选便宜模型,先算输入输出比例
模型调用总成本由输入和输出费用共同决定,仅按输入单价排序可能误选文本生成场景的低成本方案。文章基于 55 款聊天模型的官方标价,分析两种单价交叉时工作负载如何影响选择。
AI 深度解读
按输入 token 单价挑最便宜的模型,写作工具可能反而多花 72%。作者用一份包含 55 个聊天模型的官方标价快照做了两两比较,发现少数模型会因输入、输出比例不同,交换成本排名。
这篇最实用的地方,是把「哪个模型便宜」变成一道能用真实流量计算的问题。不过,文中的价格和百分比都来自作者提供的快照,选型时还得补上质量、输出长度和实际折扣。
为什么读得便宜,写起来却更贵
模型通常有两份价格:输入价格和输出价格。系统指令、文档、聊天历史都算输入,模型生成的回答算输出。token 是文本计量单位,原文用「约四分之三个英文单词」帮助理解,这个近似不能直接套到中文上。
如果价格单位是美元/百万 token,单次费用就是:
(输入 token 数 × 输入单价 + 输出 token 数 × 输出单价)÷ 1,000,000
作者采用的是其参与开发的 LLM gateway 所收录模型的官方标价,快照日期为 2026 年 11 月 19 日,没有计入折扣。55 个模型组成 1,485 对,其中 45 对会因调用比例不同而翻转排名,占约 3%。
比例不高,但便宜模型也有这种情况:输入价不超过 $0.30/百万 token 的 11 个模型,共有 55 对组合,其中 3 对会翻转,而且涉及按输入价排序的第一名。
这两个模型分别是:
| 模型 | 输入价:美元/百万 token | 输出价:美元/百万 token |
|---|---|---|
| claude-haiku-5.5 | 0.10 | 0.50 |
| mimo-v2.6-flash | 0.14 | 0.28 |
mimo-v2.6-flash 的输入贵 40%,输出却便宜 44%。因此,大量读文档、只生成短答案的分类和 RAG(检索增强生成)任务,更容易受益于 claude-haiku-5.5 的输入价;把简短要点扩写成长文,则可能选 mimo-v2.6-flash 更省钱。
作者报告,文章生成场景中,前者比后者贵 72%;聊天场景接近分界线,两者费用相近。他还检查了整个目录,在尝试过的调用形态中,最低成本模型始终是这两个之一。这里的范围是作者选取的调用形态,不能扩展成所有任务。
你的调用比例,决定哪份价格更重要
当两个模型各有一项单价更低时,成本排名取决于输入与输出 token 的比例。
作者用下面的函数计算成本相等的分界点:
def crossover(a_in, a_out, b_in, b_out):
"""Prices in $ per 1M tokens. A is cheaper on input, B on output.
Returns input tokens per output token at which both cost the same."""
return (a_out - b_out) / (b_in - a_in)
print(crossover(0.10, 0.50, 0.14, 0.28)) # 5.5 haiku-5.5 vs mimo-v2.6-flash
print(crossover(2.00, 12.0, 2.50, 10.0)) # 4.0 gpt-5.6 vs gpt-4o
要看清 return 这一行:算出来的是「每个输出 token 对应多少输入 token」,方向不能反过来。函数还假定 A 输入便宜、B 输出便宜;它不适合直接处理所有价格组合。
第一组的分界点是 5.5。输入与输出之比大于 5.5:1,claude-haiku-5.5 更便宜;小于这个值,mimo-v2.6-flash 更便宜。
更贵的模型也一样。gpt-5.6 的输入价为 $2.00,低于 gpt-4o 的 $2.50;输出价却是 $12,高于后者的 $10,单位均为每百万 token。两者分界点为 4:1。作者报告,gpt-5.6 在其 RAG 场景便宜 11%,在博客生成场景贵 19%。gpt-5 与 grok-4.7 的分界点则为 5.3:1,写作场景中较贵的一方多付 62%。
比例怎么拿?作者建议记录一天真实流量,从 API 响应的 usage 字段取得输入和输出 token 数,分别求和后相除。带长系统提示和历史记录的聊天机器人可能达到 10:1,要点转邮件工具可能是 1:5。这些是示例,自己的业务仍要自己量。
我的判断
我认同先看调用构成,再比较价格。它解释了一个常见误区:价格表第一行只说明某个计费维度便宜,不能直接代表整次调用便宜。
但标题里的 72% 有明确前提。提供的原文没有列出四种典型调用的具体 token 数,因此可以按报价复算 5.5 的分界点,却无法完整复核 72%、11%、19% 和 62% 对应的调用假设。这些是作者的价格测算结果,不能当成一般团队都能获得的节省幅度。
它也没有给出模型质量的对照数据。作者自己强调,便宜模型如果需要重试,成本可能翻倍;如果某个模型同样请求下多写 30%,其有效输出成本也会提高 30%,分界点随之改变。
相比直接按单价排序,这套方法更适合筛选「质量都过关、输入输出价格各有优势」的候选。对于其余约 97% 的模型组合,一方两项价格都更低,直接比较即可。Prompt caching、batch 折扣和价格调整生效后,还要用实际价格重算,不能一直沿用快照。
能拿来做什么
- 给 Node 服务中的模型调用记录输入、输出 token,先按聊天、RAG、内容生成分别汇总一天数据,避免把不同任务混成一个比例。
- 用同一批真实请求检查候选模型的回答质量,同时记录各自输出长度和重试情况,再比较完成任务的费用。
- 为通过质量检查的候选计算分界点。长历史聊天和要点扩写邮件可以分别选型,不必共用一个「最便宜模型」。
- 接入 Prompt caching 或 batch 折扣后,更新实际单价并重新计算,再决定是否调整模型。