在 AI 模型的选型决策中，很多团队习惯于比较 API 的每百万 Token 价格。但斯坦福大学 CRFM 的最新研究表明，这种比较方式存在严重缺陷：标价便宜的模型，实际运行成本可能反而高出数十倍。
斯坦福的 28 倍反转
研究团队在 MMLUPro 基准测试中发现了一个典型案例：
- Gemini 3 Flash 的标价：比 Claude Haiku 4.5 便宜 1.7 倍
- Gemini 3 Flash 的实际成本（完成相同任务）：比 Claude Haiku 4.5 贵 28 倍
造成这种反转的核心原因有两个：
- Token 效率差异：某些模型在回答复杂问题时需要更多轮对话和更长输出，导致实际消耗远超预期
- 任务完成率：如果模型无法一次给出正确答案，反复重试的成本会迅速累积
研究团队估计，约 20% 的模型成本排序在不同基准测试中会出现反转。这意味着单纯依赖标价做选型决策，五分之一的情况下会做出错误的选择。
Artificial Analysis Index 的最新数据
独立的 Artificial Analysis Index 在 4 月 25 日发布的成本数据也印证了这一发现。以下是运行全套基准评测的总成本：
| 模型 | 评测总成本 |
|---|---|
| Claude Opus 4.7 | $4,811 |
| Sonnet 4.6 | $3,959 |
| GPT-5.5 (xhigh) | $3,357 |
| GPT-5.4 (xhigh) | $2,851 |
| GPT-5.5 (high) | $2,159 |
| DeepSeek V4 Pro | $1,071 |
| GPT-5.5 (medium) | $1,199 |
值得注意的是，GPT-5.5 的 medium 档位（$1,199）在总成本上竟然接近 DeepSeek V4 Pro（$1,071），两者远低于 Claude Opus 4.7（$4,811）。如果只比较标价，这个结论几乎不可能出现。
实际工作中的启示
1. 用实际负载测试，不要用标价做决策
每个业务场景的 token 消耗模式不同。选型前应该用真实的工作负载在候选模型上跑一组测试，记录：
- 平均每次调用的输入/输出 token 数
- 任务一次完成率
- 平均延迟
2. 关注”混合成本”而非单一价格
混合成本 = (输入 token 占比 × 输入单价 + 输出 token 占比 × 输出单价) × 实际 token 消耗系数
对于以输出为主的场景（如内容生成），输出单价的权重更高；对于理解类任务（如 RAG），输入 token 占比更大。
3. 新模型上线初期的成本陷阱
当模型刚发布时，通常运行在最大 compute 预算下以展示最佳性能。Anthropic 和 OpenAI 都曾在发布后悄悄调整 compute 配置，导致同一模型在发布几周后的实际表现和成本发生变化。建议在模型发布后等待 2-4 周再做长期决策。