前沿模型的比较方式正在失效。
过去常见的做法，是把几个模型放进同一张Benchmark表，比较代码、推理、知识和Agent能力的分数，再用输入、输出Token单价补一张价格表。问题在于，这两张表彼此割裂：分数高不等于任务完成率高，Token便宜也不等于完成任务便宜。企业真正购买的不是Token，而是可交付的代码迁移、审计报告、研究结论或自动化流程。
Anthropic于2026年9月22日发布Claude Opus 5.5。根据官方披露，该模型在多数工作负载上达到Claude Fable 5.1级别，相对上一代Opus 5的综合运行成本降低约40%；输入价格为每百万Token 4美元，输出价格为每百万Token 20美元；Claude Code和Claude Platform还提供最高约2.5倍速度的Fast Mode。Anthropic在Terminal-Bench 4.0、FrontierCode、GDPval-AA等测试中，开始反复把准确率与成本放在同一视图中。
这次发布最值得讨论的，不是“降价40%”本身，而是评价口径从Token价格转向单位任务成本。后者更接近真实工程，也更难被一项漂亮的榜单成绩掩盖。
一、Token单价不是任务成本
模型API账单通常可以写成：
推理费用 = 输入Token数 × 输入单价 + 输出Token数 × 输出单价
这个公式适合结算，不适合选型。长任务中的实际成本至少还包括五部分：
- 首次执行成本：模型完成一次任务消耗的输入、输出和缓存资源；
- 重试成本：超时、工具调用失败、方向错误后重新执行产生的费用；
- 验证成本：测试、静态分析、事实核验和人工复核投入；
- 修复成本：结果不合格后，由模型或工程师返工的成本；
- 时延成本：任务占用流水线、阻塞后续环节造成的机会损失。
因此，更有用的定义是：
单位成功任务成本 = 一段时间内该类任务的全部模型、工具、算力与人工成本 ÷ 验收通过的任务数
也可以把单次任务展开为：
C_task = C_infer + C_retry + C_tool + C_verify + C_human + C_delay
其中，C_infer只是API账单。若一个低价模型平均需要三次尝试、两轮人工纠偏才能通过验收，它的单位成功任务成本完全可能高于单价更高、一次完成的模型。
Opus 5.5所强调的“能力接近、综合运行成本下降”，触及的正是这个问题。对于代码库级迁移、审计、电脑使用和知识工作，输出Token单价只是很小的一部分。真正决定总成本的，往往是模型能否维持长程目标、正确使用工具、在出错后恢复，以及把结果送入可验证状态。
二、先定义“任务单位”，再比较模型
“每百万Token多少钱”有统一分母，“每项任务多少钱”没有。企业如果不先定义任务单位，成本评测很快会变成另一种宣传材料。
代码场景可以把任务单位定义为：在固定代码仓库和测试环境中，完成一个有明确验收条件的Issue。知识工作可以定义为：基于指定材料生成一份引用可追溯、结论符合模板的分析。电脑使用可以定义为：在隔离环境里完成一条跨应用流程，并留下完整操作日志。
一个合格的任务样本至少要固定六项内容：
- 初始上下文，包括仓库版本、文档集和系统状态；
- 可调用工具及权限边界；
- 最长执行时间和最大Token预算；
- 成功条件，包括测试、格式和事实约束；
- 可接受的人工介入次数；
- 失败分类，例如理解错误、执行错误、环境错误和安全拒绝。
同一任务还应重复运行，而不是只测一次。Agent任务具有随机性，一次成功不能证明稳定，一次失败也不能代表模型能力。至少要统计成功率、中位成本、长尾成本和完成时延。若任务价值差异很大，还要按业务权重加权。
可以采用以下核心指标：
成本调整成功率 = 验收通过率 ÷ 平均任务成本
P90任务成本 = 90%的任务能够完成时，其单任务成本上界
无人工成功率 = 不经过人工纠偏直接通过验收的任务比例
