大模型 API 价格横评：OpenAI、Anthropic、Google、DeepSeek 四家 12 个模型，按真实任务算一遍成本

选 API 的时候，几乎所有人第一眼看的是「每百万 token 多少钱」。这个数字有用，但它不能用来横向比较不同模型——因为你的实际账单里，成本大头落在输入还是输出，完全取决于你让模型干什么活。

这篇横评覆盖 OpenAI、Anthropic、Google、DeepSeek 四家的 12 个主力模型。价格数据于 2026 年 9 月 24 日重新核对各厂商官方定价页，DeepSeek 的人民币价格按当日汇率 1 USD ≈ 6.71 CNY 折算。

本文方法：官方公开数据交叉核对，未做本地实测。所有数字均标注来源，核对日期见文末。

一、四家 12 个模型的价格全表

按定位分三档，每档横向对比。价格单位是美元 / 每百万 token，括号内为缓存命中价。

第一个值得注意的现象：旗舰档出现了完全同价。gpt-6-astra 和 Claude Fable 5.1 都是 $10 输入 / $50 输出，一分钱不差。两家最强模型定价完全对齐，这本身就是一个信号——旗舰档的价格已经形成了默契，指望在这里找价差是没意义的。

第二个现象：主力档三家咬得极紧。$2/$10 这个价位上站着 gpt-6-sol、Claude Sonnet 5 和 Gemini 3.1 Pro（输出贵 20%）。真正的价差在轻量档——从 $0.10/$0.50 到 $1.50/$9.00，同样的活，成本差 10 倍以上。

二、为什么「每百万 token 单价」不能直接比

因为一次 API 调用的成本是两部分相加的：

成本 = 输入 token × 输入单价 + 输出 token × 输出单价

而输出单价通常是输入单价的 5 到 10 倍。这意味着你的输入输出比例，决定了账单里谁是大头——不是模型决定的，是你的任务决定的。

举三个真实场景，都用 gpt-6-sol（$2 输入 / $10 输出）算：

同一个模型、同样的单价，三种任务的成本结构完全相反：

• 代码审查（输入 5,000 / 输出 500）：输入占 67%。要审的代码是输入，审查意见很短。省钱的关键是压缩输入。
• 长文生成（输入 1,000 / 输出 4,000）：输出占 95%。输入只有一句提示词，产出是几千字的文章。省钱的关键是换输出便宜的模型。
• Agent 多轮（输入 50,000 / 输出 2,000）：输入占 83%。每一轮都要把完整上下文重新发一遍，输入量随轮次线性增长，而输出只有工具调用参数。省钱的关键是缓存。

所以「哪家便宜」这个问题必须先回答「你跑什么任务」。一个只做长文生成的团队，该看的指标是输出单价；一个跑 Agent 的团队，输出单价几乎不重要，输入单价和缓存命中率才是命门。

三、跑 1 万次 Agent 任务，各模型花多少钱

把上面的任务 C（每次 5 万输入 + 2 千输出）放大到 1 万次，四家 10 个模型的月成本如下。DeepSeek 取空闲时段价格。

同样是 1 万次任务，最便宜和最贵之间差 100 倍——$60 和 $6,000。这个差距远超大多数人「换个模型省点钱」的预期。

但注意：这个对比不能直接用来选模型。gpt-6-luna 和 gpt-6-astra 不是一个能力层级的模型，用 Luna 的价格去跑 Astra 的任务，大概率是失败率上升、重试次数增加，最终成本反而更高。正确的用法是：先用主力档跑通，再用轻量档做降级测试，看质量能接受的最低档位在哪。

四、四个比「换模型」更有效的省钱杠杆

五、一个被系统性低估的成本：思考 token

推理模型的实际输出量，远高于你在界面上看到的文字。Gemini 的定价页在 Flash 系列的输出价后面明确标注了「含思考 token」——也就是说，模型在给出答案前内部推理消耗的 token，是按输出价计费的。

输出价又是输入价的 5–10 倍。所以一个「看起来只输出了 500 字」的推理任务，实际计费的输出量可能是 2,000 到 3,000 token。用推理模型做成本估算时，输出量至少要按 2–5 倍估，否则预算会严重偏离。

判断方法：去后台看实际计费的输出 token 数，和你收到的文本长度对比。差距越大，说明这个任务的推理开销越高。

六、怎么选

• 先确定任务形态，再看价格。输出密集的任务看输出单价，输入密集的任务看输入单价和缓存。这一步定错了，后面所有比较都没意义。
• 别在旗舰档找价差。gpt-6-astra 和 Claude Fable 5.1 完全同价，选哪个取决于能力而非成本。旗舰档的价差是零。
• 轻量档才是省钱的地方。这里有 10 倍价差，但必须先用主力档跑通基线，再逐档降级测试质量。
• Agent 场景优先看缓存。输入占 83% 的场景下，把缓存命中率从 0 提到 80%，效果远大于换模型。
• 能异步的全部走 Batch。50% 的折扣是四家里三家都给的，不用等于白送。
• 用 DeepSeek 就把批处理排到空闲时段。周末和夜间半价，这是唯一的免费午餐。