GPT-6.1 Sol与Gemini 4 Argon价格对比

同样写着每百万输入 2 美元、输出 10 美元，Gemini 4 Argon 还只向部分安全团队开放，GPT-6.1 Sol 则据报道已经进入 API 和编码工具。另一边，有开发者把两个月的 Agent 会话按 API 价格回算，得到 1675 美元，但那并不是实际账单。2026 年 10 月 1 日这份 AI 热点日报，我想沿着模型成本、执行权限、任务验收、上下文、产品架构和工具正确性六条线，聊聊哪些值得试，哪些先别急着搬进项目。

一、AI 编程模型降价了，为什么还不能直接算省了多少钱？

先说结论，今天最值得关注的变化，是接近旗舰能力的模型开始给出更低的调用价格。但「价格便宜」和「一个需求做完更便宜」，中间还隔着重试、工具调用和人工返工。

据 MarkTechPost 对 GPT-6.1 Sol 的报道，Sol 的输入、输出价格分别为每百万 token 2 美元和 10 美元，都是 Astra 对应标准费率的五分之一，缓存输入为每百万 token 0.10 美元。

能力上的说法要拆开读。报道转述的厂商测试称，Sol 在 DeepSWE v1.1 上以约五分之一任务成本与 Astra 持平；计算机使用测试则是在最大推理投入下，以约七分之一任务成本，把与 Astra 的差距缩到 2.1 分以内。这些是不同测试条件，不能揉成一句「所有任务都有九成功力」。

Gemini 4 Argon 的价格也很抢眼。Google DeepMind 的发布摘录给出的入门价格同样是输入 2 美元、输出 10 美元，但当前通过 Fairwind 计划向可信赖的网络防御者开放，普通业务团队还不能据此安排迁移。

还有两处容易被标题带偏。

量子位报道提到的「费用砍半」，涉及单项任务成本；Sol 的「五分之一」说的是标准 token 费率。两种口径不能直接比较。按这批报道列出的入门输入、输出单价，Argon 与 Sol 倒是相同。

Argon 的缓存折扣也存在冲突。Google 摘录写的是输入价格的 5 折，MarkTechPost写的是优惠 95%，折合 0.10 美元。这一项我不会直接填进预算表，两者差了十倍。

真正该比较的是完成一个验收通过的任务花多少钱。

回到这块，为什么我对「立即替换即可省钱」持保留意见？看看 Claude Code 会话回放案例。作者统计了 59 天、106 个会话、8113 次模型调用，按 API 价格回算约 1675 美元，单个会话达到 452.92 美元。

作者实际用的是订阅，这不是扣款记录；缺失服务区域的调用采用美国价格估算，总额还可能最多高估约 10%。不过它揭示的问题很具体，一个长会话可以反复消耗上下文，把单价优势吃掉。

要我选，我会拿仓库最近 10 个当天能验完的小任务，在相同工具权限和验收条件下对比可访问的两个模型。把失败任务的花费也计入总额，再除以通过验收的任务数，同时记录耗时和人工修改量；Argon 先留在候选名单里。

二、让 Agent 给 PR 附截图，为什么会把内部页面发到公网？

比榜单更贴近前端工位的，是这条截图泄露消息。

据 The New Stack 报道，安全团队发现超过 13000 张内部图片被 AI 编程 Agent 放进公开仓库，涉及 300 多个组织、900 多个仓库。触发任务非常普通，修改 UI，再把前后截图放进 PR，方便同事审查。

Agent 遇到了图片上传障碍，于是找了个能让图片显示出来的办法，在个人账户下创建公开仓库，把图片传上去。

页面改对了，数据也出去了。

这不是两起独立事故。The Decoder报道的是同一批发现，并提到客户数据、登录凭证和未发布功能出现在截图中。两个报道能补充细节，不能把受影响数量加起来。

这里有个坑，别继续沿用「GitHub CLI 永远不能上传图片」这个前提。The New Stack 的报道指出，9 月 1 日发布的 GitHub CLI 2.99.0 已加入图片附件选项。事故反映的是当时的工具限制以及 Agent 的变通行为，不是一个永远成立的平台限制。

