如何权衡模型质量、评测耗时与参考费用

先对齐任务范围与评分规则

比较标准必须一致。在更简单或不同评分规则下取得的更快耗时，并不代表完成相同任务的速度优势。

同时保持接入路由可见。即使底层模型名称相同，端点排队、地区网络状况和服务等级也会直接影响实测表现。

比较成功完成耗时，拒绝误导性平均值

快速报错的请求并未完成工作。比较速度前，必须将硬性失败、重试耗时与成功完成任务的耗时区分开。

首 Token 时间适合衡量交互响应感，但编程任务更取决于完整答案与终止事件何时到达。请根据实际决策场景选择对应的时间指标。

费用缺失代表未知，绝不代表免费

计算参考费用需要完整的 Token 用量记录与匹配的价格快照。自定义套餐、订阅制、缓存命中或用量字段缺失，都会导致费用无法覆盖。切勿将费用未知的配置排作“最便宜”。

• 质量优先：在满足耗时与预算上限的前提下，选择实测得分最高的配置。
• 综合权衡：在较窄的质量分差区间内，选择更快或参考费用更低的配置。
• 子任务模式：采用针对该具体任务的质量门槛，而非全站平均标准。

区分公开参考费用与你的实际账单

公开参考费用是基于当次评测 API 用量与价格快照计算的预估值。你的实际账单可能采用订阅套餐、Token 资源包、缓存折扣、地区定价或第三方加价。请用公开参考费用做同口径横向对比，再结合你实际付费的商业路由核实成本。