大模型Token价格与性能对比

选型会上常卡在同一个问题：便宜的模型跑得动这个活吗，贵的模型是不是白花钱。两边都有人拍脑袋，最后要么超预算，要么上线后返工。这篇给一套可执行的比对顺序——先把任务拆干净，再对齐计价口径，再挑两三个候选做小样实测，最后按成本结构决定。只讲怎么权衡，具体数字到站内对应页面看当时的报价。

选型会上卡住的从来不是「哪个模型最强」，而是「便宜的够不够用、贵的值不值」。两边拍脑袋的结果，要么预算超了，要么上线后返工重做。这篇不给你结论，给一套可执行的比对顺序：先把任务拆干净，再把计价口径对齐，然后挑两三个候选跑同一份测试集，最后按成本结构决定。具体数字到站内对应页面看当时的报价。

有个前提先说清楚：模型价格和能力都在动，所以流程比数字更耐用。你把这套顺序跑一遍，下次换模型、换供应商，照着再来一遍就行，不用重新学。下面四节分别对应拆任务、对齐口径、小样实测、留退路。

先定任务，再谈价格与性能

很多比价之所以比不出结果，是因为「比的是什么」都没定下来。同一个模型，用在短输入短输出的分类任务上可能很划算，用在长文档总结上单次成本就翻好几倍。所以第一步不是打开价目表，是把你自己的活拆成可量化的三件事：输入长度量级、输出长度量级、错一次的代价。

• 输入长度量级：是几百字的对话，还是几万字的长文档？输入往往是大头，先估量级再谈单价
• 输出长度量级：输出单价通常高于输入，而且模型爱「多说两句」，这一项最容易被低估
• 错误代价：错一次要人工返工的任务，单价便宜没意义；错一次只是日志里多一条告警，就可以放宽标准
• 任务类型：能力阈值型（达标就够）和线性消耗型（质量随模型走），判错类型会直接选错档位

判断标准很简单：如果你说不出「这个任务的输入大概多长、输出大概多长、错了会怎样」，那就还不到比价的阶段，先去问业务方。什么情况下不适用这套拆法？需求还在快速变、任务边界一天一变的时候，拆出来的量级没有参考价值，这时候别急着精算。

同一份测试集，所有候选都跑它

拆完任务，准备一份固定测试集，二十到五十条真实样本就够。关键是「固定」——后面所有候选模型都跑这一份，记录结果，避免凭印象比。样本要覆盖你真实的分布，别只挑简单例子，那样所有模型都满分，比不出差别。

把价格口径对齐，否则比的是假的

这一步最容易翻车。很多价目表只给「一个数」，但实际计费往往是输入、输出、缓存读、缓存写分开算的，四项单价差别可能很大。你拿 A 家的输入单价去比 B 家的综合单价，算出来的结论是假的。

口径对齐还包括「官方直连还是中转」。两条路的倍率、折扣、赠送额度的折算方式不一样，口径没统一之前不要下结论。模型版本会换、价格会调，本文不写任何具体数字，你到站内的报价页和价格追踪页核对当前情况，再套进自己的用量模型里算。

候选缩到两三个，做小样实测

有了用量模型，就能给每个候选算预估花费。别把全网模型都拉进来，挑出一个「够用档」、一个「高一档」、必要时再加一个免费或开源自托管档，三个以内。候选太多，测试集跑不完，人也比花了眼。

1. 跑同一份测试集用上一节的固定样本，逐个候选跑一遍，保证输入输出条件一致
2. 记录三个数通过率、平均输出长度、单次耗时是否可接受。输出长度单列，它常常是被忽略的成本项
3. 折算返工成本通过率差距不大就选便宜的；差距明显且人工返工成本高，把返工工时折算进去再比
4. 回头看口径算出来的花费如果和预估差得离谱，先回去检查是不是漏了输出或缓存项，而不是急着换模型

判断标准一句话：通过率差距不大时选便宜的；差距明显且错一次代价高时，贵的那个可能反而更省。什么情况不适用？如果你的测试集样本太少、覆盖不了真实分布，那测出来的通过率没有参考价值，先补样本再比。

定完别锁死：留一条可切换的路

选型不是一锤子买卖。把模型名、关键参数、计价口径写进配置文件，而不是散落在代码各处，后面换模型就是改一行配置的事。这样即使价格变了、新版本出来了，你也能低成本地重新跑一遍上面那套流程。

• 上线后按周看用量和账单，别等到月底才发现超支
• 重点盯两个指标：输出长度是否比预估涨了、重试比例是否偏高，这两项最容易让实际花费偏离预估
• 把计价口径和测试集一起存档，下次比价直接复用，不用从零搭
• 设一个触发条件，比如单次费用涨幅明显时自动提醒，而不是靠人记得

什么情况不建议这套精细流程？需求还在快速变化、任务边界一天一变的时候，先别做精细比价，用最便宜的达标档跑起来，等需求稳了再优化。流程本身是为了省时间，不是为了走流程。

价格是变量，能力是变量，能复用的只有你的比对方法。