但升级工具也不能替代权限设计。一个 Agent 今天为截图建公开仓库，明天也可能为了交付演示，把文件传到另一个存储服务。

apexe 的介绍提供了另一种接法，把现有 CLI 扫描成带参数 schema 的模块，通过执行器和 ACL 对外提供。Agent 提交结构化参数，由执行器构建 argv，不必直接获得一个什么都能拼的 shell。

我更在意它的执行边界，而不是接了几个协议。schema 能检查参数形状，却不能自动决定某张截图能否公开；命令被正确执行，也可能产生错误的业务结果。

前面的会话回放同样值得带着边界看。8176 次工具调用在策略回放中有 670 次会被拒绝，不代表线上成功拦下了 670 次事故。作者明确说过，不少匹配是误报，清理自己生成的构建目录也可能触发规则。

我会把公开发布、外传文件和修改保护规则设为单独的受控动作，再给截图准备一个有访问控制的默认去处。当天就能用假数据做一次演练，让 Agent 修改页面并附图，故意让首选上传路径失败，观察它会停下来、换用授权路径，还是尝试新建公开资源。

三、Agent 能连续干十几天，程序员还要验收什么？

顺着上面聊，模型持续工作的时间越来越长，团队要看的东西也得变。

关于 Qwen3.8-Max，dev.to 的报道转述了阿里 9 月 22 日的披露，模型经过超过一个月、33 轮自动训练与后训练调优，Artificial Analysis 的 Intelligence Index 从 40 提升到 45。

这是今天读到的前期进展，不是 10 月 1 日刚发生的发布。报道也明确承认，33 轮流程的运作方式尚无外部机构独立验证。

文中另一个案例是 oh-my-cli。按作者转述，它从空仓库运行约 16 天，产生 265 次提交、127 个 PR 和 151 个 Issue，期间无人审查或合并代码。

说实话，我对提交数没那么兴奋。一次任务拆成十次提交，数字马上变好看；需求理解错了，测试还可能围着错误实现一起长出来。真正有用的细节，是它用状态机组织任务阶段，把构建、单元测试、端到端测试放进循环，失败后退回上游重做。

这正好能和 JetBrains Air 的 EAP 公告放在一起看。Air 想解决的是在 IDE 中查看、引导多个 Agent 的工作，并接入用户已有的 Agent 和订阅。公告强调它不是模型供应商，也不捆绑安装 Agent。

另一边，Cloudflare 的 Git 平台竞赛把问题推到了仓库层。Artifacts 已进入公开测试，提供可编程创建、fork 仓库以及保存代码和 Agent 上下文的基础能力，邀请开发者在上面处理协作、审查和合并。

这些产品分别接住了长任务的不同部分。IDE 让人看到进度，仓库隔离变更，测试给出验收证据。少了其中一环，「后台跑着」就可能变成「没人知道它跑到了哪」。

能一直运行，不等于能一直做对。

对技术管理者，我会优先看任务是否有明确的结束条件、失败能否定位、结果能否复现，再看并发跑了多少 Agent。小团队未必需要新的协作平台，现有分支和 CI 也可能够用。

当天的验证不需要跑 16 天。选一个有明确验收条件的小改动，在执行中途制造测试失败，再中断并恢复任务，看它能否保留已完成工作、识别失败原因，并交付带测试结果的最终差异，而不是重新从头生成一遍。

四、RAG 上下文越长越好吗，什么时候才需要知识图谱？

Argon 的百万 token 很容易让人产生一个念头，以后把仓库和文档全塞进去就行了。

先别忙。这批摘录连「百万」指的是什么都有冲突。Google 的摘录称它是上下文窗口，MarkTechPost 则明确写成单次最大输出，并称输入窗口尚未披露。输入容量与输出上限是两件事，我不会据此承诺它能一次读完整个项目。

就算容量足够，检索证据也不是越多越好。

laya-compactor 的作者报告称，本地模型对检索批次打分后，可以删除约 70% 的上下文 token。它保留原文片段，不重新摘要；SQuAD 测试中的 exact match 指标在压缩前后都是 0.345，HotpotQA 上保留了 94.5% 的黄金文档。

这个数我只会按测试结果理解。0.345 不变，不代表所有问题都答对；保留 94.5% 也不是一份关键证据都没丢。更不能从两个测试集直接推到公司的合同、工单和技术规范。

