价格、成本与配比

一句话结论

1. 数据价格跨度约 6 个数量级：开源语料 $0，合成 token $0.6–10/百万输出 token，通用标注 $4–40/小时，美国专家 $55–100/小时，版权授权 5万–5,000 万/笔或年，RL 环境 $200/任务到 $30 万+/高保真复刻；画图需用对数轴。与 robotics 专栏不同，LLM 的数据可以按 token 折算，不同层能放进同一把尺子。
2. 版权层有一个硬锚点：Bartz v. Anthropic 和解 $15 亿、482,460 部作品（终审合格认领 440,490 部）、每部约 $3,100，2026-07-20 获最终批准（律师费裁定 $101,561,111，约占基金 6.8%，申请额为 $1.875 亿）[1][2]。按每本 10 万 token 假设，隐含价约 $31,000/百万 token（假设每本 10 万 token），比商用 API 输出价高 3 至 5 个数量级；但该款含盗版获取的赔偿性质，不能直接当训练授权价。
3. 开源模型配比披露分三档：Llama 3（50/25/17/8）、SmolLM3（分阶段 web/代码/数学）、OLMo 3 中训（约 100B 分类占比）有精确占比；Qwen3、DeepSeek、Kimi、GLM 只给总 token 与阶段结构；Mistral、Gemma 3、Llama 4 基本不披露占比。空格本身就是结论。
4. 数据成本在公开训练成本里不显形：DeepSeek-V3 的 $557.6 万只含算力租金 [24]；Epoch 的开发成本分解只有硬件 47–67%、研发人员 29–49%、能耗 2–6%，没有独立的数据采购项 [17]。
5. lab 级年度数据预算没有可核的一手数字。唯一有出处的是 Anthropic“讨论过”12 个月内在 RL 环境上花 $10 亿+（The Information，经二手转述，原文未直读），属讨论而非预算。

价格带

各层统一折算为“每百万 token 美元”的隐含价，折算假设：每本书 10 万 token、专家与通用标注每小时产出 2,000 token、RL 环境每任务 10 万 token、汇率约 7.3 元/美元。假设为估算，仅用于量级对比。

隐含价（美元/百万 token）：合成 API $0.6–10；用户数据折扣 $1.15–4.05；通用标注约 $2,000–20,000；中国专家约 $7,000–27,500；美国专家约 $27,500–50,000；RL 单任务约 $2,000–20,000；图书约 $31,000–50,000。

观察：同岗位不同帖差 2–3 倍，聚合站“平均合同时薪 $122”类数字不入图；中国最高档（¥400/小时，约 $55）约等于美国 PhD 中位，通用档价差仍约 3–10 倍。更多细分见 专家与标注时薪对照、RL 环境价格带与成本结构、LLM 数据价格带。

lab 的数据采购规模

授权层的单笔金额同样多为媒体转述：News Corp×OpenAI 超过 $2.5 亿/5 年（出自 News Corp 自家媒体 WSJ，OpenAI 未披露）[5]；Reddit×Google 约 $6,000 万/年（Reuters 单一信源，双方未披露）[4]；Wiley 单笔 $2,300 万、FY2026 AI 授权收入 $4,900 万（⚠️ 二手，待核原文）。

开源模型的数据配比

“-”表示未披露或未查到；日期取自论文/模型卡编号，为大致发布月份。百分比均为该阶段内占比。

同阶段内占比可比的只有三行：Llama 3、SmolLM3、OLMo 3 中训，其余多为总量与阶段结构。

数据成本在训练成本中的占比

数据 vs 算力的比值无法从公开口径算出：

• 预训练阶段：公开成本体系把数据采购归入“研发”或根本不计，无可核比值。
• RL 阶段方向不一：Mechanize 估算单任务终身算力约 $2,400（50 万 token × $15/百万 × group 64 = $480/次，假设复用 5 次；公司立场性估算），并称任务采购远低于约 $500/任务不划算（文中 $100 仅为假设）[8]，算力为主；而 Anthropic 传 $10 亿+ 环境预算说明环境仍可能是大头。两者矛盾，不能合并成比值。
• 可画的是时序方向：供应商年化收入从百万级升至 $10 亿级（⚠️ 未核实，口径不一）。
• “环境/标注成本已超训练算力”无出处，不作为事实。

合成层的代价可估：Nemotron-CC 的 1.9T 改写 token，按 DeepSeek 官方 deepseek-flash 输出价 $0.6–1.2/百万约 114万–228 万（⚠️ 作者估算），规模如此需自部署。

局限与争议

• 授权金额基本是媒体转述，条款保密；News Corp 的 $2.5 亿出自其自家媒体，Reddit 数字单一信源。
• Bartz 和解含“盗版库获取”的赔偿性质：法院裁定训练属合理使用、获取盗版不属，因此 $3,100/本不是训练授权价 [1]。
• 时薪多来自岗位页标价与聚合站，非实际成交；同岗位差异大，平台抽成未计入。
• DeepSeek $557.6 万被广泛误读为“总成本”；Kimi、MiniMax 的成本阶段与口径各异。
• 配比披露选择性强，且“占比”定义不一：Llama 3 的“通用知识”含 web 与书籍，SmolLM3 的 web 含多语。
• 合成成本公式依赖假设吞吐，未计入过滤、验证和失败样本；API 价目来自第三方聚合站。
• 多个聚合站数字（Remotasks 菲律宾 $4–7、Surge 肯尼亚时薪、Mercor 均值 $122）可信度低，仅作旁证。
• 价格带折算依赖人为假设（每本 10 万 token、每小时 2,000 token、每任务 10 万 token），换假设则隐含价按比例平移。

