策略

号称每任务便宜 30%，却多花 7 倍 Token：深入 Sonnet 5.5 的效率陷阱

作者：IdeaBosque最后更新：2026年9月27日

要点

Sonnet 5.5 的“每任务最多便宜 30%”在低与中努力等级成立，但在最高等级反转：Anthropic 收同样的 $2/$10 定价表，而模型每个索引任务消耗约 193,000 输出 Token——Artificial Analysis 测过的最重 Token 用量——实测成本 $7.60 每任务，比 Sonnet 5 高约 50%，比 Opus 5.5 的 $5.98 高约 27%（Anthropic，9/28；Artificial Analysis，9/28）。
同一发布窗口出现了两种相反的策略：OpenAI 于 9 月 22 日将 GPT-6 Sol/Luna 价格下调 50% 至 $2/$10 与 $0.10/$0.50 每百万 Token——GPT-6 Sol 最高档每 Intelligence Index 任务 $1.06，比前代低约 50%——而 Anthropic 保持 Sonnet 定价表不动，任由 Token 账单上涨（OpenAI；Artificial Analysis）。
Opus 5.5（9 月 22 日）走了第三条路：标价打 8 折、缓存读取降 60%（$0.50 → $0.20 每百万），瞄准 Agent 工作负载占主导的那一项——这正是它实测每任务 $5.98 在最高档反而低于自家后辈的原因（Anthropic；Finout）。
在高到最高档，Sonnet 5.5 偏离成本效率前沿：GPT-6 Sol 以“实质相同的每任务成本”提供接近的智能，GPT-6 Luna 最高档以每任务 $0.07 做等智能的工作——约为 Sonnet 5.5 最高档账单的百分之一（Artificial Analysis，9/28）。
672 个被追踪的模型中，9 月约有 180 个发生价格变动——定价表已成为月度风险，而一份只按 Token 定价签约的 Agent，对未经它同意的替换毫无防御（pricepertoken，9/28；DeepSeek 自动路由反转是完整案例）。

Anthropic 于 9 月 28 日发布 Claude Sonnet 5.5，带着市场上最干净的成本主张：“相比 Claude Sonnet 5 是一次清晰升级，快 30% 以上，大多数工作最多便宜 30%。”每个字都站得住——但其机制并非标题所暗示的那样。定价表没有动：输入 $2/百万 Token，输出 $10，缓存读取 $0.20，与 Sonnet 5 完全相同。变的是 Token 账单，而且在该代理工作实际使用的努力等级上，它朝主张的反方向移动。Artificial Analysis 在发布当天就运行了该模型：最高努力等级下，Sonnet 5.5 每个 Intelligence Index 任务消耗约 193,000 输出 Token——他们测试史上最高，比 Opus 5.5 最高档高约 60%，约为 GPT-6 Astra 的 7 倍——实测成本 $7.60 每任务（Artificial Analysis，9/28；kingy.ai 团队率先记录：“Sonnet 5.5 按 Token 便宜，但按任务可能很贵”）。

孤立地看，这是单一模型的怪癖。放到同一两周窗口里读，这就是行业的岔路口。9 月 22 日，OpenAI 将 GPT-6 Sol 与 Luna 价格砍半（OpenAI），Anthropic 将 Opus 5.5 缓存读取降 60%（Anthropic）。六天后，Anthropic 以“便宜 30%”的姿态入场，对同一 Token 量的定价是竞争对手以半价出售的水平——它用花钱买 Token 的方式换取索引第 2 的能力，而不是把 Token 买便宜。三种发布策略现在在同一个指标上竞争——每任务成本——而它们分歧最大的地方，恰好是推理采购指南所在之处。本文将三种策略对照 Artificial Analysis 的实测数字逐一拆解，算清按 Token 定价表所隐藏的 Token 效率算术，并以四条合同条款收尾，让下一次模型替换无法静默重定价你的 Agent 账单。

