2026 年编码模型怎么选：真实价格对照、四个省钱机制和三档路由

每隔一段时间就有人甩给我一张「最新模型排行榜」，问我该用哪个。我点开看过很多张，结论是：大部分不能信。

不是作者坏，是这类内容太容易批量生成了。同一篇文章里，模型名和版本号对不上、跑分来自三个月前的脚手架、甚至连厂商都写错——这种表我见过不止一次。你要是照着它做技术选型，比不看还糟。

所以这篇不写排名，也不转述别人的跑分。我做的是一件笨功夫：去各家官网把价格页扒下来，把真实的数字摆在一起，然后告诉你怎么用这些数字做决策。

下面所有价格都是截至本文写作时从官方定价页抓取的，各家随时会调价，你付钱前请自己再核一遍原文。方法论部分不会过期，数字会。

一、先改一个问题：别问「哪个最强」，问「哪个够用且便宜」

前沿模型之间的能力差距，比厂商宣传的小；它们之间的价格差距，比你想象的大。这两句话合起来，得出一个很实用的结论：

绝大多数日常任务，用不到最贵的那个。

真正需要旗舰的，是那些「错了代价很高、且需要大量上下文与推理」的活：复杂架构决策、跨模块迁移方案、反复失败后的疑难 bug。而日常的代码补全、写测试、改配置、写文档、批量重命名，中端甚至便宜档就够用——你分辨不出差别，账单能分辨。

二、真实价格对照

先说明口径：下表是每百万 token 的输入 / 输出单价，都是各家官方定价页的原文数字。国外厂商标美元，国内厂商标人民币，我不做汇率换算（汇率会变，你自己感受量级就行）。

国外两家（美元 / 百万 token）

看这个表最值得注意的一条：同一家、同一代里，旗舰和轻量档的价差可以到 100 倍（gpt-6-astra 10 美元对 gpt-6-luna 0.10 美元）。这意味着「全程用最贵的」和「按需分档」，账单可能差一个数量级。

国内两家

智谱 GLM（人民币 / 百万 token，1M 上下文）：

DeepSeek（美元 / 百万 token，1M 上下文，分峰谷）：

国内这几家在中文语境和国内合规上有天然优势：中文注释、中文文档、中文业务术语的理解更准，数据出境的顾虑也小。如果你做的是国内交付项目，这一条往往比跑分重要。

三、四个能立刻省钱的机制

价格表只是第一层。真正在生产里拉开差距的，是下面这四个机制——很多人用了半年都不知道。

机制一：缓存命中价，和未命中价差几十倍

看 DeepSeek 那张表：deepseek-flash 缓存命中 0.003 美元，缓存未命中 0.15 美元——差五十倍。智谱也一样，GLM-5.3 输入 8 元、缓存命中 2 元。

含义很直接：你的 prompt 前缀越稳定，命中率越高，越便宜。所以别每次请求都动态拼一大段系统提示词，把稳定的部分（项目说明、规范、固定上下文）放在前面，让它能被缓存住。这是 agent 类应用里最大的一笔省钱空间，没有之一。

机制二：峰谷价差一倍（这条最容易被忽略）

DeepSeek 明确分了闲时和峰时，闲时价格是峰时的一半。而峰时时段是 UTC 的 01:00–04:00 和 06:00–10:00（工作日，不含中国法定节假日）——换算成北京时间，是工作日的 9:00–12:00 和 14:00–18:00。

也就是说：你白天上班时间跑的批量任务，正好是最贵的时段。把 CI、批量重构、夜间数据处理排到晚上或者周末，同样的活直接半价。这个调整几乎不需要任何技术改动，是我见过性价比最高的省钱动作。

机制三：Batch 调用通常五折

大规模离线任务走 Batch 接口，各家普遍有折扣（智谱明确写了标准价的五折）。代价是异步——适合批量分析、数据清洗、离线生成，不适合交互式会话。

机制四：长上下文有溢价，别无脑塞

OpenAI 的定价按 272K 分档，超过之后输入价直接翻倍（比如 gpt-6-astra 从 10 美元变 20 美元）。智谱也是按 32K 分档。很多人为了让 agent「多看看」，把整个仓库塞进上下文，账单就是这么爆的。

正确做法是给上下文设预算，并定期清理会话：小任务开新会话，别让历史无限累积。

四、算账：别看单价，看「解决一个任务多少钱」

这是最容易算错的一笔账。各家都标「每百万 token 多少钱」，但这个数字不能直接比，因为便宜的模型往往要更多轮次才能做对。

单个任务的成本 ≈ （输入 token + 输出 token + 重试开销）× 单价
                  ─────────────────────────────────────────
                            成功率

