Meta 以近九成半折扣換取 agent 使用資料，團隊應怎樣取捨

圖片：TechLab 自製資訊圖

TechLab 編輯部（譯）·2026-09-04

Meta 為用於驅動 coding 及其他 agent 的新模型 Muse Spark，推出明確以資料交換折扣的收費層級。據 TechCrunch 報道，用戶若同意分享 prompt 與模型輸出、協助日後模型開發，輸入與輸出 token 價格可較標準協議低得多。這會直接吸引正在大量試驗 AI agent 的開發團隊；但最重要的限制也很清楚：低價的前提，是團隊認為相關資料可用於訓練。

這種安排把平日容易被藏在條款內的資料取用，變成可量化的商業交換。對只是在做原型、以公開資料測試工作流程的團隊，折扣可能十分實際；但若 agent 會讀取客戶文件、私有程式碼、內部故障紀錄或商業策略，節省 API 成本未必足以抵銷資料外流、合約責任及日後管治成本。採購方不應把 contributor tier 視為處理一切工作負載的預設選項。

價格差距有多大

TechCrunch 引述的定價顯示，標準協議下每 100 萬個輸入 token 收費 1.25 美元，contributor tier 則為 0.10 美元；每 100 萬個輸出 token 的價格，則由 4.25 美元降至 0.20 美元。換言之，若某個工作負載剛好各用 100 萬輸入及輸出 token，帳單可由 5.50 美元降至 0.30 美元，按數字計約少 94.5%。對反覆執行、多步推理並大量產生程式碼或文字的 agent，這類差距會很快反映在實驗預算上。

不過，token 單價只是可見的一部分。agent 的實際成本還取決於工作流程是否要重試、是否有大量長上下文、工具調用後會否再產生新一輪輸入，以及團隊為隔離資料而增加多少工程工夫。折扣足以改變「能否負擔大規模測試」的答案，卻不會自動處理資料分類、權限控制與審批。把價格表當成唯一決策依據，容易令便宜的測試環境成為日後最難收拾的資料入口。

可分享的實驗資料，與不可分享的生產資料

Meta 的定價指南把 contributor tier 描述為適合原型開發、測試整合，以及在可接受以資料訓練時擴大實驗的情況。這句定位其實提供了一條實用分界：團隊可以把已公開的程式碼、人工製作的測試案例、去識別化的 dummy data，以及不含客戶內容的評估 prompt，放進較低價的實驗軌道；涉及真實客戶、未公開產品、帳戶憑證、原始碼庫或內部營運資料的工作，則應留在資料處理條款更清晰、管治機制較完整的安排內。

這不是單靠在 prompt 前加一句「請勿保留資料」便可解決。以 coding agent 為例，開發者要求它修正一項 bug 時，送出的上下文可能包括檔案名稱、註解、系統設計、錯誤日誌和相鄰程式碼；模型輸出亦可能重現敏感邏輯。即使單一片段看似普通，持續累積的 session 仍可勾勒出產品架構與團隊工作方式。因此，企業應按資料來源而非按使用者職位劃分路由：同一位工程師可以用 contributor tier 跑公開範例，卻不應因為方便而把生產問題直接送往同一通道。

模型公司為何願意補貼用戶

這項收費設計也反映 agent 模型面對的資料難題。TechCrunch 引述開源工具 Pi 開發者 Mario Zechner 指出，coding agent 能力在 2025 年一段時間明顯躍升，與 Claude Code 預設保存 coding agent session、用於強化學習訓練有關。無論個別模型的因果關係如何，這至少說明真實任務軌跡——用戶如何拆解問題、何時調整指令、工具失敗後怎樣修正——對改善 agent 很有價值，遠超一條孤立的問答。

然而，當 agent 從寫程式延伸至更多專業工作，模型公司要取得有用資料會更困難。TechCrunch 引述普林斯頓大學電腦科學教授 Arvind Narayanan 的觀點稱，大型企業寧可選擇按 token 計費的 Enterprise 計劃，也不願使用折扣很大的消費者訂閱；他認為關鍵差異在資料保留與企業 IT 管治。這是受訪者的分析，並非 Meta 對其 enterprise 政策的說明，但它點出企業買的往往不只是模型能力，也是在買資料用途的可預期性。

從這角度看，Meta 用折扣換資料，是把取得訓練素材的成本直接付給用戶，而不是單純減價搶用量。對模型供應商而言，更多接近真實工作的 prompt 和輸出有助評估 agent；對用戶而言，回報是大幅較低的運算開支。問題在於，兩邊獲得的價值並不必然對等：供應商可從跨越多輪任務的資料中持續受益，企業卻要自行判斷某次分享會否觸及客戶承諾、知識產權或內部規範。

團隊部署前應先問的問題

實際採用時，較穩妥的做法是先把工作負載分成可公開重現、可去識別化處理，以及完全不可外送三類，然後才估算各類 token 用量與節省金額。第一類可用來壓低原型成本；第二類仍要檢查去識別化是否真的移除了可回推身分、客戶或商業資訊的線索；第三類則不應因折扣而改變資料處理原則。這樣做未必最省事，但可避免團隊在試驗期建立一條日後難以關閉的資料流。

管理層亦應要求供應商文件明確回答：哪些內容會被保留、用途是否包括訓練、保存多久、誰可存取、可否刪除，以及這些安排會否隨帳戶層級或功能改變。TechCrunch 報道稱 Meta 沒有回應其有關新定價模式的提問，因此外界現時能確定的是折扣與分享資料的交換框架，未足以由此推斷所有企業級資料保留細節。對有客戶合約與合規責任的組織，這些條件應在把 agent 接入內部系統前逐項核實。

接下來值得觀察的是，其他模型供應商會否以相近方法，把資料使用權與 token 價格更直接地綁定，以及企業會否因而建立更細緻的 AI 資料分流制度。對想以 agent 提高研發效率的團隊，最合適的策略很可能是同時保留兩種軌道：用可分享資料取得低成本迭代速度，並為敏感工作維持較嚴格的資料保留與 IT 管治安排。