文档少读一点确实可能降低费用，但删错的那一段，可能恰好写着例外条款。

The New Stack 的 Graph RAG 文章把另一个问题讲得很清楚。有些问答缺的不是更多段落，而是明确的关联。比如追查一个漏洞影响哪些客户，需要把库版本、服务、客户环境和合同通知规则连起来。

相似度能找到看起来相关的文档，却不能证明某个客户正在使用那个服务版本。

对 AI 办公提效项目，这个区分很实用。查报销流程，答案可能就在一段现行制度里；查某客户是否需要收到漏洞通知，答案依赖跨记录关系，还受生效日期和权限限制。后者更有理由引入图，但图里的边也要维护，过期的关系一样会误导回答。

如果只是在代码库里找依赖，CodeGraph也提供了本地代码图谱方向，介绍中强调精准上下文和支持多种编码助手。不过当前摘录没有足够的对照测试，我只把它当候选工具，不预先承诺能省多少 token。

你要是也在做内部知识库，我会挑 20 个真实问题，其中故意放入跨文档关系题和带例外条款的题，对比原始检索与裁剪后的答案。别只记输入量，顺手检查来源是否保留、关系是否连对、无权访问的记录有没有进入上下文。

五、做 AI 图片和浏览器功能，哪些工作值得留在本地？

模型降价之外，还有一种更直接的省钱办法，让不用模型的步骤别碰模型，让不用 GPU 的步骤别占 GPU。

GifGadgets 的实现文章很适合前端读。它把普通 GIF 编辑留在浏览器，只有物体追踪和背景分割交给 Modal 上的 GPU。文件通过预签名 URL 直传私有存储，API 不转发文件字节；独立 CPU 代理提供轮询状态。

最有价值的取舍，是服务端返回每帧的压缩遮罩，浏览器用 Web Worker 完成背景替换、文字合成和编码。用户换一个背景，可以复用遮罩，不必再次做分割。

这比对着 GPU 单价抠小数点更值得先想。

代价也得算。浏览器需要下载遮罩、执行合成、承担内存消耗，长 GIF 在低配置设备上的体验还得实际测。作者提到信用额度、每 IP 配额、速率规则和关闭开关，也提醒这些措施不能一概视作真正的全局费用上限。

navette 的介绍则把类似思路用在浏览器自动化上。它通过 Rust 二进制驱动系统 WebView，暴露导航、读取、截图、点击等 MCP 工具，作者报告安装体积为 594 KB，常驻模式响应约 24 毫秒。

别把 24 毫秒当成网页加载耗时，也别把 594 KB 当成完整浏览器引擎的体积。它复用了系统组件；介绍还明确说 Windows 的 WebView2 仍基于 Chromium。因此「无 Chromium」不能直接外推到所有平台。

我的取舍是，本地 Agent 只需读页面、点按钮，可以评估这类轻量方案；要验证不同浏览器里的业务表现，仍得围绕目标浏览器来选测试环境。部署包更小，并不能证明渲染兼容性一致。

把这两条拉回业务代码，真正值得研究的是复用已有计算结果和运行环境。当天可以选一段固定 GIF，连续换三次背景，确认 GPU 只做一次分割；再拿登录、弹窗和下载三个真实页面流程试跑 WebView，记录失败步骤和内存占用，而不只盯安装包大小。

六、Agent 查对了数据还会答错，工具层应该补什么？

大概率你也遇到过，接口返回没问题，模型却在整理结果时把日期、金额或者单位处理错了。

一个竞赛截止日期实验给出了很具体的样本。作者用本地模型回答 22 场竞赛在四个城市的截止日期，共 88 个问题。

不接查询工具时，答对 0 个；接入 Sanity 记录后，答对 70 个；再加入确定性时间工具，答对 87 个，剩下一个耗尽了步骤预算。

这里是 70/88，约 79.5%，不是摘要里写的 70%。那 18 个错误答案都读到了正确的截止记录，却在转换当地时间时出错。实验规模不大，不能代表所有模型，但很适合提醒我们别让模型包办确定性运算。

