单任务成本这笔账：Flash 是便宜还是假便宜

一句话总结：每百万 Token 的报价只是单价，真实成本取决于输入输出比、思考 token 和重试次数——同一个任务，Step5 花 0.71 美元、M3.1 Flash 花 0.22 美元、Opus 5 花 5.86 美元，差价 26 倍，跟报价单上的差距完全不是一回事。

选模型时最容易犯的错，是拿「每百万 token 多少钱」直接比。这就像比较两辆车的油耗，却不看载重和路况。

这篇只算一件事：跑完一个真实任务，你到底花了多少钱。

先说结论：三个数字

Artificial Analysis 在统一任务集上测的单任务平均成本：

注意这是「同一批任务」的口径，不是拿各家自己的测试集比的。这个差距比单价差距更极端：M3.1 Flash 的输入价是 Opus 5 的几十分之一，但单任务成本只便宜 26 倍，说明别的地方在吃钱。

图 1：左边是同一批任务的实际花费，右边是三个容易被忽略的加价项

为什么单价便宜不等于成本低

三个变量在偷偷加价：

变量一：输入输出比。 大多数任务输入远大于输出（读文档、读代码、读上下文），输出只有一小段。如果你的输入价便宜但输出价贵，长输出的任务反而更亏。反过来，短输出任务几乎只吃输入价。

变量二：思考 token。 这是最大的暗坑。M3.1 Flash 的思考关不掉，简单请求也要先烧一段推理 token。假设一次请求原本 200 token 输出，加上思考变成 1500 token，成本直接翻七倍。报价单上看不出这一层。

变量三：重试次数。 Agent 任务里一次失败就要重跑，失败率 10% 意味着成本 +11%，失败率 30% 就是 +43%。分数低的模型在这里会被反复惩罚。

手动算一遍

假设一个典型任务：读 3 万 token 的文档，输出 2 千 token，不重试。

单看这笔账，M3.1 Flash 便宜到可以忽略。但把思考 token 加进去（假设每次请求多 1000 token 输出），它的输出成本变成 $0.0018 起步，再加上重试，差距会被压缩。

所以「便宜 26 倍」这个数字，只有在任务极短、不重试、不思考的情况下才成立。

什么情况下便宜是真便宜

批量分类、信息抽取：输入长输出短、不需要深度思考、几乎不重试。这种任务 M3.1 Flash 是真香，单价优势完整兑现。

长上下文分析：输入几万 token，输出一段报告。看输入价，Step5（$1）比 Qwen3.8（$2）便宜一半，比 Opus 5 便宜一个数量级。

代码生成：输出长、重试多、需要思考。这时候便宜的模型反而可能更贵——因为它要多跑几次才过。

什么情况下便宜是假便宜

高失败率任务：一次不成功重跑三次，省下的单价全赔进去。这种任务宁可上贵的旗舰。

需要精确推理：便宜模型的幻觉率往往更高，错了要人工复核，人力成本远高于 token 差价。

长输出任务：输出价才是大头，别只盯输入价。

常见问题

为什么 Step5 单任务比 Qwen3.8-Max 便宜？

单价低一半（$1 vs $2），加上输出更短。AA 口径下 0.71 对 Qwen3.8 未公布同口径数字，但按单价推算接近。

M3.1 Flash 的 $0.22 怎么算出来的？

AA 用统一任务集跑完，把总花费除以任务数。注意它比 DeepSeek V4.1-Flash 便宜的原因之一是输出 token 更少（189M vs 224M）。

自托管是不是零成本？

不是。电费、显卡折旧、运维人力都要算。2.5B 的模型跑在旧笔记本上接近零成本，600B 的模型自建一年几十万起步。

怎么估自己的成本？

拿 10 个真实任务跑一遍，记录输入/输出/重试次数，再乘单价。别用官方单价推，误差会很大。

有没有必要为省成本降级模型？

先看任务失败率。失败率低于 5% 的，降级划算；高于 15% 的，降级基本是赔钱。

结语

单价是给采购看的，单任务成本才是给工程看的。这两个数字能差出几倍，甚至改变结论。

我的做法很简单：新模型先跑 10 个真实任务，算平均成本，再跟现用方案比。跑分榜可以参考，但账单只认你自己的任务。