思路示意（数字是假设的，不是真实报价）：
  旗舰模型：单价 10，一次做对，成本 = 10
  中端模型：单价  2，平均要 1.5 次才对，成本 = 3
  → 日常任务上，中端的真实成本只有旗舰的三分之一

而 agent 类任务的输入 token 特别大——它要读文件、看报错、再读一遍。所以上下文长度对成本的影响，往往比单价更大。一个在仓库里反复搜索的小任务，可能比一次大重构还贵。

五、三档路由策略

知道了上面这些，策略就很自然了——按任务分档，而不是一刀切用最贵的：

第一档（轻量，占任务量的大部分）
  批量改写、格式化、写测试骨架、日志归类、简单补全
  → 这里省钱最有效，因为量大

第二档（主力，日常开发）
  写功能、跨文件小重构、修 bug、写文档
  → 绝大多数时间花在这一档

第三档（次旗舰 / 旗舰，只在需要时）
  复杂架构决策、大范围迁移、前两档失败后的兜底
  → 量少，但一次能省掉你半天

两个补充提醒：

• 别为了省钱全程用最便宜的。便宜档在复杂任务上会来回改好几轮，你花在纠正上的时间，远比省下的 token 值钱。省钱的正确位置是「大量的简单任务」。
• 能用免费档做验证就先用免费档。比如智谱的 GLM-4.7-Flash 输入输出全免费，用来跑通流程、验证 prompt、做原型，成本为零，跑通了再换付费档。

六、我在 Claude Code 和 Codex 之间的分工

两个我都在用，不是为了比较，是因为它们干的活不一样：

两个很实际的点：

• Codex 的任务之间不共享上下文，所以给它的任务书必须自包含——约束、范围、验收标准一次说全。给 Claude Code 可以边聊边补。
• 两边额度分开算，这反而是个好处：一边撞上限了，另一边还能继续干活。重度使用的人，这个冗余很值钱。

七、一个能直接用的评估流程

别信我的表，也别信任何人的表。花半天，按这个流程跑一遍你自己的项目：

1. 挑十个真实任务，覆盖解释、修 bug、加功能、重构、补测试、查偶发失败、升依赖、写迁移、安全审查、改文档。
2. 挑三个候选档：一个次旗舰、一个主力、一个轻量的（国内挑一个中文好的）。
3. 同一批任务跑三遍，同样的描述、同样的仓库状态。
4. 记录：完成率、引入的缺陷、人工干预次数、评审时长、实际花费。
5. 算出「解决一个任务多少钱」，而不是比谁分高。
6. 定出你的三档：哪个做日常、哪个兜底、哪个跑批量。

这套流程半年内都有效。而任何一张静态排行榜，三个月就过期了。

备忘

• 别问「哪个最强」，问「够用且便宜的是哪个」：前沿模型能力差距比宣传的小，价格差距比想象的大。
• 同家同代里，旗舰与轻量档价差可到 100 倍（gpt-6-astra 10 美元 vs gpt-6-luna 0.10 美元）。
• 四个省钱机制：① 缓存命中（DeepSeek Flash 命中 0.003 vs 未命中 0.15，差 50 倍，prompt 前缀要稳定）② 峰谷价差一倍（DeepSeek 峰时是北京工作日 9-12、14-18 点，批量任务排夜里或周末）③ Batch 五折（异步，适合离线）④ 长上下文溢价（OpenAI 超 272K 输入价翻倍）。
• 算账要算「解决一个任务多少钱」：（token × 单价）÷ 成功率，别只比单价。
• agent 任务里，上下文长度对成本的影响常大于单价——反复搜索的小任务可能比大重构还贵。
• 三档路由：轻量跑批量（量大省得多）、主力做日常、次旗舰/旗舰兜底。
• 别全程用最便宜的：纠正它的时间比省下的 token 贵；跑通流程可先用免费档（如 GLM-4.7-Flash）。
• Claude Code 适合要上下文连续、先出方案的大改；Codex 适合自包含、可放手的长任务（不共享上下文，任务书要写全）。两边额度分开算，一边撞限另一边还能干。
• 自建评估：十个真实任务 × 三个候选档 × 记录（完成率/缺陷/干预/评审时长/花费）→ 算出自己的三档。
• 所有价格截至写作时从官方定价页抓取，随时会变，付钱前自查原文。