LONG AI
首页 › 博客 › 推理模型什么时候用?6 个模型 8 道题实测账单

推理模型什么时候用?6 个模型 8 道题实测账单

分类:选购指南 · 8 分钟 · 2026-11-10

结论先说:6 个模型跑同一批 5 道日常题,30 次调用全部答对,最贵实扣 0.011027 元、最便宜 0.000346 元,差 31.9 倍。我又补了 3 道"看着必须动脑"的题(24 点、12 球天平、9 步连算),还是全对。在我测的这批题里,多付的钱买到的是更多看不见的思考 token 和更长的等待,不是更准的答案。

口径:同一把 Key、同一批提示词、不设 temperature;耗时取本站服务端记录,金额取使用记录里的实扣,不是按单价估算。模型名都能在 模型广场 搜到,价格以模型广场实时价格为准。

一、5 道日常题:全对,钱差 32 倍

模型5 题实扣(元)累计耗时答对
gemini-3.8-flash0.01102767.4 s5 / 5
gemini-3.8-flash-high0.00423435.6 s5 / 5
glm-5.30.00358868.9 s5 / 5
deepseek-v4-pro0.00249858.8 s5 / 5
glm-5.3-flash0.00036611.1 s5 / 5
deepseek-v4.1-flash0.00034620.3 s5 / 5

题目:抠应付金额、30 字改写、三步算账、真假话逻辑、读代码结果。

6 个模型跑同一批 5 道题全部答对,实扣从 0.000346 元到 0.011027 元,相差 31.9 倍
图 1|同一批题、全部答对,实扣差 31.9 倍(对数刻度,视觉上把差距压小了)。数据取自本站 2026-11-10 的账单。

二、算到单题:一句 30 字改写,差 56 倍

差距最大的是改写题:

两个答案都能用。钱差 55.7 倍、时间差 8.8 倍,换来的只有措辞上的差别——用错地方最典型的形态不是效果差,是没有任何收益的纯支出。

三、钱花在哪:思考 token 占 99%

同一题输出 7052 个 token,其中 7035 个是 reasoning_tokens,正文只吐了十几个字。思考按输出价计费,而输出价通常是输入价的 5 倍。

四个模型的 usage 对比:gemini 输出 7052 token 其中思考 7035,deepseek 没有 reasoning_tokens 字段,minimal 档输出只有 13
图 2|同一条提示词,四种 usage 形态。deepseek 根本没有 reasoning_tokens 字段,思考藏在 completion_tokens 里——按字数估成本的脚本会错一个量级。

还有更隐蔽的口子:输入侧。同一句 88 字的问题,glm-5.3-flash 这一笔记了 7437 个输入 token,同题的 glm-5.3 只有 76 个。模型自带的系统提示、工具定义都按输入价收钱——那一题 glm-5.3-flash 实扣 0.000336 元,glm-5.3 只有 0.000167 元。单价便宜十倍,账单反而更贵。

四、一个参数,把成本压回默认档的约 1/240

推理模型都留了思考预算的口子,只是参数名各家不同,写错了不报错、被静默忽略、钱照收。同一句改写题按不同参数各跑两遍,数字稳定复现:

gemini-3.8-flash-high 的参数输出 token耗时实扣(元)
reasoning_effort = minimal13 ~ 144.7 s0.0000326 ~ 0.0000339
reasoning_effort = low17 ~ 183.4 ~ 7.8 s0.0000381 ~ 0.0000395
reasoning_effort = high228917.0 s0.0031754
不传参数(默认)570144.7 s0.0078868
reasoning_effort = medium785853.4 s0.0108653
思考档位实测:minimal 档实扣 0.0000339 元,medium 档 0.0108653 元,差 320 倍;glm 要用 reasoning_effort=none 才真关掉
图 3|左:gemini 的档位扫描;右:glm 的两种"关思考"写法。同一句改写,最贵与最便宜差 320 倍。

两个反直觉的地方:

所以别信文档,传完看返回的 usage:输出 token 掉到个位数,才算真关掉了。

五、"难任务"也没分出高下

3 道题:用 3、3、8、8 凑 24(答案 8/(3-8/3))、12 球不知轻重最少称几次(3 次)、9 步连算(237)。一个都没翻车。deepseek-v4.1-flash 用 81 个 token、2.4 秒答对连算,24 点题 111 个 token、5.5 秒。

