大模型 API 性价比指数：五档等效成本法
把「每产生 1M 输出 token，业务实际付出的综合账单成本」算出来，成本越低的模型性价比越高；为避免单一业务场景偏差，我们取五档典型场景分别打分再取平均。
一、为什么不用「输入价 + 输出价」直接比？
不同业务的 token 消耗结构差异极大：长程 Agent 会话的输入可能是输出的 7 倍以上，且上下文缓存命中率极高；而单轮批处理几乎全是全新输入。直接比较某个单价会产生系统性误导——缓存折扣便宜的模型在复用场景占尽优势，在全新请求场景却毫无差别。
因此我们不比较「价格」，而比较「等效业务成本」：模拟一个真实业务账单，看每产出 1M 输出 token 到底花多少钱。
二、等效成本公式
三部分成本分别对应：可复用前缀的缓存命中计费、新内容按标准输入计费、以及模型生成内容的输出计费。若模型无独立缓存折扣，则 Phit = Pmiss，公式退化为 C = R × Pin + Pout。
值得强调的是：三项权重不是人为拍定的，而是由 R 与 α 内生计算得出。以深度复用场景（R=7.5、α=0.08）为例，缓存命中部分占成本 81.2%、未命中占 7.1%、输出占 11.8%——这正是长上下文业务的真实账单结构。
三、五档场景：不让单一假设决定排名
单一 R/α 假设只对一类业务成立。我们设置五档，覆盖从深度复用到全新请求的典型区间，每档独立计算 C 后与该档最低成本相除得百分制分，最终取五档平均：
| 档位 | 典型业务 | 输入:输出 (R) | 命中率 (1−α) | 当前霸主 |
|---|---|---|---|---|
| 深度复用 | 长程 Agent / 编程会话 | 7.5 : 1 | 92% | Qwen3.8-Flash |
| 中度复用 | RAG / 知识库检索 | 5 : 1 | 65% | Qwen3.8-Flash |
| 轻度复用 | 多轮客服 / 助手 | 2 : 1 | 40% | Qwen3.8-Flash |
| 混合负载 | 通用均衡负载 | 1.5 : 1 | 20% | Qwen3.8-Flash |
| 全新请求 | 单轮调用 / 批处理 | 1 : 1 | 5% | Qwen3.8-Flash |
四、稳定性校验结果
五档分别排名后我们检查了名次反转情况：当前入库的现役主力模型中，五档第一名均为 Qwen3.8-Flash，平均分口径下榜单稳定。同时分档得分揭示了结构性差异——例如小米 mimo-v2.5 深度复用档得 96 分（缓存命中价 ¥0.02 极低）但全新请求档仅 56 分，混元 a13b 则相反（46 → 66）；平均分能同时呈现两类优势。
五、收录范围：只比现役主力
模型库仅收录各厂商当前主推的现役模型（每家 1-3 档：旗舰 + 走量 + 轻量），上一代过时型号、边缘试水型号不参与排名，避免榜单被没有实际采购价值的条目稀释。当前入库 22 个模型（另有免费档单列展示，不参与计分）。
六、当前版本边界（如实说明）
① 纯价格口径：算法中的能力分 S（Score = S / C）因暂无业务实测数据暂未引入，当前指数只回答「同样产出谁更便宜」，不回答「谁更强」；引入实测能力分后指数会升级为综合分。② 价格口径：全部取厂商官网刊例的标准档/空闲档，限时活动价不参与计分，阶梯计费模型取最小档单价。③ 长上下文档位：超长输入涨价档未纳入模拟，超长请求场景请以厂商文档复核。
七、当前 Top 5（算法实时输出）
| # | 模型 | 厂商 | 五档得分 | 均分 |
|---|---|---|---|---|
| 1 | Qwen3.8-Flash | 阿里云 | 100 / 100 / 100 / 100 / 100 | 100 |
| 2 | 小米 mimo-v2.5 | 小米 | 96 / 59 / 56 / 54 / 56 | 64 |
| 3 | Qwen3.8-Plus | 阿里云 | 73 / 57 / 58 / 57 / 60 | 61 |
| 4 | GLM-5.3-Flash | 智谱 AI | 54 / 45 / 46 / 45 / 46 | 47 |
| 5 | 文心 ERNIE 4.5 Turbo | 百度智能云 | 52 / 43 / 42 / 41 / 42 | 44 |
算法后续升级（能力分引入、档位调整、数据源扩展）会同步更新本页并在此标注版本号。页面数据由流水线每日校验，价格绝不自动改写。