旗舰模型竞争转向算力账本 单任务成本差距最高约23%
要点
前沿模型的榜单分数正在被另一组数字重新排序——完成一次具体任务需要花多少钱。三家厂商的旗舰模型在基准测试上的差距只有一到两分，但按第三方评测机构Artificial Analysis的测算，同一套综合测试任务下，谷歌Gemini 4 Carbon的平均单次成本为7.76美元，A…
前沿模型的榜单分数正在被另一组数字重新排序——完成一次具体任务需要花多少钱。三家厂商的旗舰模型在基准测试上的差距只有一到两分，但按第三方评测机构Artificial Analysis的测算，同一套综合测试任务下，谷歌Gemini 4 Carbon的平均单次成本为7.76美元，Anthropic的Claude Opus 5.5最高为10.04美元，前者低约23%；OpenAI的GPT-6 Astra为6.25美元。而同样在能力接近的前提下，Anthropic自家两款模型之间的单任务成本差距比这更大。
厂商自己的披露已经把成本写进了评测口径。Anthropic在Fable 5.2的发布材料里不再只列分数：在FrontierCode 2.0智能体编码基准上，Fable 5.2在High effort档得分45.3%，与Opus 5.5的最高分45.5%基本持平，单任务成本约为后者的一半；在Xhigh档达到49.1%，为其测试过的已发布模型最高分；在Perplexity的WANDR智能体搜索基准上，Medium effort档的82.1%与Opus 5.5最高分相当，单任务成本约为其40%；在Humanity’s Last Exam上，Low effort档的74.2%追平Opus 5.5最高分，单任务成本不到其十分之一。这套”同等分数对应多少成本”的表述方式，比单列一个百分比更接近采购方真正要算的账。
价格结构上的差异被这轮调整进一步放大。Anthropic的Opus 5.5输入与输出token分别为每百万4美元与20美元，比Opus 5低20%，缓存读取0.20美元、低60%，官方称默认设置下典型工作负载成本比Opus 5低40%；Fable 5.2则是每百万8美元与40美元，并提供每百万16美元与80美元、最高提速2.5倍的快速模式。谷歌把Carbon的入门价定在与前一代Argon持平的每百万2美元与10美元，缓存输入享95%折扣，优惠期结束后回到每百万4美元与20美元。OpenAI的GPT-6 Astra为每百万10美元与50美元，同门另有每百万2美元与10美元的Sol、1美元与5美元的Terra、0.10美元与0.50美元的Luna四档，但官方同时注明这些价格对应的是上下文长度低于272K时的标准处理费率。
折扣机制正在成为定价之外的第二个变量。Anthropic的缓存写入价为输入单价的1.25倍、缓存读取降到0.2美元，官方明确指出缓存读取构成智能体与编码工作成本的多数；谷歌对Carbon的缓存输入给出95%折扣；阿里云百炼的口径更细，显式缓存创建按标准输入单价的125%计费、命中按10%计费，批量调用则按实时推理价格的50%结算。对需要反复调用同一批上下文的智能体工作负载而言，读写比例和批量折扣对总账单的影响，可能超过名义单价之差。
这也解释了为什么厂商愿意把”跑分之外”的指标摆到台面上。Anthropic自己在Opus 5.5的发布材料中写道，在当前能力水平下，基准测试的分差已经不太能可靠地反映现实世界的差异，其自有使用中Opus 5.5与Fable 5.1之间的差距比分数显示的更窄。第三方评测机构的口径同样谨慎：Artificial Analysis同时记录了Carbon在部分单项上并不领先，在软件工程评测上落后于Opus 5.5配套的Claude Code，在知识工作上落后于若干其他模型；按任务计算的成本是该评测任务的成本，不等于任何一家机构工作负载的确定报价。
账本的另一面是开源权重模型的量价背离。DeepSeek官方API文档给出的价格显示，deepseek-flash在非高峰时段缓存未命中输入每百万0.15美元、输出0.60美元，缓存命中输入低至0.003美元，峰值时段为非高峰的两倍；deepseek-v4-pro对应0.66美元与1.98美元，上下文1M、最大输出384K。阿里云百炼的qwen3-max按输入token阶梯计价，32K以内输入2.5元、输出10元，32K至128K为4元与16元，128K至252K为7元与28元；qwen3.8-max则为输入12元、输出36元、上限1M。价格优势带来调用量，但调用量能否转换成等比例的收入，取决于付费场景。
把这些账本放回产业层面，会看到一条清晰的传导链。谷歌把2纳米制程与AI电力消耗并列表述，指向的是单位算力成本的下行空间；Anthropic在招股文件中披露算力与基础设施承诺支出总额约8954亿美元，其中近半预计在2030年底前发生；模型厂商的降价能力，最终锚定在自建或外采的算力价格与利用率上。旗舰模型竞争的实质，已经从谁在榜单上领先一两位，转为谁能在同等能力水平下把每一次调用的成本压得更低，同时把算力侧的长期承诺管住。
需要说明的是，账本口径的统一尚未完成。各家的”单任务成本”基准任务集、effort档位设置、是否计入重试与工具调用成本并不一致，缓存折扣与批量折扣的适用条件也有差异；厂商自述的成本数字与第三方测算之间同样存在方法论落差。因此这些数字目前更适合作横向参照的方向性标尺，而非可直接比较的采购报价。真正可验证的落点在于：随着各家把同等分数对应的成本写进发布材料，采购方的比价方式正在从”哪家分数最高”转向”完成我这个任务要花多少钱”，而这个转向本身，会反过来决定各档模型的调用分布。
