开源模型的甜蜜点：把 28 个模型摊在一张成本-能力图上
Qwen3-235B 用 GPT-5 的 1/16 价格拿到 92% 的能力。这个交换在什么条件下成立，什么条件下是陷阱。
先把图摊开
横轴是混合价格（输入:输出 = 1:3 加权，对数刻度），纵轴是硬核指数。28 个模型落在这张图上，会形成一条从左下到右上的曲线。
曲线的形状说明一件事：能力和价格的相关性很弱。
算一下皮尔逊相关系数：0.42。也就是说，价格只能解释 18% 的能力差异。
这条曲线上有三个明显的「拐点」，也就是性价比甜点。
甜点一：$0.05–0.15 区间
| 模型 | 混合价 | 硬核指数 | 性价比分 |
|---|---|---|---|
| Doubao-Seed-1.6 | $0.14 | 72.6 | 78.4 |
| Gemini 2.5 Flash | $0.55 | 70.8 | 70.2 |
| Qwen3-235B-A22B | $0.30 | 68.9 | 82.1 |
Qwen3-235B 是这一带的王者：用 GPT-5 的 1/16 价格（$0.30 vs $4.7 混合价），拿到 68.9 vs 82.3 的硬核指数，也就是 84% 的能力。
这个交换在什么条件下成立？
- ✅ 任务容错率高（内容生成、初步分类、草稿）
- ✅ 调用量大，成本敏感（日均 > 100 万 token）
- ✅ 可以接受 5–8% 的返工率
- ❌ 单次错误代价高（金融计算、代码合并）
- ❌ 需要长链路推理（多跳、Agent 循环）
甜点二：$0.8–1.5 区间
| 模型 | 混合价 | 硬核指数 | 性价比分 |
|---|---|---|---|
| GPT-5 mini | $1.56 | 78.9 | 74.6 |
| DeepSeek-V3.1 | $0.63 | 76.2 | 85.7 |
| o4-mini | $3.58 | 77.4 | 63.0 |
这里最值得说的是 DeepSeek-V3.1（$0.63 / 76.2 分）。它用 GPT-5 mini 的 40% 价格，拿到 96% 的能力。
这是整个榜单上性价比分最高的模型（85.7），也是最没有争议的「甜点」。
它的问题不在能力，在稳定性。 我们的实测里，DeepSeek-V3.1 的 P99 延迟是 GPT-5 mini 的 2.3 倍，高峰期偶发超时。如果你的产品对延迟敏感，这个便宜不好占。
甜点三：$3–5 区间
| 模型 | 混合价 | 硬核指数 | 性价比分 |
|---|---|---|---|
| GPT-5 | $7.81 | 82.3 | 66.5 |
| Gemini 2.5 Pro | $7.81 | 80.1 | 63.9 |
| Claude Sonnet 4 | $12.0 | 79.6 | 57.4 |
头部三个模型的性价比分都不高，因为它们的价格是「能力溢价」定价，不是成本定价。
但它们的价值在尾部：最难的那 10% 任务，只有它们能做。而在这 10% 上，一次做对的收益远超 token 成本。
这就是为什么不建议「全部用便宜模型」：不是能力不够，是返工成本。
反例：哪些不是甜点
有四个模型看起来便宜，但性价比分很低：
| 模型 | 混合价 | 硬核指数 | 问题 |
|---|---|---|---|
| Llama 4 Maverick | $0.71 | 63.4 | 便宜但能力掉太多，68% 的 GPT-5 |
| ERNIE 4.5 | $1.79 | 66.0 | 价格接近 DeepSeek，能力低 10 分 |
| Claw 3.7 Sonnet | $12.0 | 73.6 | 上一代产品，价格没降 |
| Gemini 2.0 Flash | $0.33 | 58.7 | 已过时，被 2.5 Flash 全面超越 |
Llama 4 Maverick 是最典型的陷阱：混合价 $0.71 看起来比 DeepSeek 贵一点点，但能力只有 63.4 分，比你想象的差得多。它的性价比分是 58.2，在 28 个模型里排 19。
自建的盈亏平衡点
开源模型最容易被忽略的成本是自建运维。
以 Qwen3-235B 为例：8 卡 H800 集群，按三年折旧 + 电费 + 运维人力，月成本约 $1.4 万。
调用 API 的价格是 $0.2/$0.6，混合 $0.5/M。
盈亏平衡点 = 14000 / 0.5 ≈ 2800 万 token / 月
也就是说，月调用量低于 2800 万 token 时，自建比调 API 贵。
2800 万 token 是什么概念？大约每天 100 万 token，相当于 3000–5000 个中等长度的用户会话。
绝大多数团队到不了这个量级。所以「开源」对多数人是价格，不是自建。
一个实际的组合策略
按我们的经验，最优配置通常是这样：
| 层级 | 用途 | 建议模型 | 占比 |
|---|---|---|---|
| L1 路由 | 意图识别、难度判断 | Doubao / Gemini Flash | 60% 的请求 |
| L2 主力 | 常规任务 | DeepSeek-V3.1 / Qwen3 | 30% |
| L3 攻坚 | 难题、高风险 | GPT-5 / Claude Opus | 10% |
按这个配比，总成本大约是「全部用 GPT-5」的 18%，而任务成功率只掉 3–4 个百分点。
这个配比的关键是 L1 的准确率。如果路由分错，把难题丢给便宜模型，返工成本会把省下的钱吃回去。
结论
性价比不是「便宜/贵」的比值，是**「在你的任务分布上，每单位成本换来的成功任务数」**。
榜单上的性价比分是一个通用口径。你的甜点区可能和它不一样——取决于你的任务有多难、能容忍多少返工、延迟要求多严。
把这三个变量填进去，甜点自然会显形。