策略

號稱每任務便宜 30%，卻多花 7 倍 Token：深入 Sonnet 5.5 的效率陷阱

作者：IdeaBosque最後更新：2026年9月27日

要點

Sonnet 5.5 的「每任務最多便宜 30%」在低與中努力等級成立，但在最高等級反轉：Anthropic 收同樣的 $2/$10 價目表，而模型每個索引任務消耗約 193,000 輸出 Token——Artificial Analysis 測過的最重 Token 用量——實測成本 $7.60 每任務，比 Sonnet 5 高約 50%，比 Opus 5.5 的 $5.98 高約 27%（Anthropic，9/28；Artificial Analysis，9/28）。
同一發布窗口出現了兩種相反的策略：OpenAI 於 9 月 22 日將 GPT-6 Sol/Luna 價格下調 50% 至 $2/$10 與 $0.10/$0.50 每百萬 Token——GPT-6 Sol 最高檔每 Intelligence Index 任務 $1.06，比前代低約 50%——而 Anthropic 保持 Sonnet 價目表不動，任由 Token 帳單上漲（OpenAI；Artificial Analysis）。
Opus 5.5（9 月 22 日）走了第三條路：標價打 8 折、快取讀取降 60%（$0.50 → $0.20 每百萬），瞄準代理工作負載佔主導的那一項——這正是它實測每任務 $5.98 在最高檔反而低於自家後輩的原因（Anthropic；Finout）。
在高到最高檔，Sonnet 5.5 偏離成本效率前緣：GPT-6 Sol 以「實質相同的每任務成本」提供接近的智能，GPT-6 Luna 最高檔以每任務 $0.07 做等智能的工作——約為 Sonnet 5.5 最高檔帳單的百分之一（Artificial Analysis，9/28）。
672 個被追蹤的模型中，9 月約有 180 個發生價格變動——價目表已成為月度風險，而一份只按 Token 定價簽約的 Agent，對未經它同意的替換毫無防禦（pricepertoken，9/28；DeepSeek 自動路由反轉是完整案例）。

Anthropic 於 9 月 28 日發布 Claude Sonnet 5.5，帶著市場上最乾淨的成本主張：「相比 Claude Sonnet 5 是一次清晰升級，快 30% 以上，大多數工作最多便宜 30%。」每個字都站得住——但其機制並非標題所暗示的那樣。價目表沒有動：輸入 $2/百萬 Token，輸出 $10，快取讀取 $0.20，與 Sonnet 5 完全相同。變的是 Token 帳單，而且在該代理工作實際使用的努力等級上，它朝主張的反方向移動。Artificial Analysis 在發布當天就執行了該模型：最高努力等級下，Sonnet 5.5 每個 Intelligence Index 任務消耗約 193,000 輸出 Token——他們測試史上最高，比 Opus 5.5 最高檔高約 60%，約為 GPT-6 Astra 的 7 倍——實測成本 $7.60 每任務（Artificial Analysis，9/28；kingy.ai 團隊率先記錄：「Sonnet 5.5 按 Token 便宜，但按任務可能很貴」）。

孤立地看，這是單一模型的怪癖。放到同一兩週窗口裡讀，這就是產業的岔路口。9 月 22 日，OpenAI 將 GPT-6 Sol 與 Luna 價格砍半（OpenAI），Anthropic 將 Opus 5.5 快取讀取降 60%（Anthropic）。六天後，Anthropic 以「便宜 30%」的姿態入場，對同一 Token 量的定價是競爭對手以半價出售的水平——它用花錢買 Token 的方式換取索引第 2 的能力，而不是把 Token 買便宜。三種發布策略現在在同一個指標上競爭——每任務成本——而它們分歧最大的地方，恰好是推理採購指南所在之處。本文將三種策略對照 Artificial Analysis 的實測數字逐一拆解，算清按 Token 價目表所隱藏的 Token 效率算術，並以四條合約條款收尾，讓下一次模型替換無法靜默重定價你的 Agent 帳單。

