AI 工具与大模型实操测评

主流大模型横向评测、Prompt 与 Agent 效率工作流实战指南。

超写派专栏

单任务成本正在取代跑分,成为Agent模型的新标尺

AAI 实操测评实验室官方主理人2026年11月18日AI 专栏 · SupaWriter 深度研究工作流生成

OpenAI称GPT-6.2 Astra在Agents' Last Exam上以Claude Fable 5.2的5%成本实现更高分数,但这一数字只在特定基准上成立,且第三方测试显示Astra在智能指数上仍落后Fable 3分。本文拆解成本优势的真实来源——token效率而非降价,并说明为什么单任务成本正在成为Agent模型部署决策的关键变量。

单任务成本正在取代跑分,成为Agent模型的新标尺

5%成本的真实含义:不是全面超越,而是选择性领先

OpenAI对GPT-6.2 Astra的定价叙事,核心是一个被压缩成口号的数字:成本只有Claude Fable 5.2的5%。这个数字来自Agents' Last Exam基准测试。在该测试中,Astra得分77.6%,比Fable 5.2的72.8%高出5.5分,单任务成本则从Fable的60.05美元降至2.89美元。但“5%成本”不是全面成本优势,它只在这一特定基准上成立。OpenAI的对比脚注显示,Fable有九项任务被剔除,这直接削弱了同口径比较的严格性。第三方机构Artificial Analysis的智能指数则给出另一组结果:Astra得分62,Fable得分65,Astra并未超越。

模型跑分与成本对比表

5%成本的真实含义:不是全面超越,而是选择性领先

把“5%成本”还原为基准结果,需要同时看两个层面。第一层是OpenAI官方口径。在Agents' Last Exam v1.1上,Astra确实以更低成本拿到了更高分数。按披露数据,Astra每任务花费2.89美元,Fable每任务花费60.05美元,成本差距接近20倍。如果这一口径成立,意味着在长程专业工作流中,Astra用显著更少的token消耗完成了可比的、甚至略高的任务表现。这对Agent部署的经济账具有直接含义:当单任务成本从60美元降到3美元以下,模型选择逻辑会从“能不能做”转向“做一次值不值”。

第二层是方法学限制。OpenAI在对比中剔除了Fable的九项任务,脚注仅说明这一处理,未给出剔除标准。剔除任务会改变样本构成,使成本与得分的比较不再基于完全相同的任务集。此外,在Terminal-Bench-Science上,Fable的测量环境与Anthropic官方环境不同。这意味着OpenAI展示的成本优势,至少有一部分来自对比条件的差异,而非模型本身在相同任务上的真实消耗差异。

第三方数据进一步限制了“超越”的适用范围。Artificial Analysis的智能指数显示,Astra得分62,落后于Fable的65分。在FrontierCode 2.0和BenchCAD上,Astra同样落后于Fable。这说明成本优势并未覆盖所有场景。Astra在部分Agent工作流中实现了成本效率的显著改善,但在代码、CAD等需要深层推理的任务上,Fable仍保持性能领先。

因此,对“5%成本”的准确理解是:它是一个有明确适用范围的基准结果,而非全面成本优势的证明。它成立的条件包括:特定基准、特定任务集、以及OpenAI自行设定的对比方式。脱离这些条件,将5%推广为Astra在所有Agent场景中的成本水平,会高估其经济性。同样,因为第三方智能指数落后3分就否定Astra的成本效率,也会忽略Agents' Last Exam上真实存在的成本差距。两者并存,才是当前证据支持的全貌。

各模型智能指数与成本对比图

成本优势从哪里来:token效率比单价更重要

Astra的API单价与Claude Fable 5.2完全相同:输入每百万token 8美元,输出每百万token 40美元。单看定价,OpenAI没有发动价格战。但同样的任务,Astra在Agents' Last Exam上每任务成本2.89美元,Fable 5.2则要60.05美元。单价相同,成本却相差约20倍,差额只能来自一个变量:完成任务消耗的token数量。

模型分数与单任务成本对比表

Astra的成本优势不靠降价,而是靠减少推理过程中的token消耗来降低单任务账单。公开资料没有披露具体的技术路径,OpenAI只给出了定价和基准结果,没有说明是架构调整、推理策略优化还是其他机制。可以确认的是,这种效率差异在多个基准上都有体现:Terminal-Bench-Science 0.1上,Astra每任务成本7.15美元,GPT-6 Astra为23.80美元,前者约为后者的30%;Artificial Analysis的Intelligence Index图表也显示,Astra最高水平完成一项任务约需4美元,Fable 5.2超过25美元。

把单价和单任务成本放在一起看,结论很直接:Agent模型的经济性评价必须从“每百万token多少钱”转向“每完成一项任务多少钱”。单价只反映输入输出的边际价格,单任务成本才反映模型完成实际工作流的资源消耗。后者同时受单价和token效率两个变量影响,而Astra的案例恰好说明,当单价持平时,token效率可以单独制造出数量级的成本差距。

但这种优势有边界。token效率的收益集中在推理步骤可以被压缩的任务上——基准测试中定义清晰的Agent工作流、工具调用序列相对固定的场景,更容易被更高效的推理策略覆盖。在需要长程推理或多步工具调用的复杂任务上,减少token消耗可能以牺牲探索深度为代价。Coding Agent Index上Astra停滞在53分,落后于Fable,就是一个信号:token效率并未转化为所有Agent场景的能力提升。成本优势成立的前提是任务完成质量不下降;一旦为了省token而牺牲成功率,单任务成本的优势就没有部署意义。