有效吞吐量 = 单位时间内通过验收的任务数
这组指标比单一Benchmark更接近生产系统。尤其是P90成本，它能暴露少数失控长任务：模型可能在大多数样本中很便宜，却在遇到复杂依赖、错误工具反馈或上下文漂移时持续消耗Token。
三、为什么长任务会放大模型差异
短问答中，模型答错一次的代价有限。长任务则是一条状态不断变化的执行链：理解目标、制定计划、读取环境、调用工具、观察结果、修正计划、验证输出。任何一步偏离，都可能把后续Token花在错误方向上。
因此，长任务成本与输出长度并非线性关系。一个关键错误越早发生，浪费越大。模型如果能够在执行中识别异常、缩小搜索范围、主动运行测试，虽然可能增加少量验证Token，却会降低整条任务失败的概率。
评测时应记录轨迹，而不只是最终答案。建议至少保留：每轮输入输出、工具调用参数、工具返回、上下文压缩节点、错误恢复动作、验证结果和人工介入点。这样才能回答三个关键问题：
- 成本下降来自单价降低，还是来自更短的执行轨迹？
- 成功率提高来自模型能力，还是来自Harness提供了更强的脚手架？
- 失败发生在模型推理、工具接口，还是测试环境？
Anthropic披露Opus 5.5在Claude Code和Claude Platform提供Fast Mode，最高约2.5倍速度。速度对单位任务成本的价值不能只看“每秒输出多少Token”。如果更快的模式能够缩短交互式开发等待、减少工程师切换上下文的时间，它会降低隐性人工成本；如果只是更快地产生需要返工的输出，则不会改善最终经济性。
四、成本评测必须把人工复核计入
很多模型对比只统计API费用，却把人工复核当作免费资源。这会系统性高估不稳定模型。
例如，两个模型都能生成代码补丁。模型A单次推理较贵，但80%的任务一次通过测试；模型B单次推理便宜一半，却经常修改无关文件，需要工程师检查和回滚。若工程师每次复核需要20分钟，人工成本很可能超过API价差。
更合理的记录方式，是把人工动作拆成可计量事件：补充需求、批准高风险操作、选择方案、修正事实、回滚改动、最终签收。不同动作应有不同成本权重。必要的审批不应被视为模型失败，但由模型错误引发的纠偏必须计入。
对于高风险任务，还应计算“风险调整后的单位任务成本”：
C_risk = C_task + 失败概率 × 失败影响
同样是一次错误，内部草稿写错一句和生产数据库误操作的影响完全不同。模型选型不能只追求平均成本最低，而应在任务风险约束下寻找成本最低点。## 五、安全不是成本之外的附加项
Anthropic称，Opus 5.5接受了Frontier Design和METR等外部机构的发布前安全评估；在专门测试中，它尝试突破隔离边界的概率较Opus 5或Mythos 5.1低约85%。日报已经明确提醒：这些数据主要来自Anthropic自身评测，仍需要第三方使用数据验证。
对企业而言，安全能力会直接进入成本公式。一个更容易越权、绕过隔离或调用错误工具的模型，需要更严格的沙箱、更细的权限控制、更密集的审计和更高比例的人工批准。安全控制越重，系统吞吐量越低，运维成本越高。
因此，Agent模型的成本评测不能在“完全信任、无限权限”的理想环境中进行。测试环境应接近生产边界：最小权限、敏感操作二次确认、网络访问白名单、凭证隔离、完整日志和可回滚执行。只有在相同安全约束下比较，结果才有意义。
安全拒绝也要分类。模型拒绝危险操作可能是正确行为；对合法任务误拒，则会降低可用性。两者不能合并成一个“未完成”。
六、企业可以怎样建立自己的评测台
第一步，选取20至50个真实任务，而不是从公开Benchmark抄题。任务应覆盖常见、困难和高风险样本，并去除会泄漏敏感信息的内容。
第二步，为每个任务建立机器可检查的验收器。代码任务运行单元测试、集成测试和静态分析；文档任务检查引用、关键字段和事实一致性；电脑操作任务核对最终系统状态和操作日志。