口径冲突与未核实

其余待核项：Handshake PhD $40–125/小时、Suno×Warner $5 亿、Shutterstock 数据授权 2024 年 $1.38 亿、Cloudflare 付费抓取 $0.001–0.25/次、独占溢价 4–5 倍，均为未核实。

来源

1. Jurist, Judge approves $1.5B Anthropic settlement: https://www.jurist.org/news/2026/07/judge-approves-record-1-5-billion-settlement-involving-anthropic/
2. Pearl Cohen: https://pearlcohen.com/federal-court-approves-1-5-billion-anthropic-copyright-settlement-largest-in-history
3. Publishers Weekly (HarperCollins): https://www.publishersweekly.com/pw/print/20241125/96533-agents-authors-question-harpercollins-ai-deal.html
4. The Register (Reddit-Google): https://www.theregister.com/2024/02/22/reddit_google_license_ipo_altman/
5. WION (News Corp): https://www.wionews.com/business-economy/openai-secures-major-content-deal-with-news-corp-724479
6. Epoch, State of RL envs: https://epoch.ai/gradient-updates/state-of-rl-envs
7. CXO Digital Pulse（转述）: https://www.cxodigitalpulse.com/?p=42733
8. Mechanize: https://www.mechanize.work/blog/cheap-rl-tasks-will-waste-compute/
9. Prime Intellect 融资: https://startupfortune.com/prime-intellect-raises-130-million-to-let-companies-own-their-ai-models/
10. Mercor STEM PhD 岗位页: https://jobrxiv.org/job/stem-phds
11. Mercor 经济金融专家岗位页: https://work.mercor.com/jobs/list_AAABmDCIaO-VFIBDIs5Fhako/economics-and-finance-experts
12. Mercor 印度科学编码评测岗位页: https://jobrxiv.org/job/scientific-coding-evaluator-stem-india
13. Casilli（AFP/Kenya 等）: https://www.casilli.fr/?p=12111
14. 蓝鲸（中国标注薪酬）: https://www.lanjinger.com/d/1765548724031120377
15. AI Weekly: https://aiweekly.co/alerts/alibaba-bytedance-pay-chinese-pros-15-74-to-train-ai
16. API 价目（第三方）: https://pricepertoken.com/pricing-page/model/openai-gpt-4o ；https://anotherwrapper.com/llm-pricing/claude-haiku-4-5-20251001 ；https://anotherwrapper.com/tools/llm-pricing/deepseek-r1-groq
17. Epoch 开发成本: https://arxiv.org/pdf/2405.21015 ；https://epoch.ai/blog/how-much-does-it-cost-to-train-frontier-ai-models
18. Llama 3: https://arxiv.org/pdf/2407.21783
19. OLMo 2: https://arxiv.org/pdf/2501.00656 ；https://huggingface.co/allenai/OLMo-2-1124-7B
20. Olmo 3: https://arxiv.org/abs/2512.13961
21. DCLM: https://arxiv.org/pdf/2406.11794
22. Qwen2.5: https://arxiv.org/html/2412.15115v1
23. Qwen3: https://arxiv.org/pdf/2505.09388 ；https://qwenlm.github.io/blog/qwen3/
24. DeepSeek-V3: https://arxiv.org/pdf/2412.19437
25. Kimi K2: https://arxiv.org/pdf/2507.20534v1 ；https://www.kimi.com/blog/kimi-k2.html
26. GLM-4.5: arXiv 2508.06471
27. MiniMax-M1: https://arxiv.org/pdf/2506.13585 ；https://minimax.io/news/minimaxm1
28. Gemma 3: https://arxiv.org/pdf/2503.19786 ；https://ai.google.dev/gemma/docs/core/model_card_3
29. Nemotron: https://arxiv.org/html/2412.02595v1 ；https://arxiv.org/html/2406.11704v1 ；https://arxiv.org/html/2508.14444v2
30. Tülu 3: https://arxiv.org/pdf/2411.15124
31. SmolLM3: https://www.huggingface.co/blog/smollm3
32. 模型卡：Apertus https://huggingface.co/swiss-ai/apertus-8b-instruct ；Falcon-H1 https://www.marktechpost.com/2025/08/01/falcon-llm-team-releases-falcon-h1-technical-report-a-hybrid-attention-ssm-model-that-rivals-70b-llms/ ；InternLM3 https://internlm.readthedocs.io/en/latest/model_card/InternLM3.html ；K2-V2 https://huggingface.co/IFM/K2-V2
33. Dolci-Instruct-SFT: https://huggingface.co/datasets/allenai/Dolci-Instruct-SFT-7B
34. Interconnects, DeepSeek V3 and the actual cost: https://www.interconnects.ai/p/deepseek-v3-and-the-actual-cost-of
35. DeepSeek API 定价页: https://api-docs.deepseek.com/quick_start/pricing

以上访问日均为 2026-10-15，多数为搜索摘要层面；标 ⚠️ 的项需直读一手原文复核。