如何為業務選模型:先按任務難度分檔,再用自己的資料評測
選模型先看任務難度:分類、抽取、改寫用便宜的小模型,問答、總結、寫作用主力模型,複雜推理和多步驟工具呼叫再上旗艦或推理模型。本文給出分檔表、評測指令碼和即時價格對比。
選模型分三步:按任務難度定檔位,在這一檔裡挑 2 到 4 個候選,再用 50 到 200 條自己的真實資料評測,選達標的模型裡最便宜的那個。大多數企業場景用不上最貴的模型。分類、抽取、改寫這類任務,小模型的單價常常只有旗艦模型的幾十分之一,下面的即時價格可以直接對比。
按任務難度分檔
| 檔位 | 典型任務 | 選型要點 |
|---|---|---|
| 輕量 | 意圖分類、情感判斷、欄位抽取、格式轉換、短文改寫 | 輸入輸出都短、呼叫量大,優先看單價和速度 |
| 主力 | 知識庫問答、客服回覆、總結、營銷文案、翻譯 | 質量和價格都要顧,輸入通常很長,留意輸入單價 |
| 旗艦與推理 | 多步驟推理、複雜分析、長文件綜合、多步驟工具呼叫 | 質量優先,只用在少量高價值的請求上 |
要讀發票、截圖、商品圖,選帶識圖能力的模型。做知識庫檢索還要向量模型和重排模型,見企業知識庫與 RAG。
輕量檔候選
| 模型 | 廠商 | 最低價分組 | 輸入 ¥/百萬 | 輸出 ¥/百萬 | 按次 ¥/次 |
|---|---|---|---|---|---|
| gpt-5.4-mini | OpenAI | 標準 | ¥1.5 | ¥9 | — |
| gpt-4o-mini | OpenAI | 標準 | ¥0.3 | ¥1.2 | — |
| doubao-seed-2-0-mini-260215 | 字節豆包 | 國產模型 | ¥0.28 | ¥2.8 | — |
| Claude Haiku 5.5 | Anthropic | Claude 優質 | ¥0.4 | ¥2 | — |
價格為人民幣,取各模型最低價分組;價格更新於 2026年11月13日 下午6:03。
主力檔候選
| 模型 | 廠商 | 最低價分組 | 輸入 ¥/百萬 | 輸出 ¥/百萬 | 按次 ¥/次 |
|---|---|---|---|---|---|
| deepseek-v4.1-flash | DeepSeek | 國產模型 | ¥2.8 | ¥11.2 | — |
| qwen3.5-plus | 通義千問 | 國產模型 | ¥1.12 | ¥6.72 | — |
| gemini-3.8-flash | 標準 | ¥1.5 | ¥7.5 | — | |
| Claude Sonnet 5.5 | Anthropic | Claude 經濟 | ¥3.2 | ¥16 | — |
價格為人民幣,取各模型最低價分組;價格更新於 2026年11月13日 下午6:03。
旗艦與推理檔候選
| 模型 | 廠商 | 最低價分組 | 輸入 ¥/百萬 | 輸出 ¥/百萬 | 按次 ¥/次 |
|---|---|---|---|---|---|
| gpt-5.5 | OpenAI | 標準 | ¥10 | ¥80 | — |
| Claude Opus 5.5 | Anthropic | Claude 經濟 | ¥8 | ¥40 | — |
| gemini-3.1-pro-preview | 標準 | ¥4 | ¥24 | — | |
| deepseek-v4-pro | DeepSeek | 國產模型 | ¥16.8 | ¥33.6 | — |
價格為人民幣,取各模型最低價分組;價格更新於 2026年11月13日 下午6:03。
檔位按各廠商對模型的定位粗分,同一檔裡的模型差別也不小,最後還是看你自己的評測結果。
用自己的資料評測
- 準備樣本:從真實業務裡抽 50 到 200 條輸入,每條寫好期望結果,常見情況和容易出錯的情況都要有。
- 固定提示詞:所有候選模型用同一份系統提示詞和參數,比較才公平。
- 跑一遍並記錄:每條記下是否正確、耗時,以及
usage裡的 tokens。 - 算帳:正確率達標的模型裡,用平均 tokens 乘單價,選單次成本最低的。
- 留一個備選:主模型出問題時可以切過去。
下面的指令碼把同一批樣本發給幾個候選模型,統計正確率、平均耗時和平均 tokens:
import os
import time
from openai import OpenAI
client = OpenAI(base_url="https://www.tutujin.com/v1", api_key=os.environ["TUTUJIN_API_KEY"])
candidates = [
"gpt-5.4-mini",
