如今成本与延迟之间已经有了明码标价的兑换率——同一个模型上就是 4 倍的价格带——于是三角形里只剩质量这一角还得靠你自己去测。
同一次 Claude Opus 5.5 请求,每百万输入 token 要花 2 美元还是 8 美元,取决的只有一件事:你多急着要答案——走 Batch API 半价,开 fast mode 翻倍。成本 / 质量 / 延迟这个三角形里,已经有两角变成了可以直接查表的兑换率,于是真正剩下的问题是任何厂商都替你答不了的那一个:这一步到底需要多少质量。而便宜那一角一旦弄错,咬得最狠:Claude Haiku 5.5 是当前唯一按提示长度计价的模型,一旦某次请求的提示超过 100,000 token,其中每一个 token 都按 5 倍收费——缓存命中的那些也算。
步骤 1三条轴,其中两条已经标了价。
按档位思考,而不是按参数量。架构、训练数据与后训练的权重不输于规模,多数模型根本不公布参数量,而每家厂商出的其实是同一级阶梯:一个小而快的档、一个均衡的中档、一个前沿档。阶梯才是实用的抓手。截至 2026 年 10 月,Anthropic 公开价目表上的这级阶梯是这样的。
Claude list prices, USD per million tokens, October 2026 Tier / model | Input | Output | Cache read | Output / input ----------------------|--------|--------|------------|--------------- Haiku 5.5 (≤100K) | 0.10 | 0.50 | 0.01 | 5× Haiku 5.5 (>100K) | 0.50 | 2.50 | 0.05 | 5× Sonnet 5.5 | 2.00 | 10.00 | 0.10 | 5× Opus 5.5 | 4.00 | 20.00 | 0.20 | 5× Fable 5.1 | 10.00 | 50.00 | 0.25 | 5× For comparison, the retired Opus 4.1 listed at 15.00 / 75.00.
这张表里有两件事比绝对数字更值钱。第一,当前每一档的输出价都是输入价的 5 倍——这个比例已经跨过一整代模型保持不变,意味着任何「要写很多字」的步骤在每一档都贵,换模型救不了它。第二,这级阶梯在你脚下往下滑:Opus 5.5 的 $4/$20 低于 Opus 5 的 $5/$25,而后者又只有 Opus 4.1 当年收费的三分之一。正是这种代际漂移,让「用最大的模型」很少成为一个站得住的默认选项——去年的旗舰能力就是今年的中档,而且今年比去年更便宜。至于为什么你的账单并没有按同样的倍数下降,价格通缩那一篇把它算清楚了。
延迟是两个数字,不是一个:首 token 时延,由对整段提示做 prefill 的开销主导;以及总生成时间,由输出长度主导。交互式产品的生死系于前者,批处理作业只在乎后者。质量则根本不是一个数字——小模型在抽取或分类上可以追平前沿模型,却会在二十步的规划里崩掉。这恰恰是公开排行榜回答不了这个问题、而你自己的评测集能回答的原因。
步骤 2成本与延迟不再是你得去做工程权衡的事——它已经是一个价格。
这个三角形的经典讲法,把延迟当成模型规模的物理后果:你想更快,就往下挪一档,拿质量去换。决策的形状已经不是这样了,因为同一个模型现在按几种速度在卖。
- 交出交互性,换 5 折。Batch API 对每个模型的输入与输出都打五折。Opus 5.5 从 $4/$20 降到 $2/$10。模型没有任何变化;你只是为一个异步到达的答案少付了钱。参见批处理与异步推理。
- 买速度,付 2 倍。Opus 5.5 的 fast mode 标价 $8/$40,对应标准价 $4/$20,换来的是同一个模型上更快的输出。延迟现在有吊牌价了,而这个吊牌是基准价的 100%。
- 两者合起来,就是质量恒定下 4 倍的价格带。同一个模型上每百万输入从 2 美元到 8 美元,完全由「答案何时到达你有多在意」决定。任何关于该用哪一档的争论,都应该在你决定好自己处在这条带子的哪个位置之后再谈——因为这条带子比某些相邻档位之间的差距还要宽。
缓存是唯一能把成本与延迟推向同一方向的杠杆,因为一次缓存命中省掉了本来要重做一遍的 prefill。倍数是公开的:缓存读取在多数模型上是基准输入价的 0.1 倍,在 Opus 5.5 与 Sonnet 5.5 上是 0.05 倍,在 Fable 5.1 上是 0.025 倍——$10 的基准价对应每百万 $0.25,对你反正要重发一遍的文本来说是 40 倍的折扣。写入则是五分钟缓存收基准价的 1.25 倍、一小时缓存 2 倍,所以五分钟缓存读一次就回本,一小时缓存读两次回本。对一个每一步都重发固定系统提示与工具清单的智能体来说,这是本页上最大的一个数字。机制见提示缓存。
质量是唯一一条没有公开兑换率的轴。这种不对称,就是这个三角形在 2026 年的实际内容:有两条边你可以按已知价格买过去,第三条你只能自己去测。跳过这次测量的团队,最后要么为一个分类步骤付前沿价,要么因为「便宜档真的便宜」而上线了一次质量回退。