第三步，在相同Harness、相同工具、相同权限和相同预算下运行候选模型。若某模型需要专属提示词或上下文格式，应允许合理适配，但要记录适配成本。
第四步，统计首次通过率、最终通过率、平均与P90成本、平均时延、无人工成功率、安全事件和失败类型。不要只给一个综合分，要保留分项结果。
第五步，按业务价值分层路由。高价值、长周期和高风险任务可优先使用更强模型；结构稳定、可自动验证的任务可交给低成本模型；模型之间还可以采用“低价模型执行、强模型复核”或“强模型规划、低价模型处理子任务”的组合。
这里有一个容易忽视的问题：不要把模型升级后的全部收益都归因于模型。提示词、检索、缓存、工具接口、测试覆盖率和Harness都会改变任务成本。评测台应保存版本，保证结果可追溯。
七、判断：前沿模型将从“能力定价”转向“结果定价”
以下为分析判断，不是Anthropic官方结论。
第一，前沿模型之间的绝对能力差距缩小时，采购决策会更依赖任务成本曲线，而不是总榜名次。企业会问：在70%、85%、95%成功率目标下，各模型分别需要多少预算和人工介入。
第二，模型厂商会更重视推理效率、上下文管理和错误恢复。单纯降低Token价格容易被竞争者复制；让模型用更少步骤完成长任务，并减少昂贵返工，才更接近可持续优势。
第三，Fast Mode之类的速度档位会推动分层服务。批处理任务重成本，交互式编码重时延，高风险任务重稳定和安全。一个模型不会只对应一个价格，而会形成多种速度、预算和保障组合。
第四，Benchmark不会消失，但它会变成筛选工具，而不是最终采购依据。公开评测回答“模型大概能做什么”，企业内部评测回答“在我的环境里，交付一个合格结果要付出什么”。两者不能互相替代。
Claude Opus 5.5把“接近高端能力、降低综合运行成本”放到同一个发布叙事中，说明前沿模型已经进入工程效率竞争。下一阶段真正有区分度的指标，不是一次回答用了多少Token，而是一个可验收任务用了多少预算、等待时间和人工注意力。
八、企业可以怎样在四周内建立评测基线
第一周，选择三类已经在业务中反复出现的任务：有明确测试条件的代码修改、需要引用来源的研究分析、需要跨系统完成的受控流程。每类先准备二十到五十个样本，冻结初始材料、工具权限与验收规则。不要把临时提问当成测试题，也不要为了让某个模型表现更好而在运行中更改条件。
第二周，为每个样本补齐自动验收和人工复核表。自动验收负责测试通过、字段完整、格式正确、目标状态改变等确定性事实；人工复核只处理准确性、风险和业务可用性。复核人应记录“接受、轻微修改、重大返工、拒绝”四种结果，并标注耗时。这样，人工成本才不会被藏在一句“需要审核”里。
第三周，在相同Harness、安全策略和预算下重复运行候选模型。除平均成本外，重点看无人工成功率、P90总成本、P90完成时延、重试次数和高风险工具调用拦截率。模型如果只在平均值上便宜，却频繁产生长尾失控任务，不适合进入关键流程。
第四周，选择一类低风险任务做灰度上线，并把线上轨迹回流评测集。模型版本、提示词、工具接口、权限策略和验收脚本任一变化，都应触发回归测试。评测不是一次采购活动，而是持续运行的工程指标。企业只有能持续测量单位成功任务成本，才能在模型快速迭代时保持选型主动权。## 来源
- Anthropic：《Introducing Claude Opus 5.5》，2026-09-22。
https://www.anthropic.com/claude-opus-5-5 - 中国高技术产业发展促进会新质生产力工作委员会：《AI技术每日分析：前沿模型降本、开放Agent与安全边界重构》，2026-09-23。
https://gyznsw.cn/2026/09/23/2026-09-23-AI技术每日分析-20260923/
说明：文中关于Opus 5.5的价格、成本降幅、速度、能力与安全评测信息，均按上述已发布日报及其列出的Anthropic官方来源整理；指标体系和采购方法属于本文分析建议。