主张、机制与测量

Anthropic 的主张是关于效率的，而且发布会页面明确说明了机制：模型“通常只需少得多的 Token 即可完成同样的工作。在我们的测试中，每任务成本比前代最多低 30%。”这在 Anthropic 自己的测试分布、Anthropic 自选的设置上是真的——该公司报告 Sonnet 5.5 在低与中努力等级下“以约十分之一的每任务成本”超越 Sonnet 5 的最佳基准分数（据 kingy.ai 概述）。如果你的工作负载是轻量且 Anthropic 形状的——短草稿、分类、有界查询——这个主张大概率会在你的账单上成立。

代理式工作负载不是那个分布。Artificial Analysis Intelligence Index 在五个努力等级下运行多步任务，模型的自适应推理会在难题上升级努力等级。在那个范围顶端，Token 账单爆炸：最高档约每任务 193k 输出 Token，对比 Sonnet 5 最高档与 Opus 5.5 最高档的约 120k（约 +60%）、GPT-6 Astra 最高档的约 27k（约 7 倍）。Token 量正是要点——Sonnet 5.5（最高档）在索引上得 56 分，落后 Opus 5.5 的 58 分 2 分，Terminal-Bench 4.0 为 64%，略高于 Opus 5.5 与 GPT-6 Astra。它通过每一步想得更久来达到该能力，而输出 Token 一律按每百万 $10 计费，不管每一个有多站得住脚。一条回退脚注补全了机制：Anthropic 默认的自适应路由“在约 0.1% 的任务中回退……所有情况均回退至 Sonnet 5”——又一次对定价表中立的替换，操作者只能在发票上看到它（Artificial Analysis）。

每任务成本是唯一能经受住这一结构检验的指标，因为它把定价表与 Token 账单合成到一起。同日实测，全部为 Intelligence Index 最高档的每任务成本：

模型（最高档）	标价（$/M 输入/输出）	输出 Token/任务	实测成本/任务	发布策略
Claude Sonnet 5.5	$2 / $10	~193k	$7.60	能力主导：定价表不动，Token 账单上行
Claude Opus 5.5	$4 / $20（缓存 $0.20）	~120k	$5.98	缓存主导：标价 −20%，代理项 −60%
Claude Sonnet 5	$2 / $10	~120k	~$5.00	基线
GPT-6 Sol	$2 / $10	~31k	$1.06	价格主导：标价 −50%
GPT-6 Luna	$0.10 / $0.50	~51k	$0.07	价格主导：地板价

（AA Intelligence Index v4.x 得分：Sonnet 5.5 得 56 排名第 2；Opus 5.5 得 58 排名第 1；GPT-6 Sol 在编码代理工作上约等于 56 档。得分带有谱系警示——AA 今年已两次重定指数基线，仅在同一来源的发布之间引用得分。）

陷阱在第一行与第三行：标价相同，实测成本相差 7.6 倍。一项基于定价表的采购决策——“Sonnet 5.5 与 Sonnet 5 同价，所以是经济的升级”——得出与账单完全相反的结论。而实测排名第二次反转了直觉：桌上标价更贵的那个（Opus 5.5，$4/$20）反而是更便宜的任务，因为它的缓存读取降价打击了代理式工作负载真正主导的科目——每个任务数千次重读长上下文（Anthropic：“缓存读取（占代理与编码工作成本的大头）为 $0.20 每百万 Token”）。

三种发布策略，同一个战场

9 月的窗口把价格战从 6 月以来的暗示变成了明文：每 Token 价格不再是供应商竞争的地方，因为每 Token 价格已近乎免费。战场移到每任务成本，各家实验室选了不同的武器。

能力主导（Anthropic，Sonnet 线）。 用旧的定价表发一个接近前沿的模型，赢下基准表。Sonnet 5.5 排第 2、Token 账单重 60%，是这一策略最纯粹的形式：智能提升是真实的（最高档比 Sonnet 5 高 +18 个索引点），而它的成本落在发票的 Token 一栏，在那里“便宜 30%”和“$7.60”在技术上同时为真。该策略赌的是买家看标题和基准、把 Token 量当免费品——而据盖特纳 9 月 16 日预测，2026 年全球 AI 支出增长 49.5% 至 $2.7T，agents-and-assistants 细分沿 $16.5B → $29.2B → $65.5B 的路径增长，这个赌注有真实受众。

