PUBLIC MORNING EDITION · 上海 / 杭州
新能源规划强调消纳能力，
“8 万亿 token”统计口径存疑
今天关注两项规模口径：新能源规划把消纳与调节能力放在更前位置；大模型调用量则需区分免费调用、付费调用和独立用户。
今日判断
电力政策
两部门规划提出，2030 年全国新能源利用率保持在 90% 左右。接下来要看储能、输电和需求响应能否按进度跟上。
个人金融
四家国有大行已用明示表列出正常履约时的年化成本上限，具体口径以银行明示表为准。
中文互联网
“一天 8 万亿 token”来自社区对单一开发者入口的转述，现有材料没有原始统计页，不能据此推算用户数、收入或全网份额。
城市夜场
周二可执行选项集中在晚间：上海是脱口秀与爵士，杭州是亲子舞台剧与乐队巡演，四场都有明确时间、场馆和售票入口。
宏观、金融与政策
新型电力系统规划把新能源利用率目标定在 90% 左右
国家发展改革委、国家能源局印发的规划提出，到 2030 年新型电力系统初步建成，非化石能源发电量占比达到 50%，全国新能源利用率保持在 90% 左右。接下来要看储能、输电和需求响应能否按进度跟上；项目回报仍取决于各省电价、调用和结算规则。
中文互联网热点 / 讨论场
“8 万亿 token”热搜：单一入口调用量不等于用户规模
发生了什么
8 月 3 日晚，“DeepSeek 一天消耗了 8 万亿”登上微博热搜。部分社区帖子转述称，OpenCode 单日处理了约 8 万亿个与 DeepSeek V4 Flash 有关的 token，其中约 5 万亿来自免费额度、3 万亿来自付费套餐。截至发稿，现有材料未包含 OpenCode 原始统计页，这组数字及其统计范围无法独立核验，只能作为社区讨论对象，不能用于推算用户数、收入、成本或市场份额。
讨论场
微博样本主要放大数字规模和国产模型竞争叙事；知乎可见条目延伸到定价与现金流问题。36 氪文章提供的是同期国产模型发布背景，不构成对 8 万亿数字的验证。
一次 token 调用的边际收入、边际推理成本、免费额度占比和付费留存，决定规模是否能变成可持续业务。8 万亿只给出了产量维度；缺少单价、缓存命中、推理长度和算力利用率，就无法判断毛利。这个模型能拆开“用得多”和“赚得多”，但不能单独衡量模型质量。
交通部门会区分乘客人数、乘车次数和人公里：同一名通勤者反复换乘，能制造很高周转量，却没有增加独立旅客。token 量也会被长上下文、智能体循环、重试和免费试用放大。这个视角提醒人们先问计量对象，却解释不了开发者为何选择某个模型。
模型边界
单位经济把收入与成本拉回账本，客运统计揭示调用量与用户量并非一回事。两种框架都无法替代原始平台披露，也回答不了模型在真实任务中的正确率、延迟和开发者迁移成本。
下一组变量
OpenCode 是否公开原始统计页、付费 token 占比、实际结算单价、推理成本、去重独立会话和连续留存。在这些变量缺失时，免费额度是否主要承担获客补贴功能无法判断。
新型电力系统规划：电源扩张之后，瓶颈落在消纳
发生了什么
国家发展改革委、国家能源局近日印发新型电力系统建设“十五五”规划。规划提出，到 2030 年系统初步建成，非化石能源发电量占比达到 50%，全国新能源利用率保持在 90% 左右。规划留下的关键问题是：储能、调峰和跨区输电成本将由哪些主体承担，以及如何进入电价和容量补偿。
讨论场
微博讨论主要围绕规划目标展开，知乎上的问题更多涉及行业结构和 A 股相关板块。50% 与 90% 两个指标来自两部门规划，社区链接只能说明议题受到关注，不能证明项目回报或成本分担方案。
新能源装机是网络的潜在流量，跨区通道、配网承载和调峰能力构成割集；系统可送出的最大电量受最窄瓶颈限制。继续在非瓶颈节点加装机，不会等比例增加有效发电量。这个模型只适合识别网架容量瓶颈，实际消纳还受潮流稳定、储能时序和负荷曲线限制。
一台戏能否顺畅演出，不只取决于演员数量，还取决于舞台空档、布景转换时间、工作人员和提示序列。若换景能力不足，演员再多也只能在后台等待。风光装机对应可上场的演员，储能、需求响应和跨区交换对应换景资源；这套机制补充了电量在时间上的错配，但不能回答电价由谁承担。
模型边界
网络流定位空间上的输送瓶颈，换景调度补上时间错配与转换成本。两者都解释不了成本由发电侧、电网、用户还是财政承担；这部分必须回到电价、辅助服务和容量补偿制度。
下一组变量
观察新增储能的实际调用小时、充放电次数和辅助服务收入是否持续改善，同时看虚拟电厂能否获得独立结算身份。若容量增长而调用率长期不升，才支持“配而不用”的判断。
来源：国家发展改革委、国家能源局 · 微博议题 · 知乎讨论
上海、杭州今天可以做什么
周二只列 8 月 4 日当天场次。上海偏脱口秀与爵士，杭州偏亲子舞台剧与乐队现场。
AI、科研与开发者工具
TokTier: Exact Stateful Tokenization for Agentic LLM Serving
把编码智能体每轮都重做完整分词的问题改成有状态增量修复，并用稳定边界检查保证 token ID 与全量分词一致。论文报告，在其测试范围内，增量修复约需 0.5—1.1 毫秒。
来源：arXiv
ExtractBench: A Benchmark for Schema-Guided Enterprise Document Extraction
同时评估字段准确率、长记录完整性、出处定位和实际成本。商业视觉语言模型在短文档上表现不错，却常截断长列表；漏记录和缺出处才是真实流程里的隐形错误。
来源：arXiv
AgentHPOBench: A Benchmark For Evaluating LLM Agents as Sequential Hyperparameter Optimizers
把语言模型智能体与传统 HPO 基线置于统一流程下比较。论文报告现有智能体已有一定优化能力，但在持续迭代和稳定进步方面仍有明显限制。
来源：arXiv