主張、機制與測量

Anthropic 的主張是關於效率的，而且發布會頁面明確說明了機制：模型「通常只需少得多的 Token 即可完成同樣的工作。在我們的測試中，每任務成本比前代最多低 30%。」這在 Anthropic 自己的測試分佈、Anthropic 自選的設定上是真的——該公司報告 Sonnet 5.5 在低與中努力等級下「以約十分之一的每任務成本」超越 Sonnet 5 的最佳基準分數（據 kingy.ai 概述）。如果你的工作負載是輕量且 Anthropic 形狀的——短草稿、分類、有界查詢——這個主張大概率會在你的帳單上成立。

代理式工作負載不是那個分佈。Artificial Analysis Intelligence Index 在五個努力等級下執行多步任務，模型的自適應推理會在難題上升級努力等級。在那個範圍頂端，Token 帳單爆炸：最高檔約每任務 193k 輸出 Token，對比 Sonnet 5 最高檔與 Opus 5.5 最高檔的約 120k（約 +60%）、GPT-6 Astra 最高檔的約 27k（約 7 倍）。Token 量正是要點——Sonnet 5.5（最高檔）在索引上得 56 分，落後 Opus 5.5 的 58 分 2 分，Terminal-Bench 4.0 為 64%，略高於 Opus 5.5 與 GPT-6 Astra。它透過每一步想得更久來達到該能力，而輸出 Token 一律按每百萬 $10 計費，不管每一個有多站得住腳。一條回退腳注補全了機制：Anthropic 預設的自適應路由「在約 0.1% 的任務中回退……所有情況均回退至 Sonnet 5」——又一次對價目表中立的替換，操作者只能在發票上看到它（Artificial Analysis）。

每任務成本是唯一能經受住這一結構檢驗的指標，因為它把價目表與 Token 帳單合成到一起。同日實測，全部為 Intelligence Index 最高檔的每任務成本：

模型（最高檔）	標價（$/M 輸入/輸出）	輸出 Token/任務	實測成本/任務	發布策略
Claude Sonnet 5.5	$2 / $10	~193k	$7.60	能力主導：價目表不動，Token 帳單上行
Claude Opus 5.5	$4 / $20（快取 $0.20）	~120k	$5.98	快取主導：標價 −20%，代理項 −60%
Claude Sonnet 5	$2 / $10	~120k	~$5.00	基線
GPT-6 Sol	$2 / $10	~31k	$1.06	價格主導：標價 −50%
GPT-6 Luna	$0.10 / $0.50	~51k	$0.07	價格主導：地板價

（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 在編碼代理工作上約等於 56 檔。得分帶有譜系警示——AA 今年已兩次重定索引基線，僅在同一來源的發布之間引用得分。）

陷阱在第一行與第三行：標價相同，實測成本相差 7.6 倍。一項基於價目表的採購決策——「Sonnet 5.5 與 Sonnet 5 同價，所以是經濟的升級」——得出與帳單完全相反的結論。而實測排名第二次反轉了直覺：桌上標價更貴的那個（Opus 5.5，$4/$20）反而是更便宜的任務，因為它的快取讀取降價打擊了代理式工作負載真正主導的科目——每個任務數千次重讀長上下文（Anthropic：「快取讀取（佔代理與編碼工作成本的大頭）為 $0.20 每百萬 Token」）。

三種發布策略，同一個戰場

9 月的窗口把價格戰從 6 月以來的暗示變成了明文：每 Token 價格不再是供應商競爭的地方，因為每 Token 價格已近乎免費。戰場移到每任務成本，各家實驗室選了不同的武器。

能力主導（Anthropic，Sonnet 線）。 用舊的價目表發一個接近前沿的模型，贏下基準表。Sonnet 5.5 排第 2、Token 帳單重 60%，是這一策略最純粹的形式：智能提升是真實的（最高檔比 Sonnet 5 高 +18 個索引點），而它的成本落在發票的 Token 一欄，在那裡「便宜 30%」和「$7.60」在技術上同時為真。該策略賭的是買家看標題和基準、把 Token 量當贈品——而據蓋特納 9 月 16 日預測，2026 年全球 AI 支出增長 49.5% 至 $2.7T，agents-and-assistants 細分沿 $16.5B → $29.2B → $65.5B 的路徑增長，這個賭注有真實受眾。

