模型发布当天就过时：单任务成本成选型新标尺
过去一周，Grok 4.5、GPT-5.6、Claude Sonnet 5 接连登场。放在一年前，这样的发布密度意味着又一轮「谁最强」的排行榜争夺；但在 2026 年的现实里，一个耐人寻味的现象是：模型发布当天就可能「过时」——不是被更强的能力打败，而是被更低的单任务成本、更合适的调用方式重新定价。
行业主线已经从「模型能否可用」切换到「模型能否被持续付费使用」。天风证券研报的判断在多个数据点上得到印证：Kimi 的 ARR 在 2026 年 3 至 6 月连续跨过 1 亿、2 亿、3 亿美元门槛；OpenRouter 平台 Token 总量周环比增长 9.65%；腾讯混元 Hy3 从 preview 到正式版，日均 token 消耗增长 20 倍。大模型正从低频试用转向高频的持续性工作流，选型标尺也随之改变。
从「谁最强」到「单任务成本」：竞争逻辑的重构
过去的选型逻辑很简单：看基准测试，谁分数高选谁。但当日常任务大多不需要旗舰级能力时，「最强」就失去了决策意义。单任务成本（cost per task）正在取代 token 单价，成为更核心的衡量指标。
单任务成本的粗略公式是：
单任务成本 = 总模型与工具支出 ÷ 通过质量门槛的输出数量
它把一整条任务链路都纳入账本：输入输出 token 数量、调用轮次、上下文长度、工具调用次数、推理强度、失败重试率、缓存命中率，以及人工审查成本。这意味着竞争焦点从「能力最大化」转向「有效能力的成本最优化」。
为什么 token 单价会骗人
单看「每百万 token 多少钱」会得出系统性误判。一个定价便宜的模型，如果完成任务需要更多轮次、更长上下文、更高重试率，它的单任务成本可能反而更高；反过来，一个看似更贵的模型，如果能用更少轮次一次做对、减少返工，最终可能更划算。
模型路由的成本模型把这个道理量化得很清楚：级联策略先让便宜模型试做，质检不通过再交给旗舰模型重做。设便宜模型单任务成本为 c、旗舰为 C、便宜模型失败率为 f，则只有当 f×C < (C−c) 时级联才划算。在 2026 年 8 月的价格地图上，最便宜的 agent 级模型与最贵的输出 token 价差已经拉大到约 35 倍——DeepSeek V4 Flash 输出约 $0.28/百万 token，GPT-5.6 Sol 高达 $30。「无脑用最强模型」在这个价差下，等于在给本可省下 90% 以上成本的任务链段白付钱。
大厂的三种解法：分层、effort、场景反向定义
面对单任务经济性，主流厂商给出了三条不同的工程路径。
OpenAI 走场景分层：GPT-5.6 以 Sol / Terra / Luna 取代「旗舰 + mini」命名体系。Sol 负责复杂推理与编程（$5/$30），Terra 对标上一代旗舰（$2/$15），Luna 主打高并发低延迟走量（$1/$6），三层之间最多差 5 倍价。更关键的是裸别名 gpt-5.6 默认路由到最贵的 Sol 层——不显式指定层级，生产请求就按旗舰费率计费，倒逼开发者逐个任务思考层级归属。
Anthropic 走 effort 机制：Claude Sonnet 5 不再接受 temperature 等传统采样参数，改用 low → medium → high → xhigh → max 的推理强度刻度。Anthropic 的测量显示，Opus 4.5 上 medium effort 即可达到 Sonnet 4.5 的 SWE-bench 得分，同时输出 token 减少 76%。「选什么模型」之外又多了一个「投入多少算力」的旋钮。
xAI 走场景反向定义：Grok 4.5 与 Cursor 联合训练，先锁定编程 Agent 这个高频场景，再用数万亿真实交互 token 反推模型设计，定价压到 $2/$6。马斯克发布会上的表态很直白：Fable 确实更好，但大多数任务并不需要那个级别的能力。
国产厂商则把性价比前置到架构层：DeepSeek V4 Flash 284B 总参数、每 token 仅激活 13B；混元 Hy3 295B 总参数、21B 激活；Kimi K2.6 1T 总参数、32B 激活。MoE 大参数小激活路线，让能力池接近超大规模模型，同时单次推理不必承担全量参数的计算开销。
价格日历：选型从一次性决策变成持续任务
「发布当天就过时」还有一层更现实的含义：价格变动比模型发布更频繁。2026 年 7 月 30 日，OpenAI 将 GPT-5.6 Luna 降价 80% 至 $0.20/$1.20、Terra 降价 20% 至 $2/$12；Claude Sonnet 5 的介绍价 $2/$10 则在 8 月 31 日到期，9 月 1 日起涨至 $3/$15——一夜之间默认层的账单贵 50%。定价页面往往跑得比博客、比你的部署还快，固定住某个模型反而是最贵的选项。
实践路径：路由、可插拔客户端、自建评测
应对这种动态格局，企业侧的工程手段已经成型。模型路由是其中核心：Amazon Bedrock 的 Intelligent Prompt Routing、Azure AI Foundry 的 Model Router，以及 OpenRouter、LiteLLM、Dify 等生态工具，都在把「手动选模型」推进为「按任务复杂度、成本、延迟统一调度」。
可插拔客户端是让路由真正可用的前提——一次调用只暴露一个接口，模型由工作负载和配置决定，绝不硬编码在调用点。这样当下一轮降价落地时，迁移流量只是改配置，而不是重构代码。
评测也要跟着换标尺。跨厂商基准测试因评测框架不同而不可比，两分之差等于打平；真正该关注的是自家任务上的成功率、工具调用有效性，以及「每个完成任务的成本」而非「每个 token 的成本」。DeepSeek 首方 API 约 98% 的缓存折扣、Kimi K3 缓存命中后输入从 $3 降到 $0.30——这些真实账本只有自建评测才能算清。
行业影响：默认调用之争与杰文斯时刻
单任务成本逻辑最终会把竞争推向「默认调用」之争：谁能进入云平台、AI 网关、企业级中台的默认配置，谁就拿到更高比例的真实调用与真实反馈，再推动成本下降，形成飞轮。Google 把 Gemini 嵌入 Gmail 与 Docs、Adobe 把 Firefly 嵌入创意工作流，本质上都在抢占这个入口。
更深一层，这也指向大模型的「杰文斯时刻」：蒸汽机效率提升后煤炭消耗反而上升，因为使用门槛降低让需求边界扩张。性价比竞争的结果未必是 AI 总成本下降，而是 AI 使用密度上升——模型调用从少数高价值任务扩散到大量日常任务。对企业来说，这意味着模型选型不再是一个发布季的决策，而是一项持续的、以单任务成本为标尺的工程能力。