价格主导（OpenAI，Sol/Luna 线）。 标价砍半，自己公布每任务算术。OpenAI 的发布表格是历次模型发布中最具采购可用性的：GPT-6 Sol（xhigh）得分 33.2%、每任务 $0.27，对比 Claude Opus 5（最高档）的 26.9%、贵 11.1 倍。在 Artificial Analysis 一侧，GPT-6 Sol 最高档把上一代的 $1.99 减半到 $1.06，同时在 Coding Agent Index 上涨 2 分（Artificial Analysis）。该策略赌的是实测并公开的每任务成本是未来的采购指标——而且一个对自己的效率有信心的供应商，通过让成本比较毫不费力来赢得采购。

缓存主导（Anthropic，Opus 线）。 保留前沿标价，掏空代理成本驱动项。Opus 5.5 把缓存读取从 $0.50 降到 $0.20，正中代理 Token 所在的工作负载形状——对大而稳定的上下文反复读取。Anthropic 估计典型工作总成本约低 40%（Fello AI 概述发布主张），实测 $5.98 对 $7.60 每任务独立地印证了方向。

这张图的要点是算术框，不是柱子：定价表是每百万的价格；每任务成本合同是每个产出的价格。在一个每周运行 1,200 次的 200 步负载上，Sonnet 5.5 最高档每步花 193k 输出 Token，每周账单约 $2,316，而 GPT-6 Sol 以近似相同的实测智能只花 $121（两者索引得分都在 55 上下；Sol 的编码代理经济性为每任务 $2.99，按 AA 编码指数分析处于帕累托前沿）。“便宜 30%”的模型与它自己的上一代之间每周差约 $1,100——“最多便宜 30%”与成本翻倍同时为真，区别只在努力分布。这就是为什么合同比发布帖更重要。

九月让采购问题变得更难了

两个结构性事实使它从评论变成合同语言。首先，定价表风险已成月度常态：pricepertoken 读到 9 月672 个被追踪模型中约 180 个价格变动（该计数器全月的漂移：178/672 → 181/671），LLM Gateway 时间线列出本月 15 家供应商的 23 个新模型——你的 Agent 八月跑的账单不是十月跑的账单。其次，替换层已作为产品交付：LLM Gateway 的 Smart Route 于 9 月 25 日发布，把供应商侧路由做成可购买的功能，而 Anthropic 的自适应回退（“在约 0.1% 的任务中回退，主要在 Terminal-Bench，一律回退至 Sonnet 5”，据 AA 测试）是模型调用内部的同一机制。两者都不是不当行为——DeepSeek 事件表明供应商甚至可以宣布一次全舰队模型替换、再在用户压力下 45 小时后撤回。路由决策是真实的，而且属于握着运行时的人。

在这个背景下，按定价表采购有三种具体失败模式：

基准标题失败。 Sonnet 5.5 在同一次发布中同时领跑能力故事（索引第 2，Terminal-Bench 4.0 64%）与成本故事（每任务便宜 30%）——两者都真，但对照不同基线。读了发布帖与基准表、却没读 Token 那一列的采购审批，会通过桌上最贵的每任务成本配置。
对努力等级失明的预测。 大多数公开的成本算术假设公开的设置。AA 的扫测显示 Sonnet 5.5 的账单随 effort 摆动（最高 $7.60 对 Sonnet 5 约 $5.00；“便宜 30%”所在的低/中档）；建立在 API 默认值上的预测，只会继承供应商 SDK 升级逻辑为每个任务挑中的档位。
对缓存失明的单价。 相隔 30 天的两个 Anthropic 模型选择了相反的轴——Sonnet 5.5 让 Token 保持昂贵，Opus 5.5 把缓存读取做便宜。一个代理工作负载的实际缓存命中率（长而稳定的系统提示；重复的工具 schema；大块检索上下文）现在是两者谁更便宜的最大单一决定因素——而大多数 RFQ 流程从不询问这个数字。