價格主導（OpenAI，Sol/Luna 線）。 標價砍半，自己公布每任務算術。OpenAI 的發布表格是歷次模型發布中最具採購可用性的：GPT-6 Sol（xhigh）得分 33.2%、每任務 $0.27，對比 Claude Opus 5（最高檔）的 26.9%、貴 11.1 倍。在 Artificial Analysis 一側，GPT-6 Sol 最高檔把上一代的 $1.99 減半到 $1.06，同時在 Coding Agent Index 上漲 2 分（Artificial Analysis）。該策略賭的是實測並公開的每任務成本是未來的採購指標——而且一個對自己的效率有信心的供應商，透過讓成本比較毫不費力來贏得採購。

快取主導（Anthropic，Opus 線）。 保留前沿標價，掏空代理成本驅動項。Opus 5.5 把快取讀取從 $0.50 降到 $0.20，正中代理 Token 所在的工作負載形狀——對大而穩定的上下文反覆讀取。Anthropic 估計典型工作總成本約低 40%（Fello AI 概述發布主張），實測 $5.98 對 $7.60 每任務獨立地印證了方向。

這張圖的要點是算術框，不是柱子：價目表是每百萬的價格；每任務成本合約是每個產出的價格。在一個每週執行 1,200 次的 200 步負載上，Sonnet 5.5 最高檔每步花 193k 輸出 Token，每週帳單約 $2,316，而 GPT-6 Sol 以近似相同的實測智能只花 $121（兩者索引得分都在 55 上下；Sol 的編碼代理經濟性為每任務 $2.99，按 AA 編碼指數分析處於帕累托前緣）。「便宜 30%」的模型與它自己的上一代之間每週差約 $1,100——「最多便宜 30%」與成本翻倍同時為真，區別只在努力分佈。這就是為什麼合約比發布帖更重要。

九月讓採購問題變得更難了

兩個結構性事實使它從評論變成合約語言。首先，價目表風險已成月度常態：pricepertoken 讀到 9 月672 個被追蹤模型中約 180 個價格變動（該計數器全月的漂移：178/672 → 181/671），LLM Gateway 時間線列出本月 15 家供應商的 23 個新模型——你的 Agent 八月跑的帳單不是十月跑的帳單。其次，替換層已作為產品交付：LLM Gateway 的 Smart Route 於 9 月 25 日發布，把供應商側路由做成可購買的功能，而 Anthropic 的自適應回退（「在約 0.1% 的任務中回退，主要在 Terminal-Bench，一律回退至 Sonnet 5」，據 AA 測試）是模型呼叫內部的同一機制。兩者都不是不當行為——DeepSeek 事件表明供應商甚至可以宣布一次全艦隊模型替換、再在使用者壓力下 45 小時後撤回。路由決策是真實的，而且屬於握著執行環境的人。

在這個背景下，按價目表採購有三種具體失敗模式：

基準標題失敗。 Sonnet 5.5 在同一次發布中同時領跑能力故事（索引第 2，Terminal-Bench 4.0 64%）與成本故事（每任務便宜 30%）——兩者都真，但對照不同基線。讀了發布帖與基準表、卻沒讀 Token 那一欄的採購審批，會通過桌上最貴的每任務成本配置。
對努力等級失明的預測。 大多數公開的成本算術假設公開的設定。AA 的掃測顯示 Sonnet 5.5 的帳單隨 effort 擺動（最高 $7.60 對 Sonnet 5 約 $5.00；「便宜 30%」所在的低/中檔）；建立在 API 預設值上的預測，只會繼承供應商 SDK 升級邏輯為每個任務挑中的檔位。
對快取失明的單價。 相隔 30 天的兩個 Anthropic 模型選擇了相反的軸——Sonnet 5.5 讓 Token 保持昂貴，Opus 5.5 把快取讀取做便宜。一個代理工作負載的實際快取命中率（長而穩定的系統提示；重複的工具 schema；大塊檢索上下文）現在是兩者誰更便宜的最大單一決定因素——而大多數 RFQ 流程從不詢問這個數字。

