支持通配符SSL证书、多域名证书、IP证书。适配ACME接口, 支持Zerossl、Let's Encrypt和Google等渠道。登录已有账号
2026-10-25 23:16:03 Agent 编程 模型评测 Token 成本 推理档位
上周我们把编码任务从上一代模型切到刚发布的 Sonnet 5.5。我先看评测,再翻账单,看完在椅子上愣了一会儿。
变化最猛的是 Terminal-Bench 4.0 这条线。报道给的口径是上一代 10.3%,新架构跑到 70.6%,连更贵的旗舰 Opus 5.5 都被它压住一头。这不是挤牙膏,是同一件活从十次成一两次变成十次成七八次。
同一天里 Artificial Analysis 那组数据又泼来一盆凉水:推理强度拧到 Max,平均一项任务要生成约 19.3 万个输出 Token,单任务成本 7.6 美元,是他们测过的模型里最高的一档。
能用和敢用之间,隔的就是这两段话。

我习惯把单位任务成本写成一个很短的算式,谁问都在白板上现场推。
in_price = 2.0 # 美元 / 百万输入 Token
out_price = 10.0 # 美元 / 百万输出 Token
task_cost = (in_tokens * in_price + out_tokens * out_price) / 1e6
单价便宜三成这句话本身没毛病,输入 2 美元、输出 10 美元百万,确实只有旗舰那档的一半。问题是分母只是价格,分子是被模型自己拉起来的输出长度。Max 档一项任务吐 19 万 Token,跟默认档吐两三万,是两个世界。要盯的是 task_cost,不是 in_price。
我的策略是按任务分层,而不是全公司统一拧到最高。默认走 High,改文案、补单测这类活往下压;跨文件重构、需要模型自己反复校验长链条的活才往上抬。理由是一条挺反直觉的实测:报道里说 FrontierCode 1.1 上 Max 拿到 46.2%,反倒低于 Xhigh 的 52.1%。档位拉满会触发更多内置校验,耗时越界的还被追加扣分。花更多的钱买更差的结果,这种戏码我在生产环境见得太多次。
我自己就翻过一回。刚切过来那周心气高,挑了三个自认最难的跨模块改动,把档位一路推到顶,赶在周末挂上去跑。周一早上结果躺在那儿,通过率和我用默认档跑的那批几乎贴着,输出长度却翻着倍往上蹿,钱花出去了,多出来的那部分全是它在原地反复盘自己。从那天起我把档位当成预算参数来管,不当成信仰。
至于能力从哪来,我倾向于是模型改进和推理长度两件事叠在一起。这类长链条任务吃的就是连续几十次调用工具还不跑偏的耐力,想得更久本身就是能力的一部分,这也正是账单的隐患来源:让你敢用的那部分本事,和让你心疼的那部分 Token,是同一次生成。
真正把账单压下去的开关通常在上下文管理。输出 10 美元百万,缓存读取 0.2 美元百万,中间差着五十倍。所以我把稳定的仓库结构、编码约定、构建脚本堆在提示词前面当共享前缀复用,把每次都变的改动留在后面。顺带把重复劳动也自动化掉了:跑回归时常要临时预览域名和回调地址,这种环境活不过三天,证书靠人工去申请最容易漏,我把 lcjmSSL 的轻量 API 接进环境创建脚本,签发续期跟着环境一起起落,图的就是半夜不被到期告警喊起来。
至于那 70.6%,我不敢直接当成我团队的通过率。Terminal-Bench 考的是真实终端里的多步工具调用,题目公开、数量有限,跟工单系统里那句含糊的描述不是一回事。SWE-bench 那一类口径更窄,给你一个 issue,补丁能把测试跑绿才算得分,常年还有题目漏进训练数据的争议。基准数字我只能读成一类任务的成功率上限被抬高了,抬几成得自己在自家仓库重跑一遍才算数。
所以我们只做旁路。同一个任务让新旧模型各跑一遍,统计验收通过率和单个通过任务的成本,别的先不碰,跑满两个月再决定要不要进主干。评测口径、任务切分、缓存命中率这三样攥在自己手里,型号名再怎么换,对我而言都只是算式里的两个参数。
写到这里其实想说的就一句:能力跃升是真的,敢不敢用是另一道题,那道题的答案不在发布会里,在你自己那份按通过任务摊平的成本表上。