对比项 GPT-6.2 Astra Claude Fable 5.2 GPT-6 Astra
API输入单价 8美元/百万token 8美元/百万token 公开资料未披露绝对价格,Astra较其低20%
API输出单价 40美元/百万token 40美元/百万token 同上
Agents' Last Exam每任务成本 2.89美元 60.05美元 8.99美元
Terminal-Bench-Science每任务成本 7.15美元 公开资料未披露 23.80美元

Astra展示的是一条与降价不同的成本曲线:模型能力接近时,推理效率成为部署决策中的独立变量。采购方比较的不再只是基准分数和单价,而是三者共同决定的单任务成本。一个便宜但需要更多次尝试才能完成任务的模型,最终账单可能比一个单价更高但一次通过的模型更贵。Astra的案例把这个公式具象化了:单价相同的情况下,token效率可以制造出20倍的成本差。

模型分数与输出token对比表

跑分正在失效:Agent测评需要看“完成任务的成本”

传统跑分衡量的是一道题答对没有,Agent工作流衡量的是一个任务最终完成没有。两者的差别在于,后者包含失败重试、工具调用、多步推理和上下文管理,这些都会产生真实开销。当模型能力差距缩小到个位数百分点时,单任务成本就从次要因素上升为决定性因素。

模型得分与任务成本对比表

Artificial Analysis的独立测试给出了一个清晰对照。在最大推理努力下,GPT-6.2 Astra在智能指数上得62分,每任务成本约4美元;Claude Fable 5.2得65分,每任务成本26.54美元。3分的智能差距,对应超过6倍的成本差距。对于批量部署Agent的企业,用Astra跑100个任务的预算,换成Fable只能跑大约15个。

这个对比改变了模型选择的计算方式。过去采购方先看基准分数,再谈价格;现在,当两个模型都能完成同一类任务时,问题变成:完成这个任务一共要花多少钱。Astra的62分虽然落后,但已经超过Gemini 4 Carbon的60分和Claude Opus 5.5的59分,处于可用区间。在这个前提下,成本效率直接决定Agent能否规模化落地。

成本优势的边界同样明确。Artificial Analysis的Coding Agent Index显示,Astra停留在53分,与上一代GPT-6 Astra持平,而Fable 5.2和Opus 5.5均为58分。在编码Agent场景中,5分的差距可能意味着更高的返工率和更多次的重试。如果任务对准确性要求极高,省下的推理成本会被错误修复的额外开销抵消。单任务成本只有在能力差距可接受的范围内,才是有效的决策变量。

对普通用户和开发者而言,这个转变的实际含义是:评估Agent模型时,不能只看单价,也不能只看跑分。需要把两者放进同一个公式——完成一个真实任务的总成本。Astra的案例表明,在能力接近的区间内,这个总成本可以相差数倍,而它并不总是由单价决定。

模型跑分与单任务成本对比表

别被“5%”带偏:选择Agent模型要看任务类型

把“5%”当成通用结论,会做出错误决策。不同任务对错误的容忍度、对专业性的要求、对规模效应的敏感度完全不同,模型选择应该从任务类型倒推,而不是从单一成本指标出发。

模型任务通过率与成本对比表

合同审查是Astra成本优势最清晰的场景。Harvey的LAB-AA测试中,Astra通过率15.0%,Fable 5.2为7.2%,前者超过后者两倍,成本约为六分之一。这个测试要求满足每一条评分标准且零实质性幻觉,意味着Astra在更严格的标准下完成了更多任务,同时花得更少。当任务边界清晰、评价标准明确、错误可以前置拦截时,成本优势直接转化为部署优势。

代码生成呈现相反的结果。FrontierCode 2.0以真实代码库修改为任务,评判修改方案是否符合项目维护者的合并规范。Fable 5.2得分45.65%,Astra为44.2%,差距不大但方向明确。在Coding Agent Index上,Fable 5.2和Opus 5.5均为58分,Astra停留在53分。5分的差距在编码Agent场景中意味着更高的返工概率:模型提交的修改被维护者拒绝后,需要重新生成、重新审查,省下的单次推理成本会被多次重试抵消。

Epoch的开放式真实工作基准进一步限定了Astra的适用范围。该基准中Astra落后于Fable 5.2,说明在非标准化、需要灵活应变的真实任务中,成本优势无法弥补能力差距。任务越开放,路径越不确定,模型单次成功的概率就越重要,单任务成本的计算就越不能只看token消耗。

选择框架可以归纳为三个变量:任务的专业性、容错率和规模。合同审查专业性高但边界清晰,容错率低,Astra的性价比优势明显;代码生成专业性高、容错率中等,Fable的可靠性更值得支付溢价;开放式真实工作容错率取决于场景,但灵活性要求高,Astra的成本优势不足以覆盖能力差距。规模则决定成本差异的绝对值:任务量越大,单位成本差距越显著,但前提是能力差距保持在可接受范围内。

想拥有高效的全自动内容生产力?

SupaWriter 打通热点选题、长文创作、智能语义配图、文章 4 维客观评分与浏览器扩展一键发布,助你提升 10 倍创作效率。