商竞争的关键维度。
评论