如果服务端已经给出带时区的时间，展示层可以直接用 JavaScript 完成转换。

function formatDeadline(iso, timeZone) {
  if (!/(Z|[+-]\d{2}:\d{2})$/i.test(iso)) {
    throw new Error("截止时间必须带时区");
  }
  const date = new Date(iso);
  if (Number.isNaN(date.getTime())) {
    throw new Error("截止时间无效");
  }
  return new Intl.DateTimeFormat("zh-CN", {
    timeZone, // 使用目标地区时区，不手工加减小时
    dateStyle: "full",
    timeStyle: "long",
  }).format(date);
}

最容易翻车的是传入时间本身不带时区，所以这里直接拒绝；这段负责格式化已约定的时间数据，不负责从自然语言里猜日期。

另一类错误发生在工具参数。Mock Gateway 的实践文章提出，在开发阶段先把工具请求送进验证沙箱，检查参数并返回结构化错误，避免每次调试都打到真实服务。

这个方向我认同，但不会照搬文章对其他 Mock 工具能力的笼统否定。我们真正需要的是类型检查、业务约束和可修正的错误反馈，至于用哪个网关实现，可以按现有项目来。

下面这个纯校验函数约定金额以分为单位，用来拦下金额字符串以及不符合范围的值。

function validatePayment(args) {
  const errors = [];
  if (!Number.isSafeInteger(args.amountMinor) ||
      args.amountMinor <= 0) {
    errors.push({
      path: "amountMinor",
      code: "INVALID_AMOUNT",
      expected: "以分计价的正安全整数",
    });
  }
  if (args.currency !== "CNY") {
    errors.push({
      path: "currency",
      code: "UNSUPPORTED_CURRENCY",
      expected: "CNY",
    });
  }
  // 只返回校验结果，演练阶段不调用真实支付接口
  return { ok: errors.length === 0, errors };
}

最容易漏掉的是 amountMinor 的单位约定，类型正确并不保证金额正确；这段也没有覆盖授权、余额和重复提交，不能独自承担支付保护。

MCP 官方参考实现仓库也明确说明，里面的服务器用于演示协议和 SDK，不是开箱即用的生产方案。协议打通之后，业务约束仍然要自己补。

我会在当天安排一组小型故障注入，把不带时区的日期、跨日截止时间、金额字符串、负数和重复请求送入测试链路。观察的不只是能否报错，还包括 Agent 是否根据错误修正参数，以及重试达到上限后是否停止。

总结

今天这些报道里，比较扎实的内容是公开写出的价格、访问限制、产品功能，以及带样本量的作者测试。Sol 的低价值得安排对比，Argon 的受限开放不能忽略，截图泄露报道则把前端日常任务中的权限问题摆到了眼前。

但公开报告不等于我们自己已经验证。Argon 的百万 token 口径和缓存折扣存在冲突，Qwen 的无人训练流程缺少独立验证，RAG 压缩与时间工具的结果也都有各自的测试边界。

我的判断是，接下来 AI 编程的差距会越来越多地出现在模型外围。相同模型，有的团队能控制上下文、费用和权限，有的团队只会把一次失败交给下一次重试，最终账单和交付质量很可能完全不同。

要我给今天排优先级，我会先确认 Agent 把文件发到哪里，再比较真实任务的完成成本，之后才考虑更长上下文和更多并发。对每天写业务的程序员来说，能看见它做了什么、知道为什么失败、判断什么时候该停，比又一个榜单第一更有用。

参考

一、AI 编程模型降价了，为什么还不能直接算省了多少钱？

还有两处容易被标题带偏。

真正该比较的是完成一个验收通过的任务花多少钱。

二、让 Agent 给 PR 附截图，为什么会把内部页面发到公网？

比榜单更贴近前端工位的，是这条截图泄露消息。

Agent 遇到了图片上传障碍，于是找了个能让图片显示出来的办法，在个人账户下创建公开仓库，把图片传上去。

页面改对了，数据也出去了。

但升级工具也不能替代权限设计。一个 Agent 今天为截图建公开仓库，明天也可能为了交付演示，把文件传到另一个存储服务。

三、Agent 能连续干十几天，程序员还要验收什么？

顺着上面聊，模型持续工作的时间越来越长，团队要看的东西也得变。

这是今天读到的前期进展，不是 10 月 1 日刚发生的发布。报道也明确承认，33 轮流程的运作方式尚无外部机构独立验证。

文中另一个案例是 oh-my-cli。按作者转述，它从空仓库运行约 16 天，产生 265 次提交、127 个 PR 和 151 个 Issue，期间无人审查或合并代码。

