先说个让我脸疼的事
上周我在V2EX刷到一个帖子，标题就叫「便宜模型哪家强？ Gemini 3.8 Flash GPT-5.6 Luna DeepSeek V4」。
楼主贴了个DeepSWE的排名：Gemini 3.8 > Luna > DepSeek V4 Pro，问大家实际体验咋样。
底下有个叫Cabana的老哥回得特别实在。他说自己拿同一个任务、同样的提示词、同样的 /goal 去跑，Gemini 3.8 十多分钟就搞定了，Luna 跑了两个多小时还没完，被他手动停掉了。
再下面还有一句更扎心的评论：「你这价格也是天差地别。我当时就愣了一下。
因为我自己前段时间刚犯过一个错——为了省钱，把一个批量处理任务从贵模型换到了标称单价更低的模型。换完那几天我还挺得意，觉得省了。
直到月底看账单，我人傻了。便宜模型那一栏的花费，比我之前用的还高。
问题出在哪？不是单价，是我根本没搞清楚「单价便宜」和「这个任务花的钱便宜」压根是两回事。
跑得慢、输出啰嗦、缓存命中低、工具调用一遍又一遍,这些都在悄悄把账单撑起来，而定价表上一个字都不会告诉你。
所以这篇不聊官方定价表，不搬评测跑分。我就讲一件事：我怎么用一个Python小脚本，把这三个模型在我自己真实场景下到底花了多少钱，一笔一笔记清楚。
「便宜」这个词，藏了至少四个变量
先把账拆开。大家说某个模型便宜，通常指的是每百万token的输入或输出单价低。
但真实账单是这么算的：
实际花费 ≈ 输入token × 输入单价 + 输出token × 输出单价 −（命中缓存省下的部分）+ 每次工具调用带来的额外来回。
这里面有四个你平时看不见的变量：
第一，输入输出比例。有的模型嘴碎，同样一个问题它能给你输出三倍长度的答案。
输出token往往比输入贵好几倍，嘴一碎，账单立刻鼓起来。
第二，缓存命中率。如果你的场景有大量重复前缀（比如固定的system prompt、重复的上下文），缓存命中能省下一大截。
但换了模型或者请求结构变了，命中率可能直接掉到底，你以为省了，其实全按原价走。
第三，工具调用次数。做Agent的都懂，一次任务可能要来回调好几轮工具。
模型「聪明」的话两三轮解决，「不太行」的话它反复试错、反复调，每一轮都是新的一笔token。
第四，也是最容易被忽略的——耗时背后的隐性成本。 Cabana那个例子里，Luna跑了两小时没跑完。
就算它单价再低，两小时里烧掉的token和你的时间，都是真金白银。
光讲道理没用。我的做法是：别信感觉，把每一次调用都落到一张表里，跑一周，然后看账。
我是怎么把这套监控搭起来的
说实话，一开始我想搞得很复杂，什么可视化面板、实时告警。折腾了半天发现没必要，独立开发者要的是快速验证逻辑，不是造轮子。
我的思路就三步：拦截每次模型调用的返回、把关键字段抽出来、写进一张本地表。
核心逻辑我是直接在Python在线运行里先跑通的。好处是不用在本地折腾环境、装依赖，我把解析返回、计算单次成本的函数贴进去，喂几条模拟的返回数据，几秒钟就能看出逻辑对不对。
等确认字段抽取和成本公式没问题了，再接到真实调用上，省了我大量在本地反复调试的时间。
我记录的字段大概长这样（里只是我用的结构，字段名你随意）：调用时间、模型名、输入token、输出token、是否命中缓存、本次工具调用轮数、本次估算成本。每次调用完，往表里塞一行。
这张表我用SQLite存。原因很简单：轻、无依赖、一个文件走天下，特别适合这种个人监控场景。
跑了一周之后，我想看哪个模型在「长输出任务」里最贵，直接用SQLite编辑器打开表，按模型分组、把输出token和估算成本加总，一眼就看出来了，连额外写查询脚本的功夫都省了。表结构不对、某个字段忘了记，也是在这里当场改。
如果你之前没怎么碰过这类调用日志的处理，或者对token计费的底层逻辑还有点懵，我建议先补一补AI编程相关的基础，把「一次API调用到底发生了什么」搞明白，再来做监控，会顺很多。
跑完一周，我推翻了自己之前的判断
这里必须说清楚：下面这些是我在自己特定场景下跑出来的趋势判断，不是通用结论，具体到你的任务不一定成立。而且我手上没有可对外公开验证的完整账单数据，所以任何精确的金额、百分比数字我都标成【待核实】，不硬编。
先说和帖子一致的部分：在偏「解决问题、跑任务」的场景里，Gemini 3.8 确实又快又利索的体感是有的，这点和Cabana、和DeepSWE那个排名对得上。跑得快，往意味着工具调用轮数少、试错少，间接就省钱。
但反转来了。在我另一类「要求长文本输出」的场景里，标称单价低的那个模型反而把账单顶上去了。
原因就是前面说的输出token——它输出特别长，而且缓存命中率在我这个请求结构下低得可怜【具体命中率数字待核实】。单价便宜的优势，被输出量和低命中率一口吃掉还倒贴。
还有一个我没想到的点：工具调用频繁的Agent任务里，「便宜模型」有时候要多试好几轮才走对路。表面每token便宜，架不住它调用次数翻倍【具体倍数待核实】。
这时候贵一点但一次到位的模型，总账反而更划算。
所以我现在的判断很明确：别问「哪个模型最便宜」，要问「我这个具体任务，用哪个模型的总账最便宜」。这两个问题的答案，经常是反的。
顺便说个题外的坑
补一句和成本无关但很多人栽过的事。就算你选好了模型，也别忘了确认自己的账号地区和网络能不能正常调用。
我看到有人 Google AI Pro 账号在新加坡地区调 Gemini 直接报 FAILED_PRECONDITION、地区不支持，最后发现是节点问题。这种坑跟便宜不便宜没关系，但能让你一整天白忙,值得提前排查。
你今天就能做的一个小动作
不用一上来就搭完整监控。今天你就可以干一件事：找你最常跑的那个任务，拿两个模型各跑一次，把这次的输入token、输出token、工具调用轮数手动记下来，用各自的单价乘一下,算出这一次到底花了多少。
就这一次对比，很可能就颠覆你对「便宜」的直觉。等你觉得手动记太烦了，再把它变成脚本、落进表里，这套东西自然就长出来了。
说真的，选模型这事，感觉最不靠谱。账单不会骗人，先把账算明白再说。