这些都不是供应商欺骗。三者都是一个市场的正常输出——它的单位经济在自家定价语言之下发生了位移。AA 用一句话给出了同样的结论：“Sonnet 5.5 按 Token 便宜，但按任务可能很贵。”

合同：能活过下一次发布的四条条款

解法不是挑出赢的那家实验室；在每任务成本上，赢家每周都变（pricepertoken 计数器每月移动）。解法是把决策仪表化，让下一次替换成为一次有实测数据的配置变更，而不是发票上的惊吓。四条条款对应本站在每个代理中构建的同一个运行时：

1. 按步固定模型 ID，并记录服务模型而非请求模型。 路由层是运营者基础设施。model 字段存在于你的 Agent 配置中——在我们的参考运行时里，Agent 以 provider + name 引用注册的模型资源，更换模型是数据操作而非重新部署。审计轨迹记录每次工具调用实际服务的模型（DeepSeek 文章覆盖完整事件模式）。静默换掉你模型的供应商，现在会留下一个看得见的 diff。

2. 按每任务成本加每周上限签约，而不是按 Token 加每月发票。 每任务定价正在成为公开发布的第一方指标（OpenAI 在发布表格中公布；AA 用同样的任务测所有人）。一份范围明确的合同会写明工作负载（步数、上下文形状、预期缓存命中率）、每步类别的模型与努力档，以及每任务的实测上限——以供应商公布的每任务价格为基准行。六成本向量框架提供审计清单；第五个向量（供应商替换风险）就是本节操作化的条款。

3. 把努力旋钮当作采购面来预算 Token，而不是开发者设置。 Sonnet 5.5 横跨 effort 档位 30 倍的账单摆动是具体案例。路由层应把推理努力当作每步类别的类型化配置字段——升级阈值显式、上限在运行时硬停（长时运行代理的成本上限模式），升级策略在审计轨迹中可见。在每天 1,200 步上默认“最高努力”，是一个从未被做出的采购决策。

4. 在把一支舰队押上去之前，先在自己的负载上测试所声称的效率。 Anthropic 的“最多低 30%”是诚实的、有范围的、且依赖工作负载——AA 的反测 $7.60 同样诚实、有范围、依赖工作负载。两者都不会告诉你自己的账单。30 分钟试点：取一周真实的 Agent 运行，在每一档努力下对着候选模型重放，逐步测量 Token 与缓存命中率，把三个数字（定价表、Token 账单、实测每任务）放进采购一页纸。TypeSafe Jev 三层栈让这件事连续化——一个校准的决策层分类器盯住每类步的账单，因为监视者每次调用几乎免费。

有一条诚实标记适用于上述一切，包括算术框：所有实测每任务数字来自两个独立的当日测试来源（AA、kingy.ai）加上供应商公布的表格，且都在基准任务上，不是你的负载。AA 的 Intelligence Index 今年也已两次重定基线；这里引用的得分与成本是同一发布日期内的比较，下次重定基线时可能变动。把这一切当作试点将取代的起点基线——方向（定价表 ≠ 账单；Token 才是变量）是稳定的，精确常数不是。

真实档案上的结果

在本站写作所围绕的中等市场构建档案上运行这些数字：一个分销商的报价 Agent，每周 200 份 RFQ，跨目录查询、分层定价、知识图谱替代品与草稿生成，每周约 1,200 次模型步。Sonnet 5.5 最高档下，该档案每周账单约 $2,300。经过刻意路由——仅在谈判相关步骤用前沿努力档，查询用中档模型，分类用近地板价模型，缓存密集的上下文跨步共享——同样的负载每周账单低于 $300，而质量集中在业务结果真正所在之处：客户看到的那份报价。87% 的差距不是模型选择技巧；是运行时替你执行了一项发布帖从未替你做出的成本决策。在这些交易量下，集成层——MCP 模块、路由策略、审计轨迹——仍然是构建的 90%，是按 Token 定价表无法定价的部分；模型账单是噪音，上面的模式就是让你的账单保持为噪音而不是信号的方法。