Revolut 将 2000 名工程师迁移至自托管 GLM，成本约为 Anthropic 和 OpenAI 的十分之一
Revolut 将约 2000 名工程师迁移至自托管的开源权重 GLM 模型部署，用于编码工作，并将 Claude Code 和 Codex 列入例外清单。这一消息来自 Guillermo Flor 在 X 上的帖子，其中引用了 Revolut AI 运营负责人 David Abitbol 的说法。报道的数据包括 56 块 Nvidia B200 GPU，混合成本约为每百万 token 0.30 美元——约为 Revolut 此前支付给 Anthropic 和 OpenAI 费用的十分之一——以及工程交付周期 70% 的改善。
讨论中最有分量的细节并非价格本身，而是其背后的工作流程变化：当工程师不再定量配给 token 时，生产力提升才显现出来。
Revolut 改变了什么，以及谁报道的
Revolut 将其默认编码助手替换为自托管的 GLM 部署，并将此前使用的前沿 API 降级为例外状态。这一说法来自 Guillermo Flor（@guilleflorvs）在 2026 年 11 月 2 日发布的帖子，其中将运营细节归功于 Revolut AI 运营负责人 David Abitbol。帖子称，约 2000 名工程师已迁移，Claude Code 和 Codex 被列入例外清单，且这一变更覆盖编码工作。帖子还感谢 Oliver Molander 提供线索。
Hacker News 讨论串中没有任何独立确认，所有运营数据均为二手信息——它们源自 Abitbol 的叙述，由 Flor 转述。讨论中引用的最接近一手来源的是 Hacker News 评论者 swyx 链接的一段完整演讲录像，地址为 https://www.youtube.com/watch?v=Ok6QdZHCcI8。
成本与硬件数据
三个数字支撑了这则故事：56 块 Nvidia B200 GPU、约 0.30 美元每百万 token 的混合成本，以及工程交付周期 70% 的改善。Revolut 的混合 token 成本被描述为该公司此前支付给 Anthropic 和 OpenAI 费用的约十分之一。
Hacker News 评论者认为这一标题成本并不完整，而非决定性因素。gosen 尝试进行了回本计算：“所以他们投入了约 250 万至 300 万美元用于硬件，外加每月运营成本（电费、更新、冷却）。我想知道他们之前花了多少 token 费用才决定做出这样的切换。我的意思是，如果他们过去每月仅 token 费用就花 50 万至 100 万美元，那么假设基础设施稳定高效，大约一年左右就能回本。”gosen 还指出了该计算中的一个假设：这一估算仅在硬件自托管于 Revolut 自有数据中心而非从云提供商租用的情况下成立，后者成本更高。
两个实际问题被反复提及：
- corford 询问“混合 0.30 美元每百万 token”究竟意味着什么：“这是输入、输出还是两者的平均值？”对于任何将这一数字与 OpenRouter 上的公共 GLM 提供商进行基准比较的人来说，这一区别都很重要。
- mtrovo 询问该集群需要多少运营工作：“关键问题是，搭建一个 56 块 B200 的集群有多容易？是临时基础设施团队的工作，还是在 AWS 上点击按钮？”
在同一 X 讨论串中，NashBriggsy 提出了很少出现在 token 计算中的人力成本：“每百万 30 美分太惊人了。我想知道的下一个数字是，维持 56 块 B200 正常运行需要多少人，节省的钱通常悄悄消耗在这里。”koliber 提出了供应侧问题：“如果我想购买 56 块 B200，并且有 300 万美元，什么时候能交货？”
为什么取消 token 定量配给比基准分数更重要
该帖子的核心主张是，生产力提升来自解除约束，而非更好的模型。Flor 写道：“关键在于：当 token 不再定量配给时，收益才显现出来。工程师不再把 AI 留到棘手工单时才用，而是将其应用于所有事情。”
Hacker News 评论者 littlecranky67 从相反方向描述了同样的动态，观察到一个团队中，计量访问导致谨慎而非实验：“他们大多数在业余时间不玩 AI，而且被告知要明智使用 Claude token。现在每个人都害怕在工作时间玩或探索，担心被指责浪费 token。”该评论者补充说，这些工程师仍然需要工具技能，因为“他们大部分初级开发工作完全可以被 AI 取代。”
