反复让AI改几个词却消耗大量Token，根源在于每次修改都是一次完整的“重读上下文+重写全文”——模型不会只处理你指出的那几个字，而是把整段对话历史连同修改指令重新过一遍，输出端再从第一个字重新生成。海外模型Fable 5.2有一个直接对照：每百万Token单价降了两成，但同一套编程题最高档单任务花掉44.7美元，低档只要2.1美元，产出Token量反而多了七成。
一、Token账单分三块，改词主要烧在输出端
输入Token：你发的修改指令、贴回的原文、以及模型每次都要重新读取的整段对话历史，都算输入。
输出Token：模型重新生成的完整回复。输出Token需要逐次生成、计算密集，定价通常是输入的数倍。
缓存Token：稳定不变的前缀内容（如系统提示、已上传文档）可以走缓存复用，单价更低。改几个词时如果对话已经很长，缓存没命中，整段历史就按输入价重新计费。
二、多轮对话是滚雪球，不是“只处理最后一句”
历史全程携带：模型每一轮都要重新读取此前所有对话。有用户讨论提到，对话进行到15—20轮后，每条新消息的隐性成本会因历史堆积而明显上升。
越改越长的上下文：每次让AI“再改改”，上几轮的草稿、修改意见、被否掉的版本都留在上下文里，后续每轮都在为这些冗余内容付费。
输出端整篇重写：哪怕只改一个词，模型也是从回复的第一个Token开始重新生成，不是局部替换。
三、两种“活法”的分野就在这一步
把AI当“一次交付工具”：先自己改好再让AI做大规模重构或初稿生成，零星字词自己动手，Token花在刀刃上。
把AI当“反复打磨的助手”：几个字也发一轮修改指令，对话越拖越长，输出端整篇重写，Token大量消耗在重复生成上。
分界点：大规模逻辑调整、结构重写交给AI是划算的；个别措辞、少量文字微调，人自己改几秒完成，反而更高效。