"deepseek-v4.1-flash",
"qwen3.5-plus",
]
samples = [
{"text": "快递三天了还没到,怎么回事", "label": "物流"},
{"text": "这件衣服能退吗", "label": "售后"},
# 换成你自己的 50 到 200 条样本
]
system = "把用户消息归入以下类别之一:物流、售后、商品咨询、其他。只输出类别名。"
for model in candidates:
correct, seconds, tokens_in, tokens_out = 0, 0.0, 0, 0
for s in samples:
t0 = time.time()
resp = client.chat.completions.create(
model=model,
messages=[
{"role": "system", "content": system},
{"role": "user", "content": s["text"]},
],
)
seconds += time.time() - t0
correct += resp.choices[0].message.content.strip() == s["label"]
tokens_in += resp.usage.prompt_tokens
tokens_out += resp.usage.completion_tokens
n = len(samples)
print(f"{model}: 正确率 {correct / n:.0%},平均耗时 {seconds / n:.2f}s,平均 tokens {tokens_in / n:.0f} / {tokens_out / n:.0f}")同樣的任務,不同檔位差多少錢
一個分類任務,每次輸入 300 tokens、輸出 10 tokens,每月 100 萬次。用輕量模型:
成本估算 · gpt-4o-mini (標準)
- 單價
- 輸入 ¥0.3 / 輸出 ¥1.2(每百萬 tokens)
- 每次用量
- 輸入 300 tokens,輸出 10 tokens
- 請求次數
- 1,000,000
- 單次費用
- ¥0.000102
合計約 ¥102價格為人民幣,取各模型最低價分組;價格更新於 2026年11月13日 下午6:03。
用旗艦模型:
成本估算 · gpt-5.5 (標準)
- 單價
- 輸入 ¥10 / 輸出 ¥80(每百萬 tokens)
- 每次用量
- 輸入 300 tokens,輸出 10 tokens
- 請求次數
- 1,000,000
- 單次費用
- ¥0.0038
合計約 ¥3,800價格為人民幣,取各模型最低價分組;價格更新於 2026年11月13日 下午6:03。
如果兩者在你的評測里正確率差不多,選前者就行。推理模型實際的輸出還要加上思考 tokens,差距會更大。
組合著用更省
- 分級路由:先讓小模型判斷問題類型或難度,簡單的直接回答,複雜的再交給大模型。
- 分工:知識庫問答裡,用小模型改寫問題、做分類,用主力模型寫最終回答。
- 降級備用:主模型報錯或超時,自動切到同檔的另一個模型,做法見如何選分組。
還要看的幾項
| 維度 | 怎麼看 |
|---|---|
| 能力 | 是否支援識圖、工具呼叫、推理、聯網,在模型與價格裡按能力篩選 |
| 介面 | 模型支援 Chat Completions、Claude Messages 還是 Gemini 原生介面,見API 參考 |
| 分組 | 模型在哪些分組可用、各分組什麼價,開啟模型詳情頁就能看到 |
| 延遲 | 用上面的指令碼實測;推理模型先思考再回答,首個字出來通常更慢 |
模型的價格和計費方式見大模型 API 價格怎麼算。
常見問題
一定要用最新、最強的模型嗎?
不用。大多數企業場景是分類、抽取、改寫和基於資料的問答,小模型或主力模型就能做好。先用便宜的模型評測,達不到要求再往上換,通常比一開始就用旗艦模型省很多。
國產模型和海外模型怎麼選?
兩類模型都能用同一把 Key 和同一套程式碼呼叫,區別只在 model 參數。把兩邊的候選都放進評測,用你自己的資料比較效果、價格和延遲再定。
評測要準備多少條資料?
50 到 200 條有代表性的真實樣本一般就能看出差距。樣本要覆蓋常見情況,也要包括容易出錯的邊界情況,每條都寫好期望結果。
換模型需要改程式碼嗎?
用 OpenAI 相容介面時通常只改 model 參數。不同廠商對 temperature、response_format、reasoning_effort 等參數的支援不完全一樣,換模型後先用小流量驗證。