這些都不是供應商欺騙。三者都是一個市場的正常輸出——它的單位經濟在自家定價語言之下發生了位移。AA 用一句話給出了同樣的結論：「Sonnet 5.5 按 Token 便宜，但按任務可能很貴。」

合約：能活過下一次發布的四條條款

解法不是挑出贏的那家實驗室；在每任務成本上，贏家每週都變（pricepertoken 計數器每月移動）。解法是把決策儀表化，讓下一次替換成為一次有實測數據的設定變更，而不是發票上的驚嚇。四條條款對應本站在每個代理中建構的同一個執行環境：

1. 按步固定模型 ID，並記錄服務模型而非請求模型。 路由層是營運者基礎設施。model 欄位存在於你的 Agent 設定中——在我們的參考執行環境裡，Agent 以 provider + name 引用註冊的模型資源，更換模型是資料操作而非重新部署。稽核軌跡記錄每次工具呼叫實際服務的模型（DeepSeek 文章覆蓋完整事件模式）。靜默換掉你模型的供應商，現在會留下一個看得見的 diff。

2. 按每任務成本加每週上限簽約，而不是按 Token 加每月發票。 每任務定價正在成為公開發布的第一方指標（OpenAI 在發布表格中公布；AA 用同樣的任務測所有人）。一份範圍明確的合約會寫明工作負載（步數、上下文形狀、預期快取命中率）、每步類別的模型與努力檔，以及每任務的實測上限——以供應商公布的每任務價格為基準列。六成本向量框架提供稽核清單；第五個向量（供應商替換風險）就是本節操作化的條款。

3. 把努力旋鈕當作採購面來預算 Token，而不是開發者設定。 Sonnet 5.5 橫跨 effort 檔位 30 倍的帳單擺動是具體案例。路由層應把推理努力當作每步類別的型別化設定欄位——升級閾值顯式、上限在執行環境硬停（長時執行代理的成本上限模式），升級策略在稽核軌跡中可見。在每天 1,200 步上預設「最高努力」，是一個從未被做出的採購決策。

4. 在把一支艦隊押上去之前，先在自己的負載上測試所聲稱的效率。 Anthropic 的「最多低 30%」是誠實的、有範圍的、且依賴工作負載——AA 的反測 $7.60 同樣誠實、有範圍、依賴工作負載。兩者都不會告訴你自己的帳單。30 分鐘試點：取一週真實的 Agent 執行，在每一檔努力下對著候選模型重放，逐步測量 Token 與快取命中率，把三個數字（價目表、Token 帳單、實測每任務）放進採購一頁紙。TypeSafe Jev 三層棧讓這件事連續化——一個校準的決策層分類器盯住每類步的帳單，因為監視者每次呼叫幾乎免費。

有一條誠實標記適用於上述一切，包括算術框：所有實測每任務數字來自兩個獨立的當日測試來源（AA、kingy.ai）加上供應商公布的表格，且都在基準任務上，不是你的負載。AA 的 Intelligence Index 今年也已兩次重定基線；這裡引用的得分與成本是同一發布日期內的比較，下次重定基線時可能變動。把這一切當作試點將取代的起點基線——方向（價目表 ≠ 帳單；Token 才是變數）是穩定的，精確常數不是。

真實檔案上的結果

在本站寫作所圍繞的中等市場建構檔案上執行這些數字：一個分銷商的報價 Agent，每週 200 份 RFQ，跨目錄查詢、分層定價、知識圖譜替代品與草稿生成，每週約 1,200 次模型步。Sonnet 5.5 最高檔下，該檔案每週帳單約 $2,300。經過刻意路由——僅在談判相關步驟用前沿努力檔，查詢用中檔模型，分類用近地板價模型，快取密集的上下文跨步共享——同樣的負載每週帳單低於 $300，而品質集中在業務結果真正所在之處：客戶看到的那份報價。87% 的差距不是模型選擇技巧；是執行環境替你執行了一項發布帖從未替你做出的成本決策。在這些交易量下，整合層——MCP 模組、路由策略、稽核軌跡——仍然是建構的 90%，是按 Token 價目表無法定價的部分；模型帳單是噪音，上面的模式就是讓你的帳單保持為噪音而不是訊號的方法。