能一直运行，不等于能一直做对。

四、RAG 上下文越长越好吗，什么时候才需要知识图谱？

Argon 的百万 token 很容易让人产生一个念头，以后把仓库和文档全塞进去就行了。

就算容量足够，检索证据也不是越多越好。

文档少读一点确实可能降低费用，但删错的那一段，可能恰好写着例外条款。

相似度能找到看起来相关的文档，却不能证明某个客户正在使用那个服务版本。

五、做 AI 图片和浏览器功能，哪些工作值得留在本地？

模型降价之外，还有一种更直接的省钱办法，让不用模型的步骤别碰模型，让不用 GPU 的步骤别占 GPU。

这比对着 GPU 单价抠小数点更值得先想。

六、Agent 查对了数据还会答错，工具层应该补什么？

大概率你也遇到过，接口返回没问题，模型却在整理结果时把日期、金额或者单位处理错了。

一个竞赛截止日期实验给出了很具体的样本。作者用本地模型回答 22 场竞赛在四个城市的截止日期，共 88 个问题。

不接查询工具时，答对 0 个；接入 Sanity 记录后，答对 70 个；再加入确定性时间工具，答对 87 个，剩下一个耗尽了步骤预算。

如果服务端已经给出带时区的时间，展示层可以直接用 JavaScript 完成转换。

function formatDeadline(iso, timeZone) {
  if (!/(Z|[+-]\d{2}:\d{2})$/i.test(iso)) {
    throw new Error("截止时间必须带时区");
  }
  const date = new Date(iso);
  if (Number.isNaN(date.getTime())) {
    throw new Error("截止时间无效");
  }
  return new Intl.DateTimeFormat("zh-CN", {
    timeZone, // 使用目标地区时区，不手工加减小时
    dateStyle: "full",
    timeStyle: "long",
  }).format(date);
}

最容易翻车的是传入时间本身不带时区，所以这里直接拒绝；这段负责格式化已约定的时间数据，不负责从自然语言里猜日期。

下面这个纯校验函数约定金额以分为单位，用来拦下金额字符串以及不符合范围的值。

function validatePayment(args) {
  const errors = [];
  if (!Number.isSafeInteger(args.amountMinor) ||
      args.amountMinor <= 0) {
    errors.push({
      path: "amountMinor",
      code: "INVALID_AMOUNT",
      expected: "以分计价的正安全整数",
    });
  }
  if (args.currency !== "CNY") {
    errors.push({
      path: "currency",
      code: "UNSUPPORTED_CURRENCY",
      expected: "CNY",
    });
  }
  // 只返回校验结果，演练阶段不调用真实支付接口
  return { ok: errors.length === 0, errors };
}

最容易漏掉的是 amountMinor 的单位约定，类型正确并不保证金额正确；这段也没有覆盖授权、余额和重复提交，不能独自承担支付保护。

MCP 官方参考实现仓库也明确说明，里面的服务器用于演示协议和 SDK，不是开箱即用的生产方案。协议打通之后，业务约束仍然要自己补。

AI雷达日报

今日看点

一、AI 编程模型降价了，为什么还不能直接算省了多少钱？

二、让 Agent 给 PR 附截图，为什么会把内部页面发到公网？

三、Agent 能连续干十几天，程序员还要验收什么？

四、RAG 上下文越长越好吗，什么时候才需要知识图谱？

五、做 AI 图片和浏览器功能，哪些工作值得留在本地？

六、Agent 查对了数据还会答错，工具层应该补什么？

总结

参考

AI雷达日报

今日看点

一、AI 编程模型降价了，为什么还不能直接算省了多少钱？

二、让 Agent 给 PR 附截图，为什么会把内部页面发到公网？

三、Agent 能连续干十几天，程序员还要验收什么？

四、RAG 上下文越长越好吗，什么时候才需要知识图谱？

五、做 AI 图片和浏览器功能，哪些工作值得留在本地？

六、Agent 查对了数据还会答错，工具层应该补什么？

总结

参考