这是可以推广到 Revolut 之外的机制：当边际 token 成本下降一个数量级时，约束条件从预算转向习惯，收益体现在工具应用的广度上，而非单任务基准的胜利。
质量问题尚未解决
在 X 讨论串中，Kyle 对 90% 的成本削减提出了显而易见的后续问题：“代码质量变差了，还是只是更便宜了？”400_yen 认为，对于有经验的用户来说，差距很小：“说实话，对于资深工程师来说，差异可以忽略不计。也许如果你是初级工程师，Claude 比 GLM 聪明得多，但如果你知道自己在做什么，GLM 就足够了。少几个基准点不算什么。”
Hacker News 评论者 redmalang 报告了使用开源权重模型的类似生产模式，但有一个关于提示词具体性的警告：“如果你忽略‘便宜’等噪音，你可能会发现，只要多花一点精力更精确地定义需求，这些模型不仅通常表现同样好，而且通常更严格地遵循指令……它们在处理模糊提示词（如‘修复所有问题’）时表现较差，而事实证明，这恰恰是非常常见的提示词。”
aurreturn 预测差距会重新扩大而非缩小：“开源权重模型对大多数软件工程任务来说‘足够好’可能是真的。但目标会移动，我认为前沿实验室会找到需要绝对前沿的新领域。”
hmokiguess 将权衡描述为吞吐量优先于基准分数：“实际上，我愿意牺牲几个基准点来换取更高的 token 每秒吞吐量，尤其是如果有更多带宽，这样我可以扩展 swarm，那么我可能能够弥补任何下降，并获得更多价值。”
数据主权和监管是与价格不同的驱动因素
几位评论者认为，成本节省低估了受监管公司自托管的原因。jacquesm 报告称，在性能低得多的硬件上做了同样的事情：“我们做了同样的事情，硬件性能低得多，但对我们来说效果很好，而且我们完全不用担心推理服务供应商是否能在长期内可信地处理我们的数据。在我看来，这个问题的答案是‘绝对不能’。”
torginus 明确阐述了合规理由：“几乎没有证据表明开源模型与 OAI/Anthropic 产品之间的质量差距会转化为业务成果，但你却将所有数据控制权交给了第三方。最后一点可能直接成为障碍——某些金融法规直接禁止你将数据提供给第三方（尤其是在国家/欧盟司法管辖区之外），无论你签署什么文件。”Revolut 是一家金融机构，这使得这一约束与 token 价格无关地具有相关性。
这实际上适用于哪些组织
这一决策最适合那些规模大到足以触及企业 token 定价的公司。injidup 指出：“这可能只适用于超过 150 名工程师、进入企业层级并被迫按 token 付费而非使用补贴的 Claude Code 计划的公司。”
其他评论者报告了不同规模的类似举措。world2vec 描述了通过“我们自己的 pi.dev 风格”运行“自托管 GLM-5.3”，同时为团队保留 Claude Code 的酌情预算，并观察到“大多数工作不需要最新最强大的 LLM，可以通过‘较低级’的 LLM 加上大量 token 和计算来完成。”epolanski 报告了一家收入 1 亿欧元的中型德国客户“也在将大量工作迁移到本地 LLM。”andy99 称这一模式是“许多公司‘主权’ AI 的合理版本”，并补充说，即使 GLM 略有落后，“这可能接近帕累托前沿。”andy99 还建议通过 OpenRouter 等市场转售闲置容量，以提高硬件利用率。
讨论串认为这对前沿实验室意味着什么
Flor 的帖子将这一转变描述为“每个准备 IPO 的实验室的定价问题”，其逻辑是前沿模型成为例外，而开源权重成为默认。InsidiousWombat 则更尖锐地指出：“如果投资者知道开源模型有多强大，AI 公司的估值会一夜之间崩溃。”chr15m 将同样的情绪总结为“Anthropic 缺失的上季度业绩，一言以蔽之”，epolanski 则质疑模型供应商如何维持护城河。
讨论串中的反驳观点是，自托管是大型、受监管买家的利基市场，开源权重的平价适用于今天的任务，而非明天的任务。
注意事项与未解问题
这里的证据基础很薄弱，应如此对待。一切都来自一个 X 帖子，转述了一位运营者的叙述；没有公布的成本明细，没有切换前后代码质量的评估，也没有确认 70% 的交付周期数据是实测还是估算。模型版本也不清楚——一位 Hacker News 评论者提到“GLM-5.3”，而原帖只说“GLM”。最值得关注确认的三个数字是：56-GPU 集群的月度运营成本、维持其运行所需的人员数量，以及一旦无计量访问的新鲜感消退后，70% 的交付周期改善是否仍然成立。