同一道编程任务的推理配置让成本相差近八倍
Atomic Agent 团队在一个 Python 修复与功能开发任务上对比了 Opus 5.5 和 Fable 5.2 的中、高推理档位,每组运行三次,均通过 59 项隐藏测试。四种配置的平均单次成本为 0.97 至 7.70 美元,用时为 4.2 至 26.6 分钟。
AI 深度解读
AI 账单涨了,先别急着换便宜模型。原文提醒我们,模型之外还有一个容易漏看的成本开关:推理力度(reasoning effort)。在作者引用的一组编程测试中,同一个模型从 medium 调到 high,费用涨到 4.1 倍,测试通过数却没有增加。
这个结论对接入 AI API、使用编程代理的团队很实用:比较成本时,必须把模型、推理力度和验收结果放在一起。不过,这组实验只能证明某项任务存在省钱空间,还不足以证明高推理力度普遍没用。
同样通过 59 项测试,为什么费用能差这么多
原文引用了开源编程工具 Atomic Agent 团队在 2026 年 11 月中旬、Claude Fable 5.2 发布后进行的测试。任务是一份约 1,400 行的 Python 库,包含 13 个预埋 bug 和 1 个缺失功能,最终由代理看不到的 59 项隐藏测试验收。每种设置运行三次,再取平均。
所有运行都通过了 59 项测试,最贵设置的费用约为最便宜设置的八倍。这里测量的是完成同一任务需要多少钱,模型能力高低并没有被充分拉开。
两组比较最有参考价值:
- 都设为 medium 时,从 Opus 5.5 换成 Fable 5.2,费用从 $0.97 增至 $1.87,约为 1.9 倍,接近原文所述的两倍标价差。
- 都使用 Fable 5.2 时,从 medium 调到 high,费用从 $1.87 增至 $7.70,约为 4.1 倍。
在这项任务里,推理力度带来的费用变化,大于更换模型带来的变化。
推理力度控制模型在回答前投入多少思考。更高的设置可能消耗更多 token,但投入增加,不保证验收结果同步改善。一个已经能完成的任务,继续加大推理预算,可能只是延长过程。
原文还引用了两组旁证:The New Stack 的三个测试版本中,额外推理没有提高 Fable 的得分,较贵配置估算花费 $3.29,而同分运行约为 $0.99;关于 Artificial Analysis 数据的报道则称,low effort 的 Fable 5.2 比 high effort 的 Opus 5.5 更便宜、更快,且得分更高。这些信息支持继续检查 effort,但原文没有提供足够细节,不能把不同测试直接合并成统一结论。
只改模型 ID,也可能悄悄改了推理预算
最容易踩坑的地方,是不传 effort 时采用什么默认值。
按原文说法,Fable 5.2 在 Claude API 上默认使用 high,Opus 5.5 默认使用 medium。Atomic Agent 团队只替换模型 ID,没有传入 effort 值,同一任务就贵了 7.9 倍、慢了 6.3 倍。表面上只改了模型,实际连默认推理力度也一起变了。
同一组测试里,把 Fable 5.2 从 high 降到 medium,费用减少 76%,耗时减少 84%,验收结果保持一致。这里没有测试 xhigh 或 max,不能继续外推这些档位的收益。
默认值还取决于使用入口。原文指出,Fable 5.2 的 API 默认是 high,但 Anthropic 自家应用和 Claude Code 默认采用 medium。因此,聊天应用里的使用体验,不能直接代表 Node 脚本调用 API 时的成本。
对开发者来说,需要检查的不只是自己写的请求。Zapier 自动化、第三方 AI 工具、编程代理,也可能替你选好了推理力度。供应商能否说明这些设置,应该成为评估依据。
原文还把订阅工具中的「extended thinking」「deep research」开关归入类似选择:用户在决定让系统投入多少思考。但这些产品功能具体怎样执行、怎样计费,原文没有展开,不能据此认定它们都与 API effort 完全等价。
怎么测,才能知道高推理力度值不值
作者提出的办法并不复杂:选一个每周重复执行的任务,在默认力度下跑三次,再在 high 下跑三次,记录费用和是否达到要求。
这里有个需要修正的操作细节:先确认默认值。如果默认已经是 high,这样比较就重复了,应当明确选择不同档位,再记录模型与入口。
验收标准必须先定。修复任务可以要求指定测试通过;内容任务可以要求事实核查清单通过、包含三个必需章节。「看起来不错」无法支撑成本决策。
应该比较每个验收合格任务的成本,而不是单次调用的价格。
便宜配置如果反复失败,需要重试或人工返工,未必更划算;高力度如果没有多完成任何任务,也缺乏持续付费的理由。
作者建议把选定档位写在任务旁边,每季度重测。模型发布、默认值和定价都会变化,记住一次测试的胜出者,不如保留一套可重复的比较方法。
高力度仍有适用范围:新任务、难题,以及出错代价较高的工作。原文转述的 Anthropic 建议是先从 high 开始,在结果能保持的地方逐步降低,并在支付更高档位费用前测量。这个流程强调的是验证,不是无条件降档。
我的判断
我赞成把 effort 纳入成本审计。它特别能解释一种常见困惑:请求代码几乎没变,为什么账单突然上涨?模型 ID、默认值和使用入口都可能参与了变化。
但这组实验的证据边界很清楚:只有一个 Python 任务,每种设置三次,而且全部达到 59/59。它无法回答复杂前端交互、跨仓库重构等任务是否同样适合降档,也没有给出长期运行中的失败率和人工返工成本。对一般团队而言,「常规任务降低力度」仍需本地验证。
另外,原文最后在推广 SMB Scale Up 的 AI Clarity Sprint:收费 $1,495 CAD、持续两周,交付 AI 使用盘点、三项排序后的快速改进建议和首个项目方案。商业目的不否定前面的测试,但「多数企业都不清楚自己的 effort」缺少调查数据,应当视作作者的经验判断。
相比直接换便宜模型,先固定模型比较 effort,更容易看清一个变量的影响。至于哪种方案最终划算,仍要靠自己的任务和验收标准决定。
能拿来做什么
- 检查现有 Node AI 调用与自动化任务,记录模型 ID、使用入口、effort 是否显式设置,以及当前默认值,避免迁移模型时连预算一起悄悄变化。
- 选一个能用测试验收的重复编程任务,固定输入和工具权限,对两个明确档位各运行三次,比较费用、耗时与完成情况。
- 为编程代理的模型升级增加一次成本回归检查;如果低档位出现失败,把重试和人工修复也记入比较,再决定是否提高力度。