步骤 3便宜那一角里有道悬崖,而智能体会在跑到一半时走下去。
从 4.6 开始的每一个当前 Claude 模型,都按同一个平价对整个一百万 token 窗口计费——用 Anthropic 自己的话说,「一个 900k token 的请求,按与 9k token 请求相同的每 token 单价计费」。例外恰好只有一个,而且正是最便宜的那个模型。Haiku 5.5 按提示长度计价:超过 100,000 token 之后,输入、输出、缓存写入与缓存读取全部跳涨 5 倍。这条规则写得异常具体,而其中每一个分句都要花钱:
- 提示长度统计的是全部输入 token,包含缓存读取与缓存写入。缓存并不能帮你留在阈值以下——95,000 token 的已缓存前缀加上 10,000 token 新鲜的工具输出,就是一个 105,000 token 的提示。
- 每次请求各自定价。越过阈值的那次请求照高价收费,即便它的提示大部分都是缓存命中;而在它之前的请求,仍保留它们当时被计的价格。
智能体循环的上下文是单调累积的,所以这不是一个你做一次就定了的模型选择——它是你这一次运行会在某个步数上跨过的一道边界。把它算一遍。假设一段固定的 30,000 token 系统提示与工具清单,每一步追加 4,000 token 工具结果、输出 500 token,共二十步。第 k 步的提示大约是 30,000 + 4,500k 个 token,在第 16 步越过 100,000。
Twenty-step agent, Claude Haiku 5.5, no caching
input tokens rate cost
steps 1-15 (under 100K) 990,000 $0.10 $0.0990
steps 16-20 (over 100K) 555,000 $0.50 $0.2775
output, steps 1-15 7,500 $0.50 $0.0038
output, steps 16-20 2,500 $2.50 $0.0063
-------
total 1,545,000 $0.3865
Priced naively at the headline rate: $0.1595
Actual / estimate: 2.4×
Share of the bill in the last five steps: 73%
估算错了 2.4 倍,而且误差是集中的:二十步里的五步承担了将近四分之三的成本。请注意这里没有说什么。Haiku 5.5 的 $0.3865,仍比把同一个循环跑在 Sonnet 5.5 上便宜大约八倍——便宜档依然便宜。坏掉的是你的预测,以及你账单的形状:正是这件事,让一个被你建模成平直的运行,在第 17 步触响了预算告警。如果你是从每 token 的头条价来预测智能体支出,请看智能体支出预测里能抓住这件事的那套纪律。
步骤 4这个三角形到底该怎么用。
你不必挑一个全局的点,而所有最强的做法,靠的都是拒绝去挑。
- 做路由,不要做选择。阈值以下的 Haiku 5.5,输入价是 Opus 5.5 的二十分之一、Fable 5.1 的一百分之一。先把所有请求发给便宜档,在不确定或检测到任务偏难时再升级;真实流量大多是简单的,所以大部分会在便宜路径上解决,只有确实需要的少数去付前沿的价。实现见模型路由。
- 按步分档,而不是按应用分档。在同一个智能体内部:用小模型做分类与路由,只在真正难的规划步用推理模型,用中档写最终答案。模型选择的单位是「步」。
- 在悬崖之前压缩,而不是之后。如果你用的是按长度计价的档位,那个阈值就是上下文压缩的硬截止期,而上下文预算就是让你留在它便宜一侧的东西。如果你实在留不住,一个平价档位的总花费,可能比一个便宜档位的 5 倍还要低。
- 往上调档,绝不往下调。从能通过你评测的最小档位起步,只在它可测地失败的地方往上挪。先用前沿模型、事后再想办法砍成本,是用更差的信息去做同一件事——因为到那时,你手上根本没有「便宜档会表现成什么样」的测量。
- 按你真正买的单位计价。算每个完成任务的成本,而不是每 token 的成本——在一个智能体循环上,「少写字」与「降单价」并不是同一种折扣,更少 token 还是更便宜的 token 把它写成了闭式;而一次分词器更换可以在没人改动任何价格的情况下移动你的 token 数。
照这个顺序做。在你自己的评测集上定下质量门槛;挑出能过线的最小档位;然后取你的延迟要求允许的那个公开兑换率——答案等得起就走 batch,等不起就开 fast mode,其余情况走标准价;再把固定前缀缓存起来,因为那是唯一能同时改善两条轴的动作。而如果你的便宜档是按提示长度计价的,就把那个阈值当成一份上下文预算,而不是一条计费细则:一个不知道悬崖在哪里的智能体,会在第 16 步找到它。
延伸阅读:如何选模型给出逐任务的清单,智能体成本控制给出循环的算术,小模型与本地模型讲的是每 token 单价归零、取而代之出现一个吞吐上限的那种情形,而给延迟定价讲的是一次延迟改进对付钱的那家业务到底值多少。