便宜一半的模型，什么时候能顶替贵的

新模型发布时，最容易被带偏的比较，是拿两个模型的峰值成绩直接比价格。

这次对比的一对模型，标价正好差一倍：便宜的那款输入与输出价都是贵款的一半。同档位、同题目的成绩其实很接近：智能体考试贵款略低，桌面操作、视觉理解、终端任务贵款各领先几个点。只看这一层，结论会是「便宜的差不多能顶替」。

但真正有用的比较是跨档位：把贵款降一档，再跟便宜款的最高档比。终端任务上，贵款中档的成绩已经超过便宜款最高档，而且成本更低；桌面操作上两者只差不到一个点，成本也只有一半左右；综合指数上，贵款中档与便宜款最高档同分，成本同样减半。也就是说，同样的钱，降档的贵款往往比拉满的便宜款更划算。

有两个例外不能忽略。第一是智能体考试这类题目，便宜款各档都赢，降档也赢。第二是科研编码，只有最高档便宜款才反超，低档贵款反而领先十几个点。还有一个常见坑：不同测试集的分数不能直接比，拿一款的 A 卷成绩去比另一款的 B 卷成绩，比出来的「翻倍」是假的。

所以选型结论分两层：较真的硬编码和科研编码，继续用贵的；高频的电脑操作、视觉、表单类重复工作，可以先试便宜款的中档，最后按「每通过一个任务花多少钱」定路由，而不是按标价定。