反倒是 deepseek-v4-pro,同一道 24 点花了 503 个 token、10.7 秒,实扣贵 14 倍,答案一样。所以"看着难"不能当作开推理的理由;真正拉开差距的是长链条、多约束、要反复自我校验的任务,只能拿自己的题去试。

六、三分钟自测

  1. 从线上抽 10 条真实输入,带脏数据、长短不一,别用"1+1"这种题。
  2. 便宜与贵各跑一遍,同一提示词、同一批输入。
  3. 看使用记录里的输入 token、输出 token、实扣,同时给答案打分。
  4. 只保留"便宜那个答不对、贵那个答对"的题;这类题少于 2 条,就说明你的业务不吃推理,换便宜模型 + 加一条校验规则更划算。

为什么是 10 条:单条可能是运气,要重复三次看稳定性。价格以 模型广场 实时报价为准,同一模型不同卖家折扣不同。

七、常见问题

1)为什么 completion_tokens 比答案字数多几十倍?
思考 token 按输出计费,但多数供应商不把思考过程放进正文。gemini 单列 reasoning_tokens,deepseek 只有 reasoning_content、token 并在 completion 里,glm 时有时无。看到 7052 而正文 20 字,正常。

2)设了 max_tokens 为什么还是慢或答案被截断?
思考也算在 max_tokens 预算内。预算给小了,模型想着想着就用完,正文吐不出来。留预算要比预期正文宽 3~5 倍。

3)传了关思考的参数,账单为什么没降?
参数名不对就被忽略。判断办法只有一个:看返回 usage 的输出 token 有没有掉下来。glm-5.3 认 reasoning_effort=none、不认 thinking.type=disabled,这是 11 月 10 日实测结果。

4)输入 token 为什么比我的提示词长那么多?
模型自带的系统提示、工具定义、格式约束都算输入。这一批里同一句话见过 76 和 7437 两种输入 token,按字数估成本的脚本必须拿账单校准。

5)便宜模型偶尔答错怎么兜?
先跑便宜档,命中明显失败信号(输出为空、JSON 解析失败、答"无法确定")再升级到推理档重跑一次。95% 请求走便宜链路,只有 5% 付贵的钱。一个 Key 下怎么切模型,见 站内文档。

八、三条分流规则

本文金额都是 2026-11-10 的真实扣费,价格随卖家和促销变动,下单前以模型广场实时价格为准;模型更新后思考的默认行为也可能改,自测建议每季重跑一次。

相关文章

GPT-6.2发布降价20%:大模型价格战下怎么买模型更省

OpenAI发布GPT-6.2并把旗舰价下调20%,阿里、腾讯同周把单任务成本和缓存价压到新低。结论:官方降价仍远高于本站实付价,gpt-6-astra现在最深0.099折,实付$0.099/百万输入token。日常用现款便宜档,追新等上架比价。

大模型缓存token是什么?缓存命中一次能省多少钱

大模型缓存token是什么?一句话:把重复的提示词前缀存下来,命中后按缓存读计价,通常只有正常输入价的5%到12%。本文用在售模型的真实缓存价,讲清缓存读写怎么算钱、什么情况命中,以及怎么把账单压下来。

Claude有哪些模型?12个在售版本实付价与选型指南

Claude 有哪些模型?站内 12 个版本按实付价排完发现:最新的 opus-5-5 月成本 $8.91,最老的 opus-4-6 反而 $49.50。本文给出全系价格表、真实实测数据与四个场景的选型结论,日常开发选 sonnet-5-5 最稳。

写代码用哪个AI模型?2026年11月编码模型实测与价格榜

写代码用哪个 AI 模型?按本站实付价和 24 小时实测:gpt-5.6-terra、deepseek-v4.1-flash 各三千多次调用零失败,每月千次请求分别 $2.85 和 $1.66;gemini-3.8-flash 出字 111 token/s 最快。附完整实付价表与三档选型建议。

一个 API Key 怎么调用 500+ 模型?平台接入教程与代码示例

拿到密钥后把 API 地址改成平台地址,就能用一个 Key 调用在售的 138 个模型(覆盖 51 家厂商),同时兼容 OpenAI 和 Anthropic 两种请求格式。本文给出可直接复制的接入代码、模型切换方法和常见坑,全部接口已实测验证,数据截至 11 月 16 日。