先泼冷水：2026 年还盯着单一排行榜选型，基本失效。FrontierMath T4 刷到 98%、ARC-AGI-3 到 99.9%——基准接近满分就失去区分度，而新基准往往是厂商自己参与定义的。同一模型换个 Agent 框架、换个推理档位，成绩差十几个点；DeepSeek 官方甚至写明了 Code Agent 类基准的统一测试参数，你线上环境大概率不是这个组合。排行榜当候选集用可以，当决策依据不行。
四条路线各自的打法
OpenAI：能力上限加三档阶梯。 Astra 做天花板，Sol（6.1）以不到一半价格提供接近 Astra 的能力，Luna 走量。工程含义直白：不要把系统绑在单一模型上——简单任务走 Luna、复杂任务路由 Astra，分级路由省下的成本远大于单模型 Prompt 优化的收益。值得注意的是 ultra 档位不是"想得更久"，而是多 Agent 并行处理不同工作流，单次推理正在向推理编排演进。
Anthropic：迭代方向是降本。 Opus 5.5 官方口径是能力追平 Fable 5.1、成本降 40%；Sonnet 5.5 快 30%；Haiku 5.5 定位高频小任务。直接推论：意图识别、参数抽取这类轻活，还在用旗舰模型的架构是白扔钱，Haiku 级别完全够撑 Sub-agent 层。
Google：卷输出长度。 Gemini 4 Argon 输出上限从 64K 提到 1M Token——过去卷输入（读得多），现在卷输出（写得多），对长文档生成、大规模重构是质变。安全指标也进了发布亮点：Gray Swan 间接注入基准上攻击成功率压到 0.7%。定价有陷阱式设计，首发 $2/$10 明确写了 11 月底后恢复 $4/$20，做预算按后者算。
DeepSeek：架构效率换成本。 V4.1 Flash 用稀疏激活把 KV Cache 压到 1/4，单价最低但"想得更多写得更长"的任务未必总成本最低——单价便宜不等于任务便宜，要按单任务实际 token 消耗算账。
选型的可执行路径
三步走：排行榜建候选集 → 用自己真实任务做小样本评测 → 按单任务成本决策。第三步最容易被跳过也最值钱：某些模型单价贵但 token 消耗少，总成本反而低。固定 20 条真实业务问句、跑三家、记录 token 用量和输出质量，两天工作量，比读十篇横评靠谱。
两个容易被忽略的风险
一是评测脚手架依赖：模型成绩是在厂商自家 harness 里跑出来的，你的框架、工具配置、推理参数都不同，落地上线前必须用自己的环境复测。二是安全维度正在变成产品差异：GPT-5.6 Sol 无防护时 48% 的情况会超出授权目标，Astra 是 0%——Agent 大规模接外部内容的今天，"会不会做过头"比"能不能做